М.В. Городецький, О.C. Каленюк

Èlektron. model. 2025, 47(6):03-11

https://doi.org/10.15407/emodel.47.06.003

АНОТАЦІЯ

Сучасні методи деформації геометричних обʼєктів, такі як метод політочкових перетво­рень, широко застосовуються у компʼютерній графіці, моделюванні та інженерних роз­рахунках. Очевидним рішенням для подолання обмежень продуктивності є використання паралельних або розподілених обчислень. Політочкові перетворення не є послідовними за своєю природою й не мають інших обмежень для паралелізації, проте потенційні пе­реваги паралельних обчислень у контексті політочкових перетворень досі не були до­сліджені. У роботі досліджуються перспективи паралельних обчислень політочкових пе­ретворень на основі перетинаючихся площин.

Основна увага приділена аналізу ефективності паралельних обчислень при трансфор­мації великих тривимірних моделей. Досліджено залежність часу виконання від кількості потоків, отримано апроксимаційні моделі (раціональну та гіперболічну), які добре описують експе­риментальні дані. Порівняння із законом Амдала показало, що 90 % алгоритму можуть бути ефективно розпаралелені, що забезпечує прискорення до 7,5 разів на 24 потоках.

КЛЮЧОВІ СЛОВА:

багатоядерні процесори, закон Амдала, оптимізація алгоритмів, паралельні обчислення, полігональна геометрія, політочкові перетворення.

СПИСОК ЛІТЕРАТУРИ

1. Badaev, Y. & Sidorenko, Y. (2020). Geometric modeling of complex objects on the basis of tile mapping displays of direct cuts. Modern problems of modeling, (16), 17-24. DOI: 10.33842/2313-125X/2019/16/17/24.
2. Kolot, O.L. & Badaev, Y. (2019). Geometric modeling of complex objects based on point-based three-dimensional transformations of triangles. Modern problems of modeling,(13), 76-83. https://magazine.mdpu.org.ua/index.php/spm/article/view/2647
3. Ausheva, N. & Humennyi, A. (2021). Modeling of fundamental splines in the form of quaternion curves. Modern problems of modeling, (20), 20-27. DOI: 10.33842/22195203/ 2021/20/20/27.
4. Badaiev, Y.I. & Hannoshyna, I.M. (2016). Design of a spatial curve, taking into account curvature and difficulties in nodes of interpolation method. Visnyk of Vinnytsia Politech­nical Institute, (4), 80-83. https://visnyk.vntu.edu.ua/index.php/visnyk/article/view/1953.
5. Sidorenko Yu, Kryvda O. & Leshchynska I. (2020). System of modeling of structural elements of ventilation systems by polycoоrdinate transformations. Strength of Materials and Theory of Structures, (104), 221-228. DOI: 10.32347/2410-2547.2020.104.221-228.
6. Sydorenko, Yu.V., Kaleniuk, O.S. & Horodetskyi M.V. (2024). Polypoint Transformation Dependency on the Polyfiber Configuration. Control Systems and Computers, 4 (308), 3-9. DOI: 10.15407/csc.2024.04.003.
7. Sidorenko Yu, Zalevskaya O. & Shaldenko O.V. (2022). Calculation of the area of the transformed object at polypoint transformations. Applied geometry and engineering graphics, (102), 65-75. DOI: 10.32347/0131-579X.2022.102.188-195.
8. Badaiev, Y.I. & Sidorenko Yu. (2019). Geometric modeling of complex objects on the basis of tile mapping displays of direct cuts. Modern problems of modeling, (16), 17-24. DOI: 10.33842/2313-125X/2019/16/17/24.
9. Horodetskyi M.V., Sydorenko Іu.V., (2025). Methods of defining geometry of an object in three-dimensional space for polypoint transformations. Èlektron. model, 47(3), 03-11. DOI: 10.15407/emodel.47.03.003.
10. Hill M.D. & Marty M.R. (2008). Amdahlʼs Law in the Multicore Era. Computer, 7 (41), 33-38. DOI: 10.1109/MC.2008.209.

Повний текст: PDF

Д.А. Гнатюк, аспірант
Черкаський національний університет ім. Богдана Хмельницького
Україна, 18031, Черкаси, б-р Шевченка, 81
e-mail: Ця електронна адреса захищена від спам-ботів. Вам необхідно увімкнути JavaScript, щоб побачити її.

Èlektron. model. 2025, 47(6):11-33

https://doi.org/10.15407/emodel.47.06.011

АНОТАЦІЯ

Проаналізовано застосування методів машинного навчання для виявлення аномалій у серверних програмних системах, що функціонують у режимі реального часу. Зокрема LSTM для аналізу журналів подій та XGBoost для класифікації структурованих ознак подій. Проведено систематизацію сучасних методів моніторингу та аналізу журналів по­дій на основі застосування методів машинного навчання. Визначено переваги та недо­ліки окремих методів, а також обґрунтовано ефективність їх комбінованого для визначення аномалій у серверних програмних системах. Особливу увагу приділено оптимізації ме­то­дів машинного навчання для виявлення нестандартних подій при журналюванні. В них застосовано механізми уваги, кешування даних та способи автоматизованого визначення ознак, що дозволяє забезпечити оперативний аналіз потоку подій у режимі реального часу. Результати аналізу підтверджують високий потенціал гібридних моделей для підвищення стабільності, надійності та продуктивності серверних програмних систем, дозволяючи окреслити перспективні напрямки для подальших досліджень у сфері вияв­лення аномалій.

КЛЮЧОВІ СЛОВА:

методи моніторингу аномалій, журнали подій, комбінований під­хід для виявлення аномалій, кешування, високонавантажені середовища.

СПИСОК ЛІТЕРАТУРИ

1. Data-centric artificial intelligence: a survey / D. Zha et al. 2023. P. 38. URL: https:// doi.org/10.48550/arXiv.2303.10158 (date of access: 18.03.2025).
2. Provatas N., Konstantinou I., Koziris N. A survey on parameter server architecture: approaches for optimizing distributed centralized learning. 2025. URL: https://doi.org/10.1109/ACCESS.2025.3535085 (date of access: 18.03.2025).
3. Anomaly detection in virtual machine logs against irrelevant attribute interference / H. Zhang et al. 2025. URL: https://doi.org/10.1371/journal.pone.0315897 (date of access: 18.03.2025).
4. Anomaly detection using system logs: a deep learning approach / R. Sinha et al. 2022. URL: https://doi.org/10.4018/IJISP.285584 (date of access: 18.03.2025).
5. Гнатюк Д.А. Особливості навчання моделей для ефективного аналізу даних і виявлення аномалій в серверних програмних системах. Information modeling technologies, systems and applications. 2024. P. 85. URL: https://fotius.cdu.edu.ua/wp-content/uploads/ 2024/05/Book_IMTCK_2024.pdf (date of access: 18.03.2025).
6. Zhang X., Zhang Q. Short-Term traffic flow prediction based on lstm-xgboost combination model. Cmes. 2020. Vol. 125, no. 1. P. 95—109. URL: https://doi.org/10.32604/cmes. 2020.011013 (date of access: 18.03.2025).
7. Attention-based CNN-LSTM and XGBoost hybrid model for stock prediction / Z. Shi et al. Journal of latex class files. 2023. Vol. 14, no. 8. URL: https://doi.org/10.48550/arXiv.2204.02623 (date of access: 18.03.2025).
8. Vervaet A. MoniLog: an automated log-based anomaly detection system for cloud computing infrastructures. 2023. P. 5. URL: https://arxiv.org/pdf/2304.11940 (date of access: 18.03.2025).
9. DEEPCASE: semi-supervised contextual analysis of security events / T.V. Ede et al. IEEE symposium on security and privacy (SP). 2022. P. 522—539. URL: https://doi.org/10.1109/SP46214.2022.9833671 (date of access: 18.03.2025).
10. Torres L., Barrios H., Denneulin Y. Evaluation of computational and energy performance in matrix multiplication algorithms on CPU and GPU using MKL, cuBLAS and SYCL. 2024. P. 14. URL: https://doi.org/10.48550/arXiv.2405.17322 (date of access: 18.03.2025).
11. Guo H., Yuan S., Wu X. LogBERT: log anomaly detection via BERT. 2021. P. 13. URL: https://doi.org/10.48550/arXiv.2103.04475 (date of access: 18.03.2025).
12. Attention is all you need / A. Vaswani et al. 2017. P. 15. URL: https://doi.org/10.48550/arXiv.1706.03762 (date of access: 18.03.2025).
13. DistilBERT, a distilled version of BERT: smaller, faster, cheaper and lighter / V. Sanh et al. 2019. P. 5. URL: https://doi.org/10.48550/arXiv.1910.01108 (date of access: 18.03.2025).
14. ALBERT: A lite BERT for self-supervised learning of language representations / Z. Lan et al. 2020. P. 17. URL: https://doi.org/10.48550/arXiv.1909.11942 (date of access: 18.03.2025).
15. Alizadeh N., Castor F. Green AI: A preliminary empirical study on energy consumption in DL models across different runtime infrastructures. 2024. P. 6. URL: https://doi.org/10.48550/arXiv.2402.13640 (date of access: 06.05.2025).
16. Pierson R., Moin A. Automated bug report prioritization in large open-source projects. 2025. P. 10. URL: https://doi.org/10.48550/arXiv.2504.15912 (date of access: 06.05.2025).
17. Kingma D.P., Welling M. Auto-Encoding variational bayes. 2013. P. 14. URL: https://doi.org/10.48550/arXiv.1312.6114 (date of access: 18.03.2025).
18. Zhao S., Song J., Ermon S. Towards deeper understanding of variational autoencoding models. 2017. P. 14. URL: https://doi.org/10.48550/arXiv.1702.08658 (date of access: 18.03.2025).
19. Široký F. Anomaly detection using deep sparse autoencoders for CERN particle detector data. 2019. 39 p. URL: https://is.muni.cz/th/ljgxi/BcPraceSiroky.pdf (date of access: 18.03.2025).
20. Dohi K. Variational autoencoders for jet simulation. URL: https://doi.org/10.48550/arXiv.2009.04842 (date of access: 06.05.2025).
21. Application of deep generative models for anomaly detection in complex financial transactions / T. Tang et al. URL: https://doi.org/10.48550/arXiv.2504.15491 (date of access: 06.05.2025).
22. Learning phrase representations using RNN encoder-decoder for statistical machine translation / K. Cho et al. URL: https://doi.org/10.48550/arXiv.1406.1078 (date of access: 18.03.2025).
23. Gers F. Recurrent nets that time and count. 2016. P. 7. URL: https://doi.org/10.1109/IJCNN.2000.861302 (date of access: 18.03.2025).
24. HyTGraph: gpu-accelerated graph processing with hybrid transfer management / Q. Wang et al. URL: https://doi.org/10.48550/arXiv.2208.14935 (date of access: 06.05.2025).
25. Jayanth R., Gupta N., Prasanna V. Benchmarking edge AI platforms for high-performance ML inference. URL: https://doi.org/10.48550/arXiv.2409.14803 (date of access: 06.05.2025).
26. Detecting spacecraft anomalies using lstms and nonparametric dynamic thresholding / K. Hundman et al. URL: https://doi.org/10.48550/arXiv.1802.04431 (date of access: 18.03.2025).
27. A deep learning approach to anomaly detection in high-frequency trading data / Q. Bao et al. URL: https://doi.org/10.48550/arXiv.2504.00287 (date of access: 06.05.2025).
28. Mäntylä M., Varela M., Hashemi S. Pinpointing anomaly events in logs from stability tes­ting-n-grams vs. deep-learning. URL: https://doi.org/10.48550/arXiv.2202.09214 (date of access: 18.03.2025).
29. Hochreiter S. Long Short-Term Memory. 1997. P. 32. URL: https://doi.org/10.1162/neco.1997.9.8.1735 (date of access: 18.03.2025).
30. A survey on anomaly detection for technical systems using LSTM networks / B. Linde­mann et al. URL: https://doi.org/10.48550/arXiv.2105.13810 (date of access: 18.03.2025).
31. Van Houdt G., Mosquera C., Nápole G. A review on the long short-term memory model. Artificial intelligence review. 2020. Vol. 53, no. 1. P. 14. URL: https://link.springer.com/article/10.1007/s10462-020-09838-1 (date of access: 18.03.2025).
32. Do RNN and LSTM have Long Memory? / J. Zhao et al. URL: https://doi.org/10.48550/arXiv.2006.03860 (date of access: 18.03.2025).
33. Prater R., Hanne T., Dornberger R. Generalized Performance of LSTM in Time-Series Forecasting. Journal of forecasting. 2024. P. 20. URL: https://doi.org/10.1080/08839514.2024.2377510 (date of access: 18.03.2025).
34. Dai J., Liao M., Guo X. Research on the application of improved LSTM model in time series problems. 2023 international conference on electronics, automation, and computer science (ICEACE). 2023. P. 1544—1548. URL: https://doi.org/10.1109/ICEACE60673.2023.10442927 (date of access: 18.03.2025).
35. Long short-term memory (LSTM) recurrent neural network for muscle activity detection / M. Ghislieri et al. Journal of NeuroEngineering and Rehabilitation. 2021. P. 15. URL: https://jneuroengrehab.biomedcentral.com/articles/10.1186/s12984-021-00945-w (date of access: 18.03.2025).
36. Sennhauser L., Berwick R.C. Evaluating the ability of lstms to learn context-free grammars. Proceedings of the 32nd conference on neural information processing systems (neurips). 2018. P. 115—124. URL: https://doi.org/10.48550/arXiv.1811.02611 (date of access: 18.03.2025).
37. Karpathy A., Johnson J., Fei-Fei L. Visualizing and understanding recurrent networks. URL: https://doi.org/10.48550/arXiv.1506.02078 (date of access: 18.03.2025).
38. Patient Subtyping via Time-Aware LSTM Networks / I.M. Baytas et al. Proceedings of the 2017 ACM international conference on bioinformatics, computational biology, and health informatics. 2017. P. 65—74. URL: https://dl.acm.org/doi/10.1145/3097983.3097997 (date of access: 18.03.2025).
39. LogAnomaly: unsupervised detection of sequential and quantitative anomalies in unstructured logs / W. Meng et al. Proceedings of the 28th international joint conference on artificial intelligence (IJCAI-19). 2019. P. 7. URL: https://doi.org/10.24963/ijcai.2019/658 (date of access: 18.03.2025).
40. Self-Supervised learning with data augmentations provably isolates content from style / J. von Kügelgen et al. 2022. P. 32. URL: https://doi.org/10.48550/arXiv.2106.04619 (date of access: 18.03.2025).
41. Farzad A., Gulliver T.A. Log message anomaly detection and classification using auto-b/lstm and auto-gru. 2019. P. 18. URL: https://arxiv.org/abs/1911.08744 (date of access: 18.03.2025).
42. Lundberg S., Lee S.-I. A unified approach to interpreting model predictions. 2017. P. 10. URL: https://doi.org/10.48550/arXiv.1705.07874 (date of access: 18.03.2025).
43. Chen T., Guestrin C. XGBoost: a scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining. 2016. P. 13. URL: https://arxiv.org/abs/1603.02754 (date of access: 18.03.2025).
44. Benchmarking and optimization of gradient boosting decision tree algorithms / A. Anghel et al. 2018. P. 7. URL: https://doi.org/10.48550/arXiv.1809.04559 (date of access: 18.03.2025).
45. XGBoost: everything you need to know. URL: https://neptune.ai/blog/xgboost-everything-you-need-to-know (date of access: 18.03.2025).
46. Optimization and application of xgboost logging prediction model for porosity and permeability based on k-means method / J. Zhang et al. 2024. P. 18. URL: https://doi.org/10.3390/app14103956 (date of access: 18.03.2025).
47. Practical guidelines for the use of gradient boosting for molecular property prediction / D. Boldini et al. 2023. P. 13. URL: https://doi.org/10.1186/s13321-023-00743-7 (date of access: 18.03.2025).
48. Harnessing LSTM and XGBoost algorithms for storm prediction / A. Frifra et al. 2024. P. 13. URL: https://www.nature.com/articles/s41598-024-62182-0 (date of access: 18.03.2025).
49. Performance-preserving event log sampling for predictive monitoring / M. Fani Sani et al. J intell inf syst. 2023. P. 53—82. URL: https://doi.org/10.1007/s10844-022-00775-9 (date of access: 18.03.2025).
50. Wang X., Lu X. A host-based anomaly detection framework using xgboost and LSTM for iot devices. 2020. P. 12. URL: https://doi.org/10.1155/2020/8838571 (date of access: 18.03.2025).
51. Лобачев І.М. Моделі та методи підвищення ефективності розподілених трансдюсерних мереж на основі машинного навчання та периферійних обчислень. 2021. 174 с. URL: https://op.edu.ua/sites/default/files/publicFiles/dissphd/dysertaciya_lobachev_122.pdf (дата звернення: 18.03.2025).
52. XGBoost parameters. URL: https://xgboost.readthedocs.io/en/stable/parameter.html (date of access: 18.03.2025).
53. Putatunda S., Rama K. A modified bayesian optimization based hyper-parameter tuning approach for extreme gradient boosting. 2020. P. 6. URL: https://doi.org/10.48550/arXiv.2004.05041 (date of access: 18.03.2025).
54. XGBoost. URL: https://www.nvidia.com/en-us/glossary/xgboost/ (date of access: 18.03.2025).
55. Kukkala V.K., Thiruloga S.V., Pasricha S. LATTE: LSTM self-attention based anomaly detection in embedded automotive platforms. 2021. P. 24. URL: https://doi.org/10.48550/arXiv.2107.05561 (date of access: 18.03.2025).
56. AutoML for XGBoost. URL: https://microsoft.github.io/FLAML/docs/Examples/AutoML- for-XGBoost/ (date of access: 18.03.2025).
57. An automated machine learning (automl) method for driving distraction detection based on lane-keeping performance / C. Chai et al. 2021. P. 11. URL: https://doi.org/10.48550/arXiv.2103.08311 (date of access: 18.03.2025).
58. Elastic stack. URL: https://www.elastic.co/elastic-stack (date of access: 18.03.2025).

Повний текст: PDF

Н.В. Ситник ¹, канд. екон. наук, О.О. Денісова ¹, канд. екон. наук,
І.С. Зінов’єва ², канд. екон. наук
¹ Київський національний економічний університет ім. Вадима Гетьмана
Україна, 02022, Київ, Берестейський пр-т, 54/1
² Незалежна дослідниця
e-mail: Ця електронна адреса захищена від спам-ботів. Вам необхідно увімкнути JavaScript, щоб побачити її., Ця електронна адреса захищена від спам-ботів. Вам необхідно увімкнути JavaScript, щоб побачити її., Ця електронна адреса захищена від спам-ботів. Вам необхідно увімкнути JavaScript, щоб побачити її.

Èlektron. model. 2025, 47(6):34-57

https://doi.org/10.15407/emodel.47.06.034

АНОТАЦІЯ

Представлено концепцію створення графа знань для гармонізації освітніх і професійних стандартів у контексті підготовки спеціалістів у вищих навчальних закладах. Основна мета графа знань полягає у забезпеченні цілісного підходу до аналізу та інтеграції різних стан­дартів, які застосовуються в освіті та професійному середовищі. Для побудови гра­фа знань використано компетентнісно-орієнтований підхід, який дозволяє визначити ключові компе­тенції, необхідні для розвитку кваліфікацій у різних професійних сферах. Пропонований граф охоплює освітні стандарти, відповідно до переліку університетських спеціальностей, та професійні стандарти згідно з Національним класифікатором професій, що відкриває мож­ливості для подальших досліджень в цьому напрямку. Розробка такого графа дозволить здійснити комплексний, інтегрований підхід до централізованого зберігання відповідної інформації на національному рівні та вивчення взаємозв’язків між професійними та освіт­німи стандартами. Це, у свою чергу, дозволить покращити якість підготовки спеціалістів, забезпечити більшу гнучкість та адаптивність у реагуван­ні на зміни у вимогах ринку праці та професійного середовища, а також підвищити якість і релевантність освітніх програм.

КЛЮЧОВІ СЛОВА:

освітні та професійні стандарти, графові технології, граф знань, графова база даних NoSQL, СКБД Neo4j.

СПИСОК ЛІТЕРАТУРИ

1. World Economic Forum. Future of Jobs Report 2025. Insight report. URL: https://reports.weforum.org/docs/WEF_Future_of_Jobs_Report_2025.pdf (date of access: 20.04.2025).
2. World Economic Forum. The Future of Jobs Report 2023. URL: https://www.weforum.org/publications/the-future-of-jobs-report-2023/ (date of access: 20.04.2025).
3. European Commission. European Skills Agenda. 2016. URL: https://employment-social-affairs.ec.europa.eu/policies-and-activities/skills-and-qualifications/european-skills-agenda_en (date of access: 20.04.2025).
4. European Commission. The Union of Skills. 2025. URL: https://employment-social-affairs.ec.europa.eu/document/download/915b147d-c5af-44bb-9820-c252d872fd31_en?filename=Communication%20-%20Union%20of%20Skills.pdf (date of access: 20.04.2025).
5. Cedefop. 2024 European Skills Index. Technical report. URL: https://www.cedefop.europa.eu/ files/esi_technical_report_2024.pdf (date of access: 20.04.2025).
6. OECD. Understanding Skill Gaps in Firms: Results of the PIAAC Employer Module. OECD Skills Studies. Paris: OECD Publishing, 2024. DOI: https://doi.org/10.1787/b388d1da-en(date of access: 20.04.2025).
7. Gartner. Top 5 HR Trends and Priorities That Matter Most in 2025. 2024. URL: https://www.gartner.com/en/human-resources/trends/top-priorities-for-hr-leaders(date of access: 20.04.2025).
8. Національний інститут стратегічних досліджень. Основні характеристики ринку праці України у першому півріччі 2024 року. 2024 [Електронний ресурс]. Режим дос­тупу: https://niss.gov.ua/doslidzhennya/sotsialna-polityka/osnovni-kharakterystyky-rynku- pratsi-ukrayiny-u-pershomu (дата доступу: 20.04.2025).
9. Deloitte. Тренди у сфері людського капіталу 2023: нові правила для світу без меж. 2023 [Електронний ресурс]. Режим доступу: https://www2.deloitte.com/content/dam/Deloitte/ua/Documents/human-capital/2023-human-capital-trends-presentation.pdf (date of access: 20.04.2025).
10. Deloitte. 2024 Global Human Capital Trends. 2024. URL:https://www2.deloitte.com/content/dam/insights/articles/glob176836_global-human-capital-trends-2024/DI_Global-Human-Capital-Trends-2024.pdf(date of access: 20.04.2025).
11. Закон України «Про освіту» від 05.09.2017 р. № 2145-VIII [Електронний ресурс]. Режим доступу: https://zakon.rada.gov.ua/laws/show/2145-19#Text (дата доступу: 20.04.2025).
12. Міністерство цифрової трансформації України. Експрес-аналіз поточного стану ІТ-освіти в Україні. 2021 [Електронний ресурс]. Режим доступу: https://surl.li/tscldz (дата доступу: 20.04.2025).
13. Національне агентство кваліфікацій. Методичні рекомендації щодо розроблення про­фесійних стандартів. 2023 [Електронний ресурс]. Режим доступу: https://nqa.gov.ua/uploads/multiple-input/63d3be768f7b1.pdf (дата доступу: 20.04.2025).
14. Закон України «Про вищу освіту» від 01.07.2014 р. № 1556-VII [Електронний ресурс]. Режим доступу:  https://zakon.rada.gov.ua/laws/show/1556-18#Text (дата доступу: 20.04.2025).
15. Міністерство освіти і науки України. Методичні рекомендації щодо розроблення стандартів вищої освіти. 2017 [Електронний ресурс]. Режим доступу: https://mon.gov.ua/static-objects/mon/sites/1/vishcha-osvita/rekomendatsii-1648.pdf (дата доступу: 20.04.2025).
16. Державний комітет України з питань технічного регулювання та споживчої по­літики. Національний класифікатор професій України ДК 003:2010 [Електронний ресурс]. Режим доступу: https://zakon.rada.gov.ua/rada/show/va327609-10#Text (дата доступу: 20.04.2025).
17. UNESCO Institute for Statistics. International Standard Classification of Education: Fields of Education and Training 2013 (ISCED-F 2013) – Detailed Field Descriptions. URL:https://uis.unesco.org/sites/default/files/documents/international-standard-classification-of-education-fields-of-education-and-training-2013-detailed-field-descriptions-2015-en.pdf(date of access: 20.04.2025).
18. EHEA. The framework of qualifications for the European Higher Education Area. 2005. URL: https://ehea.info/media.ehea.info/file/WG_Frameworks_qualification/85/2/Framework_qualificationsforEHEA-May2005_587852.pdf (date of access: 20.04.2025).
19. European Union. Council recommendation of 22 May 2017 on the European Qualifications Framework for lifelong learning and repealing the recommendation of the European Parliament and of the Council of 23 April 2008 on the establishment of the European Qualifications Framework for lifelong learning. 2017. URL: https://eur-lex.europa.eu/ legal-content/EN/TXT/?uri=CELEX%3A32017H0615%2801%29 (date of access: 20.04.2025).
20. Кабінет Міністрів України. Про затвердження Національної рамки кваліфікацій: Постанова від 23.11.2011 № 1341 [Електронний ресурс]. Режим доступу: https://zakon.rada.gov.ua/laws/show/1341-2011-%D0%BF#Text (дата доступу: 20.04.2025).
21. Національне агентство із забезпечення якості вищої освіти. Порядок погодження проєктів стандартів вищої освіти. 2022 [Електронний ресурс]. Режим доступу: https://surl.lu/dkwgmz (дата доступу: 20.04.2025).
22. Міністерство освіти і науки України. Про затвердження Положення про акре­ди­тацію освітніх програм, за якими здійснюється підготовка здобувачів вищої освіти: Наказ від 10.06.2020 р. № 768 [Електронний ресурс]. Режим доступу: https://zakon.rada.gov.ua/laws/show/z1013-24#Text (дата доступу: 20.04.2025).
23. Національне агентство із забезпечення якості вищої освіти. Роз’яснення щодо за­стосування Критеріїв оцінювання якості освітньої програми: Методичний посібник. 2024 [Електронний ресурс]. Режим доступу: https://surl.li/hutczz (дата доступу: 20.04.2025).
24. Скиба Ю. Навички ХХІ століття: адаптація освітніх програм вітчизняних закладів вищої освіти. Проблеми освіти. 2023. № 2(99). С. 72—88 [Електронний ресурс]. DOI: https://doi.org/10.52256/2710-3986.2-99.2023.05 (дата доступу: 20.04.2025).
25. Палехова В. Невідповідність освіти запитам ринку праці (на прикладі торгівлі та суміжних сфер діяльності). Економічний дискурс. 2020. № 3. С. 117—126 [Електронний ресурс]. DOI: https://doi.org/10.36742/2410-0919-2020-3-12 (дата доступу: 20.04.2025).
26. Ковалюк Т.В. Узгодження вимог професійних та освітніх ІТ-стандартів до компе­тентностей випускників ІТ-спеціальностей ВНЗ. Вісник Національного універси­тету «Львівська політехніка». Серія: Інформаційні системи та мережі. 2017. № 872. С. 229—240 [Електронний ресурс]. Режим доступу: http://nbuv.gov.ua/UJRN/VNULPICM_2017_872_27 (дата доступу: 20.04.2025).
27. Denisova, O., Sytnyk, N., Zinovieva, I. Aligning Computer Engineering Curricula to Meet Digital Economy Requirements: Interdisciplinary Aspect. In: Auer, M.E., Rüütmann, T. (eds) Futureproofing Engineering Education for Global Responsibility. Lecture Notes in Networks and Systems. Vol. 1261. Springer, Cham, 2025. DOI: https://doi.org/10.1007/978-3-031-85649-5_14(date of access: 20.04.2025).
28. Проскура С.Л., Литвинова С.Г. Формування професійної компетентності майбутніх бакалаврів комп’ютерних наук. Фізико-математична освіта. 2019. Вип. 2. С. 137—146 [Електронний ресурс]. Режим доступу: http://nbuv.gov.ua/UJRN/fmo_2019_2_24 (дата доступу: 20.04.2025).
29. Springboard for Business. The Skills Gap in the U.S. Workforce. 2024. URL: https://www.springboard.com/blog/business/skills-gap-trends-2024 (date of access: 20.04.2025).
30. Abir, T., Islam, R., Ullah, A., Rahman S. Aligning Education with Market Demands: A Case Study of Marketing Graduates from Daffodil International University. International Journal of Learning, Teaching and Educational Research. 2024. Vol 23. № 8. DOI: https://doi.org/10.26803/ijlter.23.8.8 (дата доступу: 20.04.2025).
31. The National Agency for Higher Education Quality Assurance. The National Action Plan on Ukrainian external higher education quality assurance for 2024-2026 period. 2024. URL: https://naqa.gov.ua/wp-content/uploads/2024/07/National-Action-Plan-2024-2026.pdf (date of access: 20.04.2025).
32. OECD. Enhancing labour market relevance and outcomes of higher education: Country note Austria. OECD education policy perspectives. 2022. URL: https://surl.li/iknukh (date of access: 20.04.2025).
33. Van Noy, M., Cleary, J. Aligning Higher Education and the Labor Market: Guiding Principles and Open Questions. Issue Brief. Rutgers Education and Employment Research Center, January 2017. URL: https://smlr.rutgers.edu/sites/default/files/Documents/Centers/ EERC/eerc_lma_issue_brief_final%20%281%29.pdf (date of access: 20.04.2025).
34. EHEA. Tuning Educational Structures in Europe. Final Report. Phase One. 2003. URL: https://ehea.info/media.ehea.info/file/Tuning_project/92/5/Tuning-Phase1-Final-Report_ 575925.pdf (date of access: 20.04.2025).
35. CEN. EN 16234-1:2019. e-Competence Framework (e-CF) — A Common European Framework for ICT Professionals in all Sectors — Part 1: Framework. 2019. URL: https://standards.cencenelec.eu/dyn/www/f?p=205:110:0::::FSP_PROJECT:67073&cs=15E62ED24D608A5F10D6BEE8E6D50FA10 (date of access: 20.04.2025).
36. CEN. EN 17748-1:2022. Foundational Body of Knowledge for the ICT Profession (ICT BoK) — Part 1: Body of Knowledge. 2022 URL:https://standards.cencenelec.eu/dyn/www/f?p=205:110:0::::FSP_PROJECT:71369&cs=1C8337CE362C20D0C56CB36396F55FFEF(date of access: 20.04.2025).
37. CEN. CEN/TS 17834:2022. European Professional Ethics Framework for the ICT Profession (EU ICT Ethics). 2022. URL: https://standards.cencenelec.eu/dyn/www/ f?p=205:110:0::::FSP_PROJECT:72945&cs=143808EC8056B6A9CF985184835B6F7A9 (date of access: 20.04.2025).
38. CEN. CWA 16458-1:2018. European ICT Professional Role Profiles version 2 — Part 1 Full Descriptions. 2018. URL: https://www.cencenelec.eu/media/CEN-CENELEC/ AreasOfWork/CEN%20sectors/Digital%20Society/CWA%20Download%20Area/ICT_ SkillsWS/16458-1.pdf (date of access: 20.04.2025).
39. CEN. CEN/TS 17699:2022. Guidelines for Developing ICT Professional Curricula as Scoped by EN 16234-1 (e-CF). 2022. URL: https://standards.cencenelec.eu/dyn/www/f?p=205:110:0::::FSP_PROJECT:72363&cs=1825944F2586B5DDEE73CE814B769E7AD (date of access: 20.04.2025).
40. Tempus ALIGN Project. Сайт проєкту [Електронний ресурс]. Режим доступу:  http://tempus.univ.kiev.ua/align (date of access: 20.04.2025).
41. Reif, J., Stegeman, J., Sanoja, D. The Developer’s Guide: How to Build a Knowledge Graph. Whitepaper. Neo4j, Inc., 2021. URL: https://neo4j.com/whitepapers/developers-guide-how-to-build-knowledge-graph (date of access: 20.04.2025).
42. Stegeman, J. What Is a Knowledge Graph? 2024. URL: https://neo4j.com/blog/what-is-knowledge-graph (date of access: 20.04.2025).
43. Fettach, Y., Ghogho, M., Benatallah, B. Knowledge Graphs in Education and Employability: A Survey on Applications and Techniques. IEEE Access. 2022. Vol. 10. P. 80174–80183. DOI: https://doi.org/10.1109/ACCESS.2022.3194063(date of access: 20.04.2025).
44. Fettach, Y., Bahaj, A., Ghogho, M. JobEdKG: An Uncertain Knowledge Graph-Based Approach for Recommending Online Courses and Predicting In-Demand Skills Based on Career Choices. Engineering Applications of Artificial Intelligence. 2024. Vol. 131. Artic­le No. 107779. DOI: https://doi.org/10.1016/j.engappai.2023.107779 (date of access: 20.04.2025).
45. Кабінет Міністрів України. Перелік галузей знань та спеціальностей вищої освіти: Постанова від 29 квітня 2015 р. № 266 [Електронний ресурс]. Режим доступу: https://zakon.rada.gov.ua/laws/show/266-2015-%D0%BF#n11 (дата доступу: 20.04.2025).
46. Міністерство освіти і науки України. Стандарт вищої освіти України першого (ба­калаврського) рівня ступеня «бакалавр» за галуззю знань 12 «Інформаційні тех­нології» спеціальністю 122 «Комп’ютерні науки» [Електронний ресурс]. 2019. Режим доступу: https://mon.gov.ua/static-objects/mon/sites/1/vishcha-osvita/zatverdzeni%20standarty/2019/07/12/122-kompyut.nauk.bakalavr-1.pdf (дата доступу: 20.04.2025).
47. Міністерство економіки України. Національний класифікатор професій України ДК 003:2010[Електронний ресурс]. Режим доступу: https://hrliga.com/docs/KP-2010_zpz13.htm (дата доступу: 20.04.2025).
48. Адміністрація Державної служби спеціального зв’язку та захисту інформації Украї­ни. Професійний стандарт «Адміністратор мереж і систем» [Електронний ресурс]. 2022. Режим доступу:https://register.nqa.gov.ua/uploads/0/434-profesijnij_standart_administrator_merez_i_sistem.pdf(дата доступу: 20.04.2025).
49. DB-Engines. DB-Engines Ranking of Graph DBMS. 2025. URL: https://db-engines.com/en/ranking/graph+dbms (date of access: 20.04.2025).
50. Zinovieva, I., Sytnyk, N., Denisova, O., Artemchuk, V. Support for the Development of Educational Programs with Graph Database Technology. In: Semenov, A., Yepifanova, I., Kajanová, J. (eds) Data-Centric Business and Applications. Lecture Notes on Data Engineering and Communications Technologies. Springer, Cham, 2024. Vol. 195. DOI: https://doi.org/10.1007/978-3-031-47992-1_3 (date of access: 20.04.2025).

Повний текст: PDF

Д.П. Сінько ¹, аспірант, К.Д. Сінько ^2
1 Інститут проблем моделювання в енергетиці
ім. Г.Є. Пухова НАН України
Україна, 03164, Київ, вул. Генерала Наумова, 15
тел. (050) 4241063; e-mail: Ця електронна адреса захищена від спам-ботів. Вам необхідно увімкнути JavaScript, щоб побачити її.;
² Національний технічний університет України
«Київський політехнічний інститут ім. Ігоря Сікорського»,
Україна, 03056, Київ, пр-т Берестейський, 37
тел. (044) 2049494; e-mail: Ця електронна адреса захищена від спам-ботів. Вам необхідно увімкнути JavaScript, щоб побачити її.

Èlektron. model. 2025, 47(6):58-68

https://doi.org/10.15407/emodel.47.06.058

АНОТАЦІЯ

Розглянуто варіант реалізації мовою програмування Python авторського підходу, який було запропоновано в роботі [1]. Аналіз результатів чисельного моделювання показав, що методи Random Forest та CatBoost демонструють найкращі результати в прогнозу­ванні факторів, що вказують на потенційне партиціювання кластеру. За результатами моделю­ван­ня зроблено висновки, що дозволяють архітекторам складних кластерних кі­бернетичних сис­тем взяти в якості робочого інструменту запропонований підхід з метою попередження ви­некнення критичного стану системи, пов'язаного з партиціюванням мережі.

КЛЮЧОВІ СЛОВА:

split brain problem, проблема розщеплення кластера (ПРК), парти­ціювання, алгоритми ML, кластер.

СПИСОК ЛІТЕРАТУРИ

1. Сінько, Д.П., Сінько, K.Д. Методи машинного навчання в задачах прогнозу фак­то­рів, що вказують на потенційне партиціювання кластеру. Електрон. моделювання. 2025. Т. 47, no. 1. P. 22—39. URL: https://doi.org/10.15407/emodel.47.01.022 [Дата звернення: 19.05.2025].
2. Bhuiyan S., Zheludkov M. Apache ignite book. Lulu Press, Inc., 2019. [Дата звернення: 04.01.2025].
3. Twu P., Egerstedt M., Martini S. Controllability of homogeneous single-leader networks. 49th IEEE conference on decision and control (CDC). Atlanta, GA, USA, 2010. P. 5869—5874. URL: https://doi.org/10.1109/CDC.2010.5718103. [Дата звернення: 20.04.2025].
4. Zhao M., Lin T., Mi F., Jaggi M., Schütze H. Masking as an efficient alternative to finetuning for pretrained language models. ArXiv. 2020. URL: https://doi.org/10.48550/arXiv.2004.12406. [Дата звернення: 02.05.2025].
5. Barabash O.V. Comparative analysis of the approximation of a probabilistic indicator of functional stability using Bernstein polynomials and feedforward neural networks. Connectivity. 2024. Т. 169, № 3. URL: https://doi.org/10.31673/2412-9070.2024.033237. [Дата звернення: 06.06.2025].
6. Sahai T., Speranzon A., Banaszuk A. Hearing the clusters in a graph: a distributed algorithm. Proceedings of the conference on decision and control. 2009. URL: https://doi.org/10.48550/arXiv.0911.4729. [Дата звернення: 25.04.2025].
7. Breiman L. Random forests. Machine learning. 2001. Т. 45. С. 5—32. URL: https://doi.org/10.1023/A:1010933404324. [Дата звернення: 09.01.2025].
8. He Z., Lin D., Lau T., Wu M. Gradient Boosting Machine: A Survey // ArXiv. — 2019. — URL: https://doi.org/10.48550/arXiv.1908.06951. [Дата звернення: 11.02.2025].
9. Hancock J.T., Khoshgoftaar T.M. CatBoost for big data: an interdisciplinary review. Journal of big data. 2020. Vol. 7. P. 94. URL: https://doi.org/10.1186/s40537-020-00369-8. [Дата звернення: 03.02.2025].
10. PSnik-Kostiantyn. SplitBrainDetector. 2025. https://github.com/PSnik-Kostiantyn/SplitBrainDetector [Дата звернення: 20.06.2025].

Повний текст: PDF