Магістерські роботи (СП)
Постійне посилання зібрання
Переглянути
Перегляд Магістерські роботи (СП) за Ключові слова "004.67"
Зараз показуємо 1 - 8 з 8
Результатів на сторінці
Налаштування сортування
Документ Відкритий доступ Аналіз ризиків в задачах інформаційної безпеки(КПІ ім. Ігоря Сікорського, 2024) Северин, Максим Сергійович; Мухін, Вадим ЄвгенійовичРобота виконана на 103 сторінках, містить 34 ілюстрації, 24 таблиці, 1 додаток. При підготовці використовувалась література з 20 джерел. Актуальність теми. У сучасному світі, де зростає використання технологій та залежність від комп'ютерних систем, проблема кібербезпеки стає надзвичайно важливою. Забезпечення надійності та захищеності інформаційних систем від кіберзагроз є ключовим завданням. Магістерська дипломна робота присвячена аналізу ризиків у сфері кібербезпеки, що визначає її високу актуальність. У ній пропонується нова модель виявлення та прогнозування кіберзагроз. Цей внесок допоможе вдосконаленню стратегій виявлення та запобігання ризикам безпеки, що є дуже актуальним у будь-якій IT області. Мета та задачі дослідження. Метою даної магістерської дипломної роботи є розробка моделі та програмного забезпечення виявлення та прогнозування ризиків порушення захищеності комп’ютерної системи. Об’єкт досліджень. Існуючі моделі оцінки ризиків порушення захищеності комп’ютерної системи, набори даних для їх навчання та тестування, зокрема NSL-KDD датасет. Предмет досліджень. Створення моделі та програмного забезпечення виявлення та прогнозування ризиків порушення захищеності комп’ютеної системи. Використання існуючих даних для тренування та тестування моделі, тестування моделі на реальних даних. Методи досліджень. Для розробки алгоритму, представленого у даній магістерській дипломній роботі було використано алгоритми машинного навчання, методи обробки даних. Наукова новизна. Науковою новизною є розробка ансамблевої моделі (stacking), що ґрунтується на новій комбінації методів класифікації машинного навчання, їх параметрів, а також методів обробки даних. Цей підхід відрізняється від існуючих моделей поєднанням supervised алгоритмів в модель другого рівня для різностороннього аналізу даних. Причому кожна модель в стекі відповідає за виявлення конкретного класу загрози, що значно підсилює якість і надійність результатів. Потенційні застосування та практична цінність результатів дипломної роботи: 1. Системи виявлення вторгнень 2. Системи боротьби зі спамом 3. Засоби антивірусного захисту 4. Мережеві сканери Публікації 1. Аналіз ризиків в задачах інформаційної безпеки. / Северин М.С., Мухін В.Є.// Системні науки та інформатика: збірник доповідей ІІ науково-практичної конференції з нагоди 125-річчя КПІ ім. Ігоря Сікорського «Системні науки та інформатика», 4–8 грудня 2023 року, Київ. – К., НН ІПСА КПІ ім. Ігоря Сікорського, 2023. – с. 347-352.Документ Відкритий доступ Геолокація позицій об’єктів робочої карти за даними зображень БПЛА(КПІ ім. Ігоря Сікорського, 2024) Хом’як, Карина Віталіївна; Петренко, Анатолій ІвановичМагістерська дисертація: 238 с., 48 рис., 33 табл., 3 дод., 32 джерела. Об’єкт дослідження: інформаційні дані, отримані із знімків БПЛА Предмет дослідження: процес передання, збору геоінформації із зображень та її нанесення на робочу карту. Мета роботи: дослідження та створення системи передачі вилученої геоінформації, яка надає змогу аналізувати інформацію вищим військовим командуванням. Задачі дослідження: 1. Дослідити можливості використання даних із дронів у різних сферах. 2. Дослідити різні аналоги програм, що використовують у собі дані геолокації різних об'єктів та мету їх застосування. 3. Розробити мобільний додаток для передавання даних військовими. 4. Розробити комп'ютерний застосунок для зручного перегляду інформації вищим командуванням. 5. Оцінити отриманий результат, зробити порівняння та висновки. Актуальність: розробка програми, що забезпечить потреби країни, зважаючи на ситуацію та популярність використання БПЛА у військовій сфері. Результати роботи: розроблено проект, що складається з серверної частини, мобільного застосунку для передачі даних військовими та комп’ютерного додатку для аналізу інформації на робочій карті вищим військовим командуванням. Шляхи подальшого розвитку предмету дослідження: покращення наявної функціональності, розширення програми відповідно до нових вимог користувачів, впровадження високоаналітичних алгоритмів. Дана система має потенціал застосування у військових цілях для збору інформації та допоможе у розвідці та при прийнятті важливих військових рішень. Важливим аспектом є також постійне оновлення та вдосконалення системи, враховуючи швидкі зміни у сфері технологій та військових потреб.Документ Відкритий доступ Дослідження продуктивності мікросервісних архітектур через кешування даних(КПІ ім. Ігоря Сікорського, 2024) Хоміч, Ліна Ігорівна; Яременко, Вадим СергійовичМагістерська дисертація обсягом 86 сторінок, включає 9 ілюстрацій, 27 таблиць та використовує 16 джерел. Актуальність дослідження випливає з необхідності оптимізації продуктивності мікросервісних архітектур за допомогою ефективних стратегій кешування даних, у зв’язку з швидкозмінюючим інформаційним середовищем та стрімким розвитком мікросервісних архітектур і CDN мереж. Мета дослідження - систематичний аналіз та оптимізація продуктивності мікросервісних архітектур через впровадження ефективних стратегій кешування даних. Робота спрямована на визначення та порівняння стратегій кешування в розподіленій системі та розроблення об'єктивного методу їх вимірювання. Предмет дослідження - продуктивність мікросервісних архітектур, зокрема, ефективність стратегій кешування даних в їхньому функціонуванні. Об'єктом дослідження визначаються мікросервісні архітектури, які використовуються у розподілених системах. Наукова новизна дослідження полягає в комплексному аналізі та оцінці впливу стратегій кешування на продуктивність мікросервісних архітектур у контексті CDN-мережі. Результати дослідження дозволяють виявити оптимальні стратегії кешування, сприяючи підвищенню ефективності функціонування мікросервісів у розподілених системах. Апробація результатів проводилася під час ІІ Всеукраїнської науково-практичної конференції "Системні науки та інформатика" з нагоди 125-річчя КПІ ім. Ігоря Сікорського.Документ Відкритий доступ Методика редукції обсягу інформації в системах обробки великих даних(КПІ ім. Ігоря Сікорського, 2024) Дзиговський, Владислав Ігорович; Рогоза, Валерій СтаніславовичРобота виконана на 97 сторінках, містить 58 ілюстрацій, 22 таблиць. При підготовці використовувалась література з 28 джерел. Актуальність теми. Актуальність запропонованих методів виникає із необхідності ефективної редукції обсягу інформації в системах обробки великих даних. В сучасному світі об'єми інформації швидко зростають, і важливо мати засоби для точного відбору, стиснення та аналізу цих даних. Ці методики мають значення як у сферах бізнесу, де необхідно оптимізувати ресурси та приймати рішення на основі обмеженого обсягу інформації, так і у наукових дослідженнях, де зменшення шуму та видалення надлишкових даних дозволяють виявити суттєві зв'язки. Ці методи можуть знайти своє застосування у багатьох галузях, сприяючи оптимізації ресурсів та поліпшенню аналізу даних. Мета та задачі дослідження. Метою даної магістерської дисертації є дослідження методів редукції у задачах побудови рекомендаційних систем, кластеризації текстових документів, кодуванні та декодуванні зображень. Об’єкт досліджень. Основним об'єктом дослідження є аналітичні методи обробки великих даних для їх застосування в побудові рекомендаційних систем, кластеризації текстових документів, кодуванні та декодуванні зображень. Предмет досліджень. Предметом досліджень є методи зниження розмірностей інформації. Методи досліджень. У роботі застосовувалися аналіз літературних джерел, порівняльний аналіз, моделювання, комп’ютерне моделювання. Наукова новизна. Наукова новизна роботи полягає у тому, що було проведено дослідження та аналіз роботи методів редукції у задачах побудови рекомендаційних систем, кластеризації текстових документів, кодуванні та декодуванні зображень. Було розроблено програмні реалізації для проведення дослідження. В результаті дослідження отримано графічні та чисельні дані робити методів редукції у кожній задачі. За результатами було проведено аналіз та побудована порівняльна характеристика роботи кожного методу у визначених задачах. Потенційні застосування та практична цінність результатів магістерської дисертації: 1. Покращення алгоритмів рекомендаційних систем при роботі з великими даними. 2. Розвиток пошуку спільних тем у наборі текстових документів через методи редукції. 3. Пошук нових способів кодування та декодування з використанням методів редукції. Публікації 1. Системні науки та інформатика: збірник доповідей ІІ науково-практичної конференції «Системні науки та інформатика», 4–8 грудня 2023 року, Київ. – К., НН ІПСА КПІ ім. Ігоря Сікорського, 2023. – с. 273-278.Документ Відкритий доступ Самонавчальні системи для розпізнавання людської діяльності(КПІ ім. Ігоря Сікорського, 2024) Цибін, Максим Дмитрович; Кислий, Роман ВолодимировичАктуальність теми магістерської дисертації полягає у тому, що розробка системи розпізнавання людської діяльності з використанням навчання з підкріпленням може сильно допомогти людям відстежувати свої показники коректно, та на основі отриманих даних отримувати актуальні рекомендації від лікарів або тренерів, наприклад якщо мова йде про спортивну чи побутову активність. Особливо це актуально для тих чия рухова поведінка може відрізнятися від загальноприйнятої, це можуть бути люди з певними вадами, або ті що знаходяться у процесі реабілітації після травм, операцій. Таким чином темою дослідження є покращення адаптивності систем розпізнавання людської діяльності(HAR) під конкретного користувача, враховуючи його особливості рухів та зміни рухової поведінки з часом за допомогою методів Reinforcement Learning. Мета та задачі дослідження. Метою цього дослідження є дослідити та покращити адаптивність систем розпізнавання людської діяльності(HAR) під конкретного користувача, враховуючи його особливості рухів та зміни рухової поведінки з часом за допомогою методів Reinforcement Learning. Для досягнення мети були поставлені такі задачі: 1) Аналіз методів та систем розпізнавання людської діяльності на основі сенсорів з особистих пристроїв. 2) Аналіз методів створення систем машинного навчання з використанням reinforcement learning. 3) Розробка власної системи з використанням навчання з підкріпленням для розпізнавання людської діяльності. 4) Аналіз роботи даної системи, визначення можливостей покращити її. Об’єкт дослідження: системи машинного навчання для розпізнавання людської діяльності з використанням навчання з підкріпленням. Предмет дослідження: системи машинного навчання для розпізнавання людської діяльності, що базуються на навчанні з підкріпленням, а також дані про активності людей та зворотній зв’язок, що використовується для навчання цих систем. Наукова новизна. Більшість з існуючих систем розпізнавання людської діяльності є закритими та не дозволяють вільно використовуватися та доповнюватися сторонніми розробниками. Також ці системи часто не коректно розпізнають людську діяльність і не адаптуються під конкретну людину, й навпаки можуть з часом деградувати. Перевагою нашої розробленої системи є сильна адаптивність під конкретного користувача, навіть якщо з часом його рухова поведінка змінюється, система підлаштовується автоматично, а також можливість доповнювати і покращувати систему та впроваджувати її у інші додатки. Також дуже нетиповим є використання навчання з підкріпленням для нашої задачі класифікації. Це є поштовхом для подальших досліджень і покращень таких систем. Приклади можливих застосувань та практичної цінності результатів магістерської роботи: 1) Розроблену систему можливо інтегрувати у мобільний додаток смартфону, або смарт годинника для розпізнавання спортивних та щоденних активностей. Також можна інтегрувати з медичними системами для аналізу показників. 2) Розроблена система гнучка, її можна доповнювати і покращувати для майбутніх наукових досліджень. 3) Є показовим результатом успішного застосування reinforcement learning у задачах класифікації. Публікація: 1. Самонавчальна система розпізнавання людської діяльності з використанням навчання з підкріпленням /Цибін М. Д., Кислий Р. В. // Системні науки та інформатика: збірник доповідей ІІ науково-практичної конференції «Системні науки та інформатика», 4–8 грудня 2023 року, Київ. – К., НН ІПСА КПІ ім. Ігоря Сікорського, 2023. – с. 382 - 387.Документ Відкритий доступ Сервіс ведення фінансової звітності для ФОП(КПІ ім. Ігоря Сікорського, 2023) Скрипник, Антон Володимирович; Булах, Богдан ВікторовичДокумент Відкритий доступ Хмарний сервіс для дистанційного догляду за пацієнтами(КПІ ім. Ігоря Сікорського, 2024) Редька, Максим Юрійович; Петренко, Анатолій ІвановичМагістерська дисертація: 89 с. 27 рис., 27 табл., 2 додатки, 7 джерел В сучасному світі, охопленому стрімким технологічним прогресом, питання забезпечення ефективного та доступного медичного догляду стає надзвичайно важливим. Здоров'я нації є однією з найважливіших складових соціального розвитку, і в цьому контексті дистанційний догляд за пацієнтами через хмарні сервіси визначається як ключовий аспект оптимізації медичних процесів. Об'єктом дослідження є розробка та впровадження хмарного сервісу для дистанційного моніторингу пацієнтів, що відкриває широкі можливості для управління медичними даними, сприяє зменшенню фізичних обмежень та підвищенню якості медичного обслуговування. Актуальність обраної теми визначається швидким розвитком телемедицини, де використання хмарних технологій може стати переломним моментом у покращенні доступності та ефективності медичної допомоги. Метою даної дисертаційної роботи є розробка макету хмарного сервісу для дистанційного догляду за пацієнтами, а також оцінка отриманих результатів з метою визначення його практичної застосовності та ефективності. У результаті дослідження буде представлено розроблений хмарний сервіс, а також проведена об'єктивна оцінка його функціональності та впливу на медичну практику. Здобуті результати сприятимуть визначенню шляхів подальшого розвитку та удосконалення системи, що в свою чергу сприятиме підвищенню якості та доступності медичних послуг.Документ Відкритий доступ Інформаційні системи з використанням високопродуктивної платформи з низькою затримкою для обробки потоків даних у реальному часі(КПІ ім. Ігоря Сікорського, 2024) Сіркович, Арсен Ігорович; Харченко, Костянтин ВасильовичМагістерська дисертація: 113 с., 55 рис., 13 табл., 0 дод., 32 джерел. Об’єкт цього дослідження полягає у розробці інформаційних систем, які забезпечують високу продуктивність і низьку затримку при обробці великих обсягів даних у реальному часі. Особлива увага приділяється вдосконаленню цих систем для забезпечення швидкої і точної обробки даних. Предметом дослідження є аналіз існуючих підходів та технологій для підвищення ефективності цих систем. Розглядаються різні методи та стратегії, які можуть допомогти в оптимізації обробки даних, зокрема зниження затримок і підвищення продуктивності. Головна мета роботи полягає в створенні практичних рішень, які допоможуть управляти великими потоками даних у різних сферах, включаючи фінанси, телекомунікації та медицину, ефективно та точно. У дослідженні використовується комбінований підхід, що включає як теоретичний аналіз, так і практичні експерименти, включаючи розробку і тестування прототипів систем для оцінки їх ефективності. Актуальність цієї роботи пояснюється стрімким розвитком технологій та зростанням обсягів даних, що ставить перед науковцями виклик знайти ефективні методи їх обробки. Очікується, що результати дослідження дозволять створити більш продуктивні інформаційні системи, які можуть швидко та точно обробляти великі обсяги даних, забезпечуючи необхідну інформацію в реальному часі. Подальший розвиток дослідження може включати адаптацію розроблених систем до змінюваних вимог галузі, а також інтеграцію з новими технологіями, що з'являються у майбутньому. Публікації: 1. Сіроквич А. І., Харченко К. В. Системні науки та інформатика: збірник доповідей ІІ науково-практичної конференції «Системні науки та інформатика», 4–8 грудня 2023 року, Київ. – К., НН ІПСА КПІ ім. Ігоря Сікорського, 2023. – 416 с., с. 357