Публикация научных работ

ПРОГНОЗИРОВАНИЕ СТАТИСТИЧЕСКИХ ДАННЫХ АТАК НА ПРИКЛАДНОЕ ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ

Ларионов К.О.

Email: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Ларионов Константин Олегович – аспирант,  кафедра вычислительной техники и защиты информации, Оренбургский государственный университет, г. Оренбург

Аннотация: в статье описывается метод прогнозирования статистических данных атак на прикладное программное обеспечение. Актуальность разработки метода обуславливается тем, что в работе применяется метод прогнозирования сезонных рядов количества атак на прикладное программное обеспечение. В качестве достоинств работы стоит отметить использование метода прогнозирования полигармоническим полиномом узкоспециализированных сезонных рядов, возможность гибко настраивать модель под конкретный ряд в зависимости от внешних условий, где находятся собранные статистические данные, ошибка при построении прогноза составила 12.33%.

Ключевые слова: защита, система, информация, программное обеспечение, нефтегазовое оборудование, анализ, методы защиты, прогнозирование, метод, полигармонический полином, сезонность.

FORECASTING ATTACK STATISTICS ON APPLIED SOFTWARE

Larionov K.O.

Larionov Konstantin Olegovich – Postgraduate, DEPARTMENT OF COMPUTING AND INFORMATION SECURITY, ORENBURG STATE UNIVERSITY, ORENBURG

Abstract: the article describes a method for predicting statistical data of attacks on applied software. The relevance of the development of the method is due to the fact that the method for predicting the seasonal series of the number of attacks on applied software is used in the work. As the advantages of the work, it is worth noting the use of the polyharmonic polynomial forecasting method for highly specialized seasonal series, the ability to flexibly adjust the model for a specific series, depending on the external conditions where the collected statistical data are located, the error in forecasting was 12.33%.

Keywords: protection, system, information, software, oil and gas equipment, analysis, protection methods, forecasting, method, polyharmonic polynomial, seasonality.

Список литературы / References

• Гулов В.П. Алгоритм прогнозирования вероятности реализации угроз несанкционированного доступа к информации технологических медицинских информационных систем / Гулов Владимир Павлович, Скрыпников А.В., Хвостов В.А., Пелешенко Е.И. Воронеж: Издательство: Printing house "Maestro", С. 31-35.
• Десницкий В.А. Модель защиты программного обеспечения на основе механизма "удаленного доверия" / Десницкий В.А., Котенко И.В. Санкт-Петербург: Издательство: Министерство науки и высшего образования РФ (Санкт-Петербург), 2008. С. 26-31.
• Жигулин Г.П. Мониторинг ресурсов и прогнозирования поля угроз системы защиты информации. Санкт-Петербург: Издательство: Федеральное государственное казенное военное образовательное учреждение высшего образования "Краснодарское высшее военное училище имени генерала армии С.М. Штеменко" Министерства обороны Российской Федерации (Краснодар), 2010. С. 78-87.
• Лебедев С.С. Разработка методов и средств комплексной оценки качества систем защиты программного обеспечения. Москва: Издательство: Московский автомобильно-дорожный государственный технический университет (МАДИ) (Москва), 2007. С. 84-89.
• Соловьев С.В. Применение экспертных методов при прогнозировании угроз безопасности информации с использованием баз данных уязвимостей / Соловьев С.В., Мамута В.В. Воронеж. Издательство: Воронежский государственный технический университет (Воронеж), 2014. С. 460-463.
• Mlynarczyk M. Аnalysis and si promien - comparison of the functionality of the software for the assessment of contamination / Mlynarczyk M., Maciejewski P., Szerszen M. Варшава: Издательство: Centrum Naukowo-Badawcze Ochrony Przeciwpozarowej im. Jozefa Tuliszkowskiego - Panstwowy Instytut Badawczy (Юзефув), С. 133-138.

Ссылка для цитирования данной статьи

		Тип лицензии на данную статью – CC BY 4.0. Это значит, что Вы можете свободно цитировать данную статью на любом носителе и в любом формате при указании авторства.
Ларионов К.О. ПРОГНОЗИРОВАНИЕ СТАТИСТИЧЕСКИХ ДАННЫХ АТАК НА ПРИКЛАДНОЕ ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ // Проблемы современной науки и образования  № 6 (163), 2021. - С. {см. журнал}.

КОМПЛЕКСНЫЕ АЛГОРИТМЫ КЛАССИФИКАЦИИ ВИЗУАЛЬНЫХ ОБЪЕКТОВ НА БАЗЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ

Мостовщиков Д.Н., Могилатов Р.К., Бабкин О.В.

Email: MostovshchikovАдрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Мостовщиков Дмитрий Николаевич – старший системный архитектор,

Li9, Inc., г. Феникс;

Могилатов Роман Константинович - технический руководитель,

Python SoftServe Inc., г. Роли;

Бабкин Олег Вячеславович – старший системный архитектор,

Li9, Inc., г. Феникс,

Соединенные Штаты Америки

Аннотация: проведен анализ современных подходов, применяемых при построении программных и нейросетевых алгоритмов выделения и классификации визуальных объектов в массивах графических данных. Указана необходимость комплексного подхода при организации систем машинного анализа изображения. Предложена комплексная схема машинного анализа, которая включает себе этапы предварительной обработки входных данных (операции восстановления изображения, настройки параметров, сегментации) и работы с визуальными объектами (выделение визуального объекта, определение признаков, классификация). Методика оптимизации алгоритмов машинного анализа базируется на математическом моделировании процессов регистрации и обработки изображения, а также построении целевых функций путем формализации требований, указанных при постановке конкретной задачи по работе с графическими данными. Таким образом, в рамках исследования, проблема оптимизации решается через определения глобальных экстремумов целевых функций, которые являются показателями эффективности выделения и классификации визуальных объектов.

Ключевые слова: графические данные, машинный анализ, визуальный объект, программные алгоритмы, нейросетевые алгоритмы, предварительная обработка изображения, целевые функции. 

COMPLEX ALGORITHMS FOR THE CLASSIFICATION OF VISUAL OBJECTS BASED ON MACHINE LEARNING METHODS

Mostovshchikov D.N., Mogylatov R.K., Babkin O.V.

Mostovshchikov Dmitrii Nikolaevich – Senior Systems Architect

LI9, INC., PHOENIX;

Mogylatov Roman Kostyantynovych – Technical Leader,

PYTHON SOFTSERVE INC., RALEIGH;

Babkin Oleg Vyacheslavovich – Senior Systems Architect,

LI9 INC., PHOENIX,

UNITED STATES OF AMERICA

Abstract: the analysis of modern approaches used in the construction of software and neural network algorithms for the selection and classification of visual objects in graphical data arrays is carried out. The need for an integrated approach to the organization of systems for machine image analysis is indicated. A complex scheme of machine analysis is proposed, which includes the stages of preliminary processing of input data (image restoration operations, setting parameters, segmentation) and working with visual objects (highlighting a visual object, determining features, classification). The optimization technique for machine analysis algorithms is based on mathematical modeling of the registration and image processing processes, as well as the construction of target functions by formalizing the requirements specified in the formulation of a specific task for working with graphic data. Thus, within the framework of the study, the optimization problem is solved through the determination of the global extrema of the objective functions, which are indicators of the efficiency of the selection and classification of visual objects.

Keywords: graphic data, machine analysis, visual object, software algorithms, neural network algorithms, image preprocessing, objective functions.

 Список литературы / References

• Zou J., Li Z. & Hong D. (2019). Super-Resolution Reconstruction of Images Based on Microarray Camera. Computers, Materials & Continua, 60 (1), 163-177. doi: 10.32604/cmc.2019.05795.
• Rowcliffe J.M., Carbone С., Jansen P.A., Kays R., Kranstauber В. (2011). Quantifying the sensitivity of camera traps: an adapted distance sampling approach. Methods in Ecology and Evolution. 2 (5). 464–476. doi: 10.1111/j.2041-210x.2011.00094.
• Bonneau J. (2020). Financial cryptography and data security: 24th international conference, Fc 2020, Kota Kinabalu, Malaysia, February 10-14, 2020: revised selected papers.
• Bracciali A., Clark J., Pintore F., Rønne P.B. & Sala M. (2020). Financial Cryptography and Data Security Fc 2019 International Workshops, Voting and Wtsc, St. Kitts, St. Kitts and Nevis, February 18-22, 2019, Revised Selected Papers. Springer International Publishing.
• Metheny M. (2013). Security and Privacy in Public Cloud Computing. Federal Cloud Computing, 71-102. doi:10.1016/b978-1-59-749737-4.00004-6.
• Cheng P. & Qu H. (2014). Design and Realization Based on Cloud Stack Hybrid Cloud Computing Platform. Advanced Materials Research, 989-994, 2297-2300.
• Seelamantula C.S. & Blu T. (2015). Image denoising in multiplicative noise. 2015 IEEE International Conference on Image Processing (ICIP). doi:10.1109/icip.2015.7351056.
• Hou J., Tian J. & Liu J. (2005). Spatial image filtering based on wavelet thresholding denoising. MIPPR 2005: Image Analysis Techniques. doi:10.1117/12.652332.
• Zhang C., Liu W. & Xing W. (2018). Color image enhancement based on local spatial homomorphic filtering and gradient domain variance guided image filtering. Journal of Electronic Imaging, 27(06), 1. doi:10.1117/1.jei.27.6.063026.
• Huang C. & Nguyen M. (2019). X-Ray Enhancement Based on Component Attenuation, Contrast Adjustment, and Image Fusion. IEEE Transactions on Image Processing, 28(1), 127-141. doi:10.1109/tip.2018.2865637.
• Petro A. & Sbert C. (2013). Selective Contrast Adjustment by Poisson Equation. Image Processing On Line, 3, 208-222. doi:10.5201/ipol.2013.41.
• Karim T. & Tasneem T. (2014). Analytical Adjustment of Image Contrast. International Journal of Computer Applications, 98(20), 44-49. doi:10.5120/17303-7794.
• Bajla I., Soukup D. & Stolc S. (2011). Occluded Image Object Recognition using Localized Nonnegative Matrix Factorization Methods. Object Recognition. doi:10.5772/14124.
• Han S. & Vasconcelos N. (2006). Image Compression using Object-Based Regions of Interest. 2006 International Conference on Image Processing. doi:10.1109/icip.2006.313095.
• Adam B., Zaman F., Yassin I., Abidin H. & Rizman Z. (2018). Performance evaluation of faster R-CNN on GPU for object detection. Journal of Fundamental and Applied Sciences, 9 (3S), 909.
• Shiga M., Muto S. (2019). Non-negative Matrix Factorization and Its Extensions for Spectral Image Data Analysis. E-Journal of Surface Science and Nanotechnology. 17 (1). 148-154. doi:10.1380/ejssnt.2019.148.
• Azawi N., Gauch J. (2019). Ransac Based Motion Compensated Restoration for Colonoscopy Images. Signal & Image Processing: An International Journal. 10 (4). 9-16. doi:10.5121/sipij.2019.10402.
• Viola Р. and Jones M.J. «Robust real-time face detection», International Journal of Computer Vision. Vol. 57, № 2, 2004. Р 137–154.
• Wang X., Ma H. & Chen X. (2016). Salient object detection via fast R-CNN and low-level cues. 2016 IEEE International Conference on Image Processing (ICIP).
• Alorf A.A. (2016). Performance evaluation of the PCA versus improved PCA (IPCA) in image compression, and in face detection and recognition. 2016 Future Technologies Conference (FTC). doi:10.1109/ftc.2016.7821659.
• Gnouma M., Ladjailia A., Ejbali R., Zaied M. (2018). Stacked sparse autoencoder and history of binary motion image for human activity recognition. Multimedia Tools and Applications, 78 (2), 2157-2179. doi:10.1007/s11042-018-6273-1.
• Qi X., Silvestrov S., Nazir T. (2017). Data classification with support vector machine and generalized support vector machine. doi:10.1063/1.4972718.
• Ren Y., Tang L. (2019). A nonconvex and nonsmooth anisotropic total variation model for image noise and blur removal. Multimedia Tools and Applications, 79 (1-2), 1445-1473. doi:10.1007/s11042-019-08179-8.
• Vincent L. & Heijmans H. (2018). Graph Morphology in Image Analysis. Mathematical Morphology in Image Processing, 170-203. doi:10.1201/9781482277234-6.
• Roerdink J.B. (2018). Mathematical Morphology with Noncommutative Symmetry Groups. Mathematical Morphology in Image Processing, 205-254. doi:10.1201/9781482277234-7.
• Liu K., Lu B., Wei Y. (2013). Better image texture recognition based on SVM classification. MIPPR 2013: Pattern Recognition and Computer Vision. doi:10.1117/12.2031539.
• Budiman A., Fanany M.I. & Basaruddin C. (2014). Stacked Denoising Autoencoder for feature representation learning in pose-based action recognition. 2014 IEEE 3rd Global Conference on Consumer Electronics (GCCE). doi:10.1109/gcce.2014.7031302.
• Liang J., & Liu R. (2015). Stacked denoising autoencoder and dropout together to prevent overfitting in deep neural network. 2015 8th International Congress on Image and Signal Processing (CISP). doi:10.1109/cisp.2015.7407967.
• Menezes J., Poojary N. (2019). Hyperspectral image Data Classification with Refined Spectral-Spatial features based on Stacked Autoencoder approach. Recent Patents on Engineering, 13. doi: 10.2174/187221211366619091114 1616.
• Sercu T. & Goel V. (2016). Advances in Very Deep Convolutional Neural Networks for LVCSR. Interspeech 2016. doi:10.21437/interspeech.2016-1033.
• Zhang Z., Gong C., Liu R. (2017). Face Detection Based on Method Combined RVM and SVM. Computer Science and Artificial Intell doi:10.1142/9789813220294_0058.
• Ganakwar D.G., Kadam V.K. (2019). Face Detection Using Boosted Cascade of Simple Feature. 2019 International Conference on Recent Advances in Energy-efficient Computing and Communication (ICRAECC). doi:10.1109/icraecc43874.2019.8994977.

Ссылка для цитирования данной статьи

		Тип лицензии на данную статью – CC BY 4.0. Это значит, что Вы можете свободно цитировать данную статью на любом носителе и в любом формате при указании авторства.
Мостовщиков Д.Н., Могилатов Р.К., Бабкин О.В. КОМПЛЕКСНЫЕ АЛГОРИТМЫ КЛАССИФИКАЦИИ ВИЗУАЛЬНЫХ ОБЪЕКТОВ НА БАЗЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ // Проблемы современной науки и образования  № 6 (163), 2021. - С. {см. журнал}.

ПЕРСПЕКТИВЫ РАЗВИТИЯ МЕЖХОЗЯЙСТВЕННЫХ СЕЛЬСКИХ АВТОМОБИЛЬНЫХ ДОРОГ РЕСПУБЛИКИ УЗБЕКИСТАН

Салимова Б.Д., Худайкулов Р.М.

Email: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Салимова Барно Джамаловна – кандидат технических наук, доцент;

Худайкулов Рашидбек Мансуржонович – доктор философии в области технических наук, доцент,

кафедра изысканий и проектирования автомобильных дорог,

Ташкентский государственный транспортный университет,

г. Ташкент, Республика Узбекистан

Аннотация: в статье рассмотрена роль и перспективы развития транспортной инфраструктуры для агропромышленного комплекса Республики Узбекистан. Обозначена актуальная проблема недостаточно интенсивного развития дорожной сети, что в свою очередь сдерживает темпы социально-экономического развития сельского хозяйства. В статье намечены пути совершенствования строительства межхозяйственных сельских автомобильных дорог. Отмечена необходимость совершенствования норм и правил планирования, строительства и ремонта дорог сельскохозяйственного назначения.

Ключевые слова: дорожное полотно, межхозяйственные автомобильные дороги, сельское хозяйство, транспорт.

PROSPECTS FOR THE DEVELOPMENT OF INTER-FARM RURAL HIGHWAYS IN THE REPUBLIC OF UZBEKISTAN

Salimova B.D., Hudaykulov R.M.

Salimova Barno Djamalovna – PhD in Engineering, Associate Professor;

Hudaykulov Rashidbek Mansurzhonovich – PhD in Engineering, Associate Professor,

EXPLORATION AND AUTOMOBILE ROAD DESIGNING DEPARTMENT,

TASHKENT STATE TRANSPORT UNIVERSITY,

TASHKENT, REPUBLIC OF UZBEKISTAN

Abstract: the article examines the role and prospects for the development of transport infrastructure for the agro-industrial complex of the Republic of Uzbekistan. The urgent problem of insufficiently intensive development of the road network is outlined, which in turn hinders the pace of socio-economic development of agriculture. The article outlines the ways to improve the construction of inter-farm rural highways. The need to improve the norms and rules of planning, construction and repair of agricultural roads is noted.

Keywords: roadbed, inter-farm highways, agriculture, transport

Список литературы / References

• Постановление Кабинета Министров Республики Узбекистан «О мерах по дальнейшему развитию инфраструктуры автомобильных дорог и совершенствованию системы организации дорожного движения» №584 от 26.07.2018 // Национальная база данных законодательства, 27.07.2018 г., № 09/18/584/1590.
• Громов Е.Ф. Совершенствование транспортного обслуживания сельского хозяйства региона на основе оптимизации развития внутрихозяйственных дорог колхозов и совхозов тема диссертации и автореферата по ВАК РФ 08.00.05. Москва, 1984.
• Маркарян Т.А. Оптимизация строительства внутрихозяйственных автомобильных дорог сельскохозяйственного назначения / Т.А. Маркарян. Текст: непосредственный // Молодой ученый, 2017. № 14 (148). С. 101-104.
• Гасанов М.А., Омаров А.З. Проблемы и перспективы развития сельского дорожного строительства // Вопросы структуризации экономики, 2004. № 2.
• Салимова Б.Д., Худайкулов Р.М. Влияние климатических факторов на выбор типа дорожной одежды // Проблемы современной науки и образования, 2020. № 10 (155).

Ссылка для цитирования данной статьи

		Тип лицензии на данную статью – CC BY 4.0. Это значит, что Вы можете свободно цитировать данную статью на любом носителе и в любом формате при указании авторства.
Салимова Б.Д., Худайкулов Р.М. ПЕРСПЕКТИВЫ РАЗВИТИЯ МЕЖХОЗЯЙСТВЕННЫХ СЕЛЬСКИХ АВТОМОБИЛЬНЫХ ДОРОГ РЕСПУБЛИКИ УЗБЕКИСТАН // Проблемы современной науки и образования  № 5 (162), 2021. - С. {см. журнал}.

РАЗРАБОТКА ЭЛЕКТРОННОГО УЧЕБНО-МЕТОДИЧЕСКОГО КОМПЛЕКСА ДЛЯ ПРИМЕНЕНИЯ В ДИСТАНЦИОННОМ ОБУЧЕНИИ

Бондаренко А.И., Захаров Е.А.

Email: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Бондаренко Александр Игоревич – магистрант;

Захаров Евгений Александрович - кандидат технических наук, доцент,

кафедра технической эксплуатации и ремонта автомобилей,

Волгоградский государственный технический университет,

г. Волгоград

Аннотация: в статье представлен опыт разработки и применения электронного учебно-методического комплекса по изучению систем активной безопасности автомобилей по технической специальности на платформе модульной объектно-ориентированной системы дистанционного обучения Moodle. Проанализирована структура курса, особенности его внедрения и использования в процессе обучения. Рассмотрены достоинства осуществления системы контроля знаний при изучении методом тестирования. Предложены рекомендации по использованию ЭУМК в учебном процессе.

Ключевые слова: информационные образовательные ресурсы, информатизация высшего образования, дистанционное обучение, электронный учебно-методический комплекс.

DEVELOPMENT OF ELECTRONIC EDUCATIONAL-METHODOLOGICAL COMPLEX FOR APPLICATION IN DISTANCE LEARNING

Bondarenko A.I., Zakharov E.A.

Bondarenko Alexander Igorevich - Master's Student,

Zakharov Evgeny Alexandrovich - Candidate of Technical Sciences, Associate Professor,

DEPARTMENT OF TECHNICAL MAINTENANCE AND REPAIR OF AUTOMOBILES,

VOLGOGRAD STATE TECHNICAL UNIVERSITY,

VOLGOGRAD

Abstract: the article presents the experience of the development and application of an electronic educational and methodological complex for the study of active safety systems for vehicles in a technical specialty on the platform of a modular object-oriented distance learning system Moodle. The structure of the course, features of its implementation and use in the learning process are analyzed. The requirements for the content of modern EUMC are considered. Recommendations for the use of EUMK in the educational process are offered.

Keywords: information educational resources, informatization of higher education, distance learning, electronic educational and methodological complex.

Список литературы / References

• Васильев М.Д. Применение системы MOODLE в процессе формирования математической компетентности студентов технических направлений / М.Д. Васильев, Н.В. Васильева // Общество: социология, психология, педагогика, 2018. 12 (56). С. 234-239.
• Бондаренко А.И. Подходы к разработке электронного учебно-методического комплекса по технической дисциплине // Вестник науки и образования. № 7(110), 2021. C. 37-39.
• Кольева Н.С. Учебно-методический комплекс как фактор развития информационной компетентности обучающихся / Н.С. Кольева // Трибуна молодого ученого, 2009. № 4. С. 99-104.
• Осадчая Е.П., Осадчий В.В. Опыт внедрения автоматизированных учебно-методических комплексов в учебный процесс вуза / Открытое образование, 5(106). С. 68-73.

Ссылка для цитирования данной статьи

		Тип лицензии на данную статью – CC BY 4.0. Это значит, что Вы можете свободно цитировать данную статью на любом носителе и в любом формате при указании авторства.
Бондаренко А.И., Захаров Е.А. РАЗРАБОТКА ЭЛЕКТРОННОГО УЧЕБНО-МЕТОДИЧЕСКОГО КОМПЛЕКСА ДЛЯ ПРИМЕНЕНИЯ В ДИСТАНЦИОННОМ ОБУЧЕНИИ // Проблемы современной науки и образования  № 5 (162), 2021. - С. {см. журнал}.