Кафедра системного програмування і спеціалізованих комп'ютерних систем (СПСКС)

Постійне посилання на фонд

https://ela.kpi.ua/handle/123456789/913

Переглянути

Перегляд Кафедра системного програмування і спеціалізованих комп'ютерних систем (СПСКС) за Ключові слова "004.02"

Зараз показуємо 1 - 2 з 2
  • Ескіз
    ДокументВідкритий доступ
    Модифікований метод статичного аналізу коду для рішення задачі згортки рядкових констант
    (КПІ ім. Ігоря Сікорського, 2023) Касянчук, Дмитро Павлович; Марченко, Олександр Іванович
    Актуальність теми. Рядки широко використовуються в сучасних мовах програмування, зокрема у рядкових літералах для надання інформації користувачу, у програмах обробки текстів, у програмах, що використовують рефлексію тощо. Тому розробка спеціальних методів статичного аналізу для задачі згортки рядкових констант є актуальною і важливою задачею, як з наукової, так і з практичної точки зору. Об’єктом дослідження є процес згортки рядкових констант програми. Предметом дослідження є методи статичного аналізу для рішення задачі згортки рядкових констант. Мета роботи: прискорення процесу згортки рядкових констант програми; розробка більш швидкого методу чи модифікованого методу згортки рядкових констант програми. Наукова новизна полягає у наступному. 1. Вперше запропоновано модифікований метод згортки рядкових констант, який полягає у анотуванні пропагованих значень додатковою інформацією, аналіз якої дозволяє не здійснювати конкатенацію значень, які не можуть існувати разом під час реального виконання програми, відрізняється від існуючих використанням вкладеної хеш-таблиці в якості значень основної хеш-таблиці замість структури даних типу «множина» та модифікованої трансферної функції і дозволяє зменшити розмір проміжних результатів аналізу потоку даних, завдяки чому зменшується складність алгоритмів, що використовуються, тим самим покращуючи швидкість і точність згортки рядкових констант програми. 2. Вперше виконано порівняльний аналіз розробленого модифікованого методу із стандартним методом і показано ефективність запропонованого модифікованого методу. Практична цінність отриманих в роботі результатів полягає в тому, що запропонований модифікований метод дає змогу використати його у більшій кількості застосунків, ніж стандартний метод, в яких треба визначити повну множину рядків, що використовуються в програмі, але наявні методи не можуть бути ефективно використані через їх незадовільну швидкодію. Апробація роботи. Основні положення роботи були представлені у випуску №50 2023 року наукового фахового журналу «Комп'ютерно-інтегровані технології: освіта, наука, виробництво». Порівняльний аналіз розробленого методу з існуючими був представлений у випуску №152 2023 року науково дослідницького центру «InterConf». Структура та обсяг роботи. Магістерська дисертація складається з вступу, п'яти розділів та висновків. У вступі подано загальну характеристику роботи, зроблено оцінку сучасного стану проблеми, обґрунтовано актуальність напрямку досліджень, сформульовано мету і задачі досліджень. У першому розділі розглянуто існуючі методи для аналізу рядкових констант, їхні особливості, недоліки та переваги. У другому розділі розглянуто основні моделі статичного аналізу коду на яких базується запропонований метод. У третьому розділі розглянуто основні положення запропонованого методу. У четвертому розділі наведена програмна реалізація системи статичного аналізу коду, що базується на моделях описаних у другому розділі, а також реалізація аналізу згортки рядкових констант у мові Java на основі розробленого методу. У п'ятому розділі наведено опис системи для оцінки ефективності запропонованого методу на основі його програмної реалізації, а також здійснено порівняльний аналіз з існуючим методами аналізу рядкових констант. У висновках представлені результати проведеної роботи. Робота представлена на 91 аркушах, містить 3 додатки та посилання на список використаних літературних джерел.
  • Ескіз
    ДокументВідкритий доступ
    Способи розпаралелення алгоритмів класу Random Walk за допомогою фреймворків PyTorch та TensorFlow
    (КПІ ім. Ігоря Сікорського, 2021) Курдус, Анастасія Олександрівна; Марченко, Олександр Іванович
    Актуальність теми. У наш час random walks алгоритми доволі популярні і використовуються у багатьох сферах. За їх допомогою покращується точність отриманих результатів, а також швидкість роботи. Random walks алгоритми успішно застосовуються в різних областях інформатики, таких як collaborative filteringre, commender system, computer vision, network embedding, link prediction, semi-supervised learning, element distinctness. Такі алгоритми, як RWR та LRW є класичними алгоритмами групи алгоритмів random walks. Саме ці алгоритми найчастіше використовують в Computer Vision. Computer Vision - це міждисциплінарне поле, яке розглядає те, як можна створити комп'ютери, які можуть проводити стеження, виявлення та класифікацію об'єктів. Його завдання включає методи збору, обробки, аналізу та розуміння цифрових зображень та вилучення багатомірних даних із реального світу. Найбільш важливою та актуальною галуззю застосування Computer Vision є медицина. З використанням цієї технології отримують інформацію з відеоданих, аналізуючи яку, визначають діагноз пацієнта. Також технологія використовується в промисловості для виявлення дефектів кінцевого продукту. Тож, як видно з усього вищезазначеного, алгоритми групи random walks актуальні на сьогоднішній день і продовжують набирати популярність. Об’єктом дослідження є алгоритми RWR та LRW, які є класичними алгоритмами групи алгоритмів random walks та фреймворки TensorFlow та PyTorch . Предметом дослідження є алгоритми RWR та LRW, які є класичними алгоритмами групи алгоритмів random walks. Мета роботи: покращення алгоритмів RWR та LRW за допомогою використання фреймворків TensorFlow та PyTorch, а також розробка програмного забезпечення для реалізації та тестування алгоритмів. Методи дослідження. Метод оптимізації, експериментальний метод. Наукова новизна полягає в наступному: 1. Запропоновано нову реалізацію алгоритмів RWR та LRW, яка відрізняється від існуючих адаптацією під використання тензорних обчислень і створена на основі фреймворків TensorFlow та PyTorch. 2. Запропоновано спосіб ропаралелення алгоритмів RWR та LRW з використанням фреймворків TensorFlow та PyTorch. 3. Виконано порівняння ефективності роботи запропонованого алгоритму з існуючими рішеннями, наведено приклади, при яких цей алгоритм показує кращі та гірші результати в порівнянні з існуючими алгоритмами. Практична цінність отриманих в роботі результатів полягає в тому, що запропонований алгоритм дозволяє створювати швидкі програмні системи, в яких використовуються алгоритми RWR та LRW, за рахунок використання фреймворків TensorFlow та PyTorch. Апробація роботи. Основні положення і результати роботи були представлені на XIV науковій конференції «Прикладна математика та комп’ютинг» ПМК-2021 (Київ, 17-19 листопада 2021 р.) та на VІІІ Міжнародній науково-технічній Internet-конференції “Сучасні методи, інформаційне, програмне та технічне забезпечення систем керування організаційно-технічними та технологічними комплексами” (Київ, 25-26 листопада 2021 р.). Структура та обсяг роботи. Магістерська дисертація складається з вступу, чотирьох розділів та висновків. У вступі подано загальну характеристику роботи, зроблено оцінку сучасного стану проблеми, обґрунтовано актуальність напрямку досліджень, сформульовано мету і задачі досліджень, показано наукову новизну отриманих результатів і практичну цінність роботи. У першому розділі розглянуто основні принципи реалізації алгоритмів RWR та LRW , їхні особливості, недоліки та переваги. У другому розділі запропоновано метод прискорення RWR та LRW на основі використання фреймворків TensorFlow та PyTorch. У третьому розділі наведено особливості реалізації розробленої системи. У четвертому розділі представлено підходи до тестування системи в цілому та окремих модулів. У висновках представлені результати проведеної роботи. Робота представлена на 82 аркушах, містить посилання на список використаних літературних джерел.