Коваленко, Анатолій ЄпіфановичОбідняк, Єгор Олександрович2026-09-082026-09-082026Обідняк, Є. О. Моделювання життєвого циклу взаємодії процесів на основі засобів штучного інтелекту : дипломна робота … бакалавра : 122 Комп'ютерні науки / Обідняк Єгор Олександрович. – Київ, 2026. – 87 с.https://ela.kpi.ua/handle/123456789/82876Дипломна робота: 86 с., 11 рис., 9 табл., 36 посилань Об'єкт дослідження – поведінка та взаємодія процесів операційної системи Linux. Предмет дослідження – методи та засоби моделювання нормального життєвого циклу та взаємодії процесів трансформерними і графовими нейронними мережами на основі eBPF-телеметрії. Мета роботи – розробка та дослідження дворівневої моделі нормального життєвого циклу та взаємодії процесів: часової моделі окремого процесу (MSM) і структурної моделі взаємодії між процесами (TG-VAE) на основі телеметрії системних викликів. Актуальність зумовлена масштабом сучасних систем, у яких ручне задання правил поведінки нездійсненне, та технологічною зрілістю eBPF і глибокого навчання, що вперше робить практичним моделювання поведінки й взаємодії процесів безпосередньо з даних. Результати роботи – реалізовано eBPF-агент збору системних викликів усіх процесів вузла та дві моделі, що навчаються лише на нормальній поведінці без розмітки. Модель MSM – двонаправлений трансформер BERT-типу – моделює життєвий цикл окремого процесу за послідовністю системних викликів. Модель TG-VAE – темпоральний варіаційний автоенкодер над динамічним графом взаємодій – моделює взаємодію між процесами насамперед усередині сервісу, а додатково й між сервісами. На даних реальної системи (≈6,6 млн подій) навчені представлення кодують тип процесу та сервісу (точність лінійного класифікатора 98,9 % і 100 %) і чутливі до часових та структурних відхилень, недосяжних для простих евристик.87 с.ukжиттєвий цикл процесувзаємодія процесівсистемні викликиebpfтрансформермасковане мовне моделюванняграфова нейронна мережаваріаційний автоенкодердинамічний графсамоконтрольоване навчанняprocess lifecycleprocess interactionsystem callsebpftransformermasked language modelinggraph neural networkvariational autoencoderdynamic graphself-supervised learningBachelor Thesis