О.Д. Глухов

Èlektron. model. 2024, 46(6):03-07

https://doi.org/10.15407/emodel.46.06.003

АНОТАЦІЯ

При вивченні структурних властивостей складних дискретних систем широко викорис­товується теорія графів. Таким чином, для оцінки здатності системи зберігати ті чи інші структурні властивості при порушенні зв'язків між її елементами важливим є вивчення різних типів зв'язності графа. Квазівипадкові графи є моделлю складних дискретних систем з випадковими порушеннями зв'язків між елементами системи. Розглянуто проб­лему оцінки ймовірності зв'язності в квазівипадкових графах. Введено поняття мульти­каркасу та полінома зв’язаного графа. Представлено нову оцінку зв’язності для квазіви­падкових графів на основі 3-реберно зв’язних графів.

КЛЮЧОВІ СЛОВА:

складна дискретна система, квазівипадковий граф, мультифрейм графа, поліном зв’язного графа.

СПИСОК ЛІТЕРАТУРИ

1. Frieze A, Karoński M. Introduction to Random Graphs. Cambridge University Press; 2024. P. 576.
2. Karoński M., Frieze A. Random Graphs and Networks: A First Course. Cambridge University Press, 2023. 220 p.
3. Glukhov, O., Korostil, Ju. (2004), Strukturna bezpeka skladnyh dyskretnyh system pry vypadkovyh vidmovah [Structural safety of complex discrete systems with random failu­res], Modelirovanie ta informaziyni tehnologii, IPME NANU, v. 27, Kyiv, p. 91-95.
4. Glukhov A.D. Kvazisluchaynie grafy I strukturnaya ustoychivost slozhnyh diskretnyh system// Elektronnoe modelirovanie, v. 38, № 5, 2016, р. 35-41.
5. Glukhov O.D. Teorema pro vypadkovi perestanovky ta deyaki yii zastosuvannya// Elektronnoe modelirovanie, v. 43, № 2, 2021, с. 29-36.
6. Diestel R. Graph Theory, Springer-Verlag, Heidelberg, Graduate Texts in Mathematics, v. 173, 2017. 428 p.

Повний текст: PDF

В.С. Рогоза, д-р техн. наук, Г.В. Іщенко
Національний технічний університет України
«Київський політехнічний інститут ім. Ігоря Сікорського»
Україна, 03056, Київ, пр-т Берестейський, 37
тел. +380674676553, e-mail: Ця електронна адреса захищена від спам-ботів. Вам необхідно увімкнути JavaScript, щоб побачити її.;
тел. +380677402774, e-mail: Ця електронна адреса захищена від спам-ботів. Вам необхідно увімкнути JavaScript, щоб побачити її.

Èlektron. model. 2024, 46(6):08-28

https://doi.org/10.15407/emodel.46.06.008

АНОТАЦІЯ

Інформаційний пошук у вебі, базах даних та інших джерелах текстових документів включає задачі, які вимагають аналізу відношень між документами і складовими елементами документів. Встановлення таких відношень дозволяє користувачам пошукових систем отримувати потрібні їм документи серед нескінченних джерел інформації за до­помогою лаконічних пошукових запитів, а також вибирати ефективні методи обробки знайдених документів для розв’язання різноманітних задач аналізу вмісту документів. Запропоновано класифікацію методів обробки текстових документів з використанням прямих та зворотних індексів, яка дозволяє узагальнювати властивості методів пошуку та обробки документів.

Наведено елементарні приклади застосування методів, що дозволяють читачеві швидко увійти в суть проблематики, яка обговорюється в статті, і краще зрозуміти принципи побудови цих методів та придатність їх для розв’язання конкретних задач інформаційного пошуку.

КЛЮЧОВІ СЛОВА:

інформаційний пошук, текстові документи, моделі прямої та зворотної індексації документів.

СПИСОК ЛІТЕРАТУРИ

1. Bard G. Spelling-error tolerant, order-independent pass-phrases via the Damerau–Leven­shtein string-edit distance metric. Proceedings of the fifth australasian symposium on ACSW frontiers: матеріали Міжнародної наукової конференції, Ballarat, 30 January — 2 February 2007. Darlinghurst, 2007. P. 117—124.
2. Levandowsky M., Winter D. Distance between sets. Nature. 1971. Vol. 234, no. 5. P. 34—35.
3. Big data. related technologies, challenges, and future prospects / C. Min et al. Springer, 2014. 100 p.
4. Amer-Yahia S., Lalmas M. XML search: languages, INEX and scoring. SIGMOD record. 2006. Vol. 35, no. 4. P. 16—23.
5. Zhang Z., Gentile A.L. and Ciravegna F. Recent advances in methods of lexical semantic relatedness — a survey. Natural Language Engineering, 2013.Vol. 19, no. 04, P. 411—479.
6. The description logic handbook / ed. by F. Baader et al. New York : Cambridge University Press, 2003. 574 p.
7. Goczyła K. Ontologie w systemach informatycznych. Warszawa : Akademicka Oficyna Wydawnicza EXIT, 2011. 310 p.
8. Martin P. Translations between RDF+OWL, N3, KIF, UML, FL, FCG and FE. WebKB home page. URL: http://www.webkb.org/doc/model/comparisons.html (date of access: 20.09.2024).
9. Leskovec J., Rajaraman A., Ullman J. Mining of Massive Datasets. New York : Cambridge University Press, 2014. 498 p.
10. Mander U. Finding similar files in a large file systems. USENIX conference: матеріали Міжнародної наукової конференції, San Francisco, 17—21 January 1994. San Francisco, USA, 1994. P. 1—10.
11. Павел. Триллион маленьких шинглов. Хабр. URL: https://habr.com/ru/companies/ antiplagiat/ articles/445952 (дата звернення: 20.09.2024).
12. Andoni A., Indyk P. Near-optimal hashing algorithms for approximate nearest neighbor in high dimensions. ACM. 2008. Vol. 51, no. 1. P. 117—122.
13. Min-wise independent permutations (extended abstract) / A.Z. Broder et al. The thirtieth annual ACM symposium: матеріали Міжнародної наукової конференції, Dallas, USA, 24—26 May 1998. P. 327—336.
14. Wooldridge M. An Introduction to multi-agent systems. John Wiley & Sons Ltd., 2009. 488
15. Hensinger M. Finding near-duplicate web pages: a large-scale evaluation of algorithms. 29th SIGIR conf.: матеріали Міжнародної наукової конференції, Seattle Washington, 6—11 August 2006. New York, USA, 2006. P. 284—291.
16. Gionis A., Indyk P., Motwani, R.R. Similarity search in high dimensions via hashing. int. conf. on very large databases: матеріали Міжнародної наукової конференції, San Francisco, USA, 7—10 September 1999. P. 518—529.
17. Deans J., Ghemawat S. Mapreduce: simplified data processing on large clusters. ACM. 2008. Vol. 51, no. 1. P. 107—113.
18. Manning C.D., Ragnavan P., Schütze H. Introduction to Informal Retrieval. New York : Cambridge University Press, 2008. 581 p.
19. Havelivala T.H. Topic-sensitive PageRank. 11th int. world-wide-web conference: матеріали Міжнародної наукової конференції, Honolulu Hawaii, 7—11 May 2002. New York, USA, 2002. P. 517—526.
20. Gyöngi Z., Garcia-Molina H., Pedersen J. Combating link spam with trust-rank. Proc. 30th intl. conf. on very large databases : матеріали Міжнародної наукової конференції, Toronto, 31 August — 3 September 2004. 2004. P. 576—587.

Повний текст: PDF

О.А. Кравчук, аспірант, В.Д. Самойлов, д-р техн. наук
Інститут проблем моделювання в енергетиці ім. Г.Є. Пухова НАН України
Україна, 03164, Київ, вул. Генерала Наумова, 15
тел. +380919693070, e-mail: Ця електронна адреса захищена від спам-ботів. Вам необхідно увімкнути JavaScript, щоб побачити її.

Èlektron. model. 2024, 46(6):29-42

https://doi.org/10.15407/emodel.46.06.029

АНОТАЦІЯ

Досліджено використання методів штучного інтелекту в ройових системах безпілотних літальних апаратів. Наведено основні алгоритми штучного інтелекту (ШІ), які забез­пе­чують адаптивну та інтелектуальну поведінку рою, а також проаналізовано їхнє застосу­вання в реальних сценаріях. Окрему увагу приділено поточним проблемам і обмежен­ням ройових систем, таким як масштабованість системи, надійність звʼязку, адаптація до динамічного середовища, тощо. Окреслено перспективні напрями розвитку алгоритмів на базі ШІ, спрямованих на підвищення ефективності, стійкості та живучості роїв.

КЛЮЧОВІ СЛОВА:

безпілотні літальні апарати, ройова система, рій безпілотних літальних апаратів, штучний інтелект.

СПИСОК ЛІТЕРАТУРИ

1. Beni G., Wang J. Swarm intelligence in cellular robotic systems. In robots and biological systems: Towards a new bionics? 1993. (pp. 703—712) Springer Berlin Heidelberg. URL: https://doi.org/10.1007/978-3-642-58069-7_38
2. Liu G., Van Huynh N., Du H. et al. Generative AI for unmanned vehicle swarms: challenges, applications and opportunities. arXiv, 2024. URL: http://arxiv.org/abs/2402.18062
3. Tan Y., Wang J., Liu J. Unmanned systems security: Models, challenges, and future directions. IEEE Network. Vol. 34, Issue 4. P. 291— URL: https://doi.org/10.1109/ MNET.001.1900546
4. McEnroe P., Wang S., Liyanage M. A survey on the convergence of edge computing and AI for uavs: opportunities and challenges. IEEE internet of things journal. 2022. P. 15435— URL: https://doi.org/10.1109/jiot.2022.3176400.
5. Ahmadzadeh A., Jadbabaie A., Kumar V. et al. Multi-UAV cooperative surveillance with spatio-temporal specifications. Proceedings of the 45th IEEE conference on decision and control, San Diego, CA, USA, 13—15 December 2006. 2006. 5293—5298. URL: https://doi.org/10.1109/CDC.2006.377157
6. Nigam N., Bieniawski S., Kroo I. et al. Control of multiple UAVs for persistent surveillance: algorithm and flight test results. IEEE transactions on control systems technology. 2012. Vol. 20, no. 5. P. 1236— URL: https://doi.org/10.1109/tcst.2011.2167331
7. Scherer J., Rinner B. Multi-UAV surveillance with minimum information idleness and latency constraints. IEEE robotics and automation letters. 2020. Vol. 5, no. 3. P. 4812— URL: https://doi.org/10.1109/lra.2020.3003884
8. Yan R., Pang S., Sun H. et al. Development and missions of unmanned surface vehicle. Journal of marine science and application. 2010. Vol. 9, no. 4. P. 451— URL: https://doi.org/10.1007/s11804-010-1033-2
9. Masoud A. A. Decentralized, self-organizing, potential field-based control for individually motivated, mobile agents in a cluttered environment: a vector-harmonic potential field approach. IEEE transactions on systems, man, and cybernetics — part A: systems and humans. Vol. 37, no. 3. P. 372—390. URL: https://doi.org/10.1109/TSMCA.2007.893483
10. Hu Y., Chen M., Saad W. et al. Distributed multi-agent meta learning for trajectory design in wireless drone networks. IEEE journal on selected areas in communications. 2021. Vol. 39, no. 10. P. 3177—3192. URL: https://doi.org/10.1109/jsac.2021.3088689
11. Ding Y., Yang Z., Pham Q.-V. et al. Distributed machine learning for UAV swarms: computing, sensing, and semantics. arXiv, 2023. URL: http://arxiv.org/abs/2301.00912
12. Konečný J., McMahan H.B., Yu F. X. et al. Federated learning: strategies for improving communication efficiency. arXiv, 2017. URL: http://arxiv.org/abs/1610.05492
13. Konečný J., McMahan H.B., Ramage D. et al. Federated optimization: distributed machine learning for on-device intelligence. arXiv, 2016. URL: http://arxiv.org/abs/1610.02527
14. Yang Q., Liu Y., Chen T. et al. Federated machine learning: concept and applications. Todayʼs AI still faces two major challenges. arXiv, 2019. URL: http://arxiv.org/abs/1902.04885
15. Niknam S., Dhillon H. S., Reed J. H. Federated learning for wireless communications: motivation, opportunities and challenges. arXiv, 2020. URL: http://arxiv.org/abs/1908.06847
16. Yang Z., Chen M., Wong K.-K. et al. Federated learning for 6G: applications, challenges, and opportunities. Engineering. 2022. Vol. 8. P. 33—41. URL: https://doi.org/10.1016/eng.2021.12.002
17. Federated learning: challenges, methods, and future directions / T. Li et al. IEEE signal processing magazine. 2020. Vol. 37, no. 3. P. 50—60. URL: https://doi.org/10.1109/msp.2975749
18. Fallah A., Mokhtari A., Ozdaglar A. Personalized federated learning with theoretical guarantees: a model-agnostic meta-learning approach. Advances in neural information processing systems (2020). Curran Associates, Inc., 2020. Pp. 3557—3568. URL: https://proceedings.cc/ paper_files/paper/2020/file/24389bfe4fe2eba8bf9aa9203a44cdad-Paper.pdf
19. Distributed learning in wireless networks: recent progress and future challenges / M. Chen et al. IEEE journal on selected areas in communications. 2021. Vol. 39, no. 12. P. 3579—3605. URL: https://doi.org/10.1109/jsac.2021.3118346
20. Teerapittayanon S., McDanel B., Kung H. T. Distributed deep neural networks over the cloud, the edge and end devices. 2017 IEEE 37th international conference on distributed computing systems (ICDCS), Atlanta, GA, USA, 5—8 June 2017. 2017. URL: https://doi.org/10.1109/icdcs.2017.226
21. Gupta O., Raskar R. Distributed learning of deep neural network over multiple agents. Journal of network and computer applications. 2018. Vol. 116. P. 1—8. URL: https://doi.org/10.1016/j.jnca.2018.05.003
22. Singh A., Vepakomma P., Gupta O. et al. Detailed comparison of communication efficiency of split learning and federated learning. arXiv, 2019. URL: http://arxiv.org/abs/ 09145.
23. Liu X., Deng Y., Mahmoodi T. A novel hybrid split and federated learning architecture in wireless UAV networks. ICC 2022 — IEEE international conference on communications, Seoul, Korea, Republic of, 16—20 May 2022. 2022. URL: https://doi.org/10.1109/ 2022.9838867.
24. Byrne M. The disruptive impacts of next generation generative artificial intelligence. CIN: computers, informatics, nursing. 2023. Vol. 41, no. 7. P. 479—481. URL: https://doi.org/10.1097/cin.0000000000001044.
25. Research on unmanned surface vehicles environment perception based on the fusion of vision and lidar / W. Zhang et al. IEEE access. 2021. Vol. 9. P. 63107—63121. URL: https://doi.org/10.1109/access.2021.3057863.
26. Zhang Z., Fu M. Research on unmanned system environment perception system methodology. Lecture notes in networks and systems. Cham, 2023. P. 219—233. URL: https://doi.org/10.1007/978-3-031-38082-2_17.
27. A latent encoder coupled generative adversarial network (LE-GAN) for efficient hyperspectral image super-resolution / Y. Shi et al. IEEE transactions on geoscience and remote sensing. 2022. P. 1. URL: https://doi.org/10.1109/tgrs.2022.3193441.
28. Co-Visual pattern-augmented generative transformer learning for automobile geo-localization / J. Zhao et al. Remote sensing. 2023. Vol. 15, no. 9. P. 2221. URL: https://doi.org/10.3390/rs15092221.
29. Ponnimbaduge Perera T. D., Jayakody D. N. K., Sharma S. K. et al. Simultaneous wireless information and power transfer (SWIPT): recent advances and future challenges. IEEE communications surveys & tutorials. Vol. 20, no 1. P. 264—302. URL: https://doi.org/1109/COMST.2017.2783901.
30. Wen W., Jia Y., Xia W. Federated learning in swipt-enabled micro-uav swarm networks: a joint design of scheduling and resource allocation. 2021 13th international conference on wireless communications and signal processing (WCSP), Changsha, China, 20—22 October 2021. 2021. URL: https://doi.org/10.1109/wcsp52459.2021.9613446.
31. Pan S. J., Yang Q. A survey on transfer learning. IEEE transactions on knowledge and data engineering. 2010. Vol. 22, no. 10. P. 1345—1359. URL: https://doi.org/10.1109/2009.191.
32. Hospedales T., Antoniou A., Micaelli P. et al. Meta-Learning in Neural Networks: A Survey. arXiv, 2020. URL: https://doi.org/10.48550/ARXIV.2004.05439.

Повний текст: PDF

В.Р. Герасимов, аспірант, В.В. Душеба, канд. техн. наук
Інститут проблем моделювання в енергетиці ім. Г.Є. Пухова НАН України
Україна, 03164, Київ, вул. Генерала Наумова, 15
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.

Èlektron. model. 2024, 46(6):43-54

https://doi.org/10.15407/emodel.46.06.043

АНОТАЦІЯ

Проведено глибокий аналіз сучасних методів оптимізації баз даних (БД) для підвищення їхньої продуктивності, надійності та масштабованості. Основну увагу приділено реля­ційним (Oracle, MySQL, PostgreSQL) та NoSQL базам (MongoDB, Redis, Cassandra), які широко використовуються для управління даними. Розглянуто ключові підходи до опти­мізації, включаючи проектування ефективних схем БД, нормалізацію та денормалізацію, використання індексів, кешування, шардінгу та реплікації. Окрема увага приділена важ­ливості вибору правильної системи управління БД відповідно до типу інформації та спе­цифіки запитів, що значно впливає на продуктивність. Проаналізовано методи опти­мі­зації SQL-запитів та клієнтських додатків для зменшення навантаження на сервер. Зроб­лено аналіз балансу між цілісністю даних і швидкістю доступу до них, що є кри­тичним для сучасних систем управління БД.

КЛЮЧОВІ СЛОВА:

оптимізація баз даних, нормалізація, денормалізація, шардінг, реплікація.

СПИСОК ЛІТЕРАТУРИ

1. DB-Engines Ranking. URL: https://db-engines.com/en/ranking (дата звернення: 09.2024)
2. Alotaibi O., Pardede E. Transformation of Schema from Relational Database (RDB) to NoSQL Databases // Data. 2019. Vol. 4, no. 4.
3. Dash D., Polyzotis N., Ailamaki A. CoPhy: A Scalable, Portable, and Interactive Index Advisor for Large Workloads // Proc. VLDB Endow. 2011. Vol. 4, no. 6. P. 362—372.
4. Kaizen: A Semi-Automatic IndexAdvisor / I. Jimenez, H. Sanchez, Q.T. Tran, N. Polyzotis // Proceedings of the 2012 ACM SIGMOD International Conference on Management of Data. SIGMOD ʼ12. 2012. P. 685—688.
5. Ankur S., Felix M. S., Jens D. The Case for Automatic Database Administration using Deep Reinforcement Learning. URL: https://www.researchgate.net/publication/322568144_ The_Case_for_Automatic_Database_Administration_using_Deep_Reinforcement_Learning (дата звернення 18.11.2024).
6. Chopade R., Pachghare V. MongoDB Indexing for Performance Improvement // ICT Systems and Sustainability. Advances in Intelligent Systems and Computing / Ed. by M. Tuba, S. Akashe, A. Joshi. Singapore: Springer, 2020. Vol. 1077. P. 338—347.
7. URL: https://github.com/Huawei-Hadoop/hindex. (дата звернення: 05.09.2024).
8. Aldibaja I., Suleiman A. Improving GDFS Web Cache Algorithm Using Semantic Similarity Measures // International Journal of Computer Science Trends and Technology. 2017. Vol. 5. 6—11.
9. Visual Evaluation of SQL Plan Cache Algorithms / J. Kossmann, M. Dreseler, T. Gasdaetal. // Databases Theory and Applications / Ed. by J. Wang, G. Cong, J. Chen, J. Qi. Berkeley, CA.: Springer, Cham, 2018. P. 350—353.
10. Michiardi P., Carra D., Migliorini S. Cache-Based Multi-Query Optimization for Data-Intensive Scalable Computing Frameworks // Information Systems Frontiers. 2021. Vol. 23. P. 35—51.

Повний текст: PDF