<?xml version="1.0" encoding="UTF-8"?>
<feed xmlns="http://www.w3.org/2005/Atom" xmlns:dc="http://purl.org/dc/elements/1.1/">
  <title>DSpace Фонд:</title>
  <link rel="alternate" href="https://repository.hneu.edu.ua/handle/123456789/19807" />
  <subtitle />
  <id>https://repository.hneu.edu.ua/handle/123456789/19807</id>
  <updated>2026-07-12T18:05:08Z</updated>
  <dc:date>2026-07-12T18:05:08Z</dc:date>
  <entry>
    <title>Hybrid Rule-Based / Machine-Learning Autoscaler for Kubernetes: Reducing Resource Over-Provisioning on a Real Cluster</title>
    <link rel="alternate" href="https://repository.hneu.edu.ua/handle/123456789/41347" />
    <author>
      <name>Murzha D.</name>
    </author>
    <id>https://repository.hneu.edu.ua/handle/123456789/41347</id>
    <updated>2026-07-08T07:28:35Z</updated>
    <published>2026-01-01T00:00:00Z</published>
    <summary type="text">Назва: Hybrid Rule-Based / Machine-Learning Autoscaler for Kubernetes: Reducing Resource Over-Provisioning on a Real Cluster
Автори: Murzha D.
Короткий огляд (реферат): Resource allocation for microservice applications in Kubernetes is still handled, in most deployments, by reactive mechanisms. The Horizontal Pod Autoscaler (HPA) and extensions such as KEDA change the replica count only after a monitored metric has already crossed a fixed threshold, which in practice means over-provisioning under noisy load and a sluggish response when demand genuinely spikes. This paper presents HMRO (Hybrid Microservices Resource Optimizer), an autoscaler that pairs a deterministic rule-based engine with an ensemble of machine-learning load predictors whose influence on each decision is not fixed but adjusted continuously according to how accurate the predictors have recently been. HMRO was evaluated on a real Kubernetes cluster (Minikube) against the standard HPA across memory and combined CPU+memory workloads, each with three scenarios and ten iterations. HMRO reduced the average replica count (a direct proxy for over-provisioning) by 36–42% for memory (all p &lt; 0.05) and 20–28% for combined workloads (significant in two of three scenarios), while triggering a comparable number of scaling actions – that is, without losing responsiveness. A comparable reduction was observed for CPU-driven workloads in an earlier evaluation on a prior prototype version. An ablation study isolates the source of the saving: it comes primarily from the asymmetric rule engine, whereas the ML component adds proactivity rather than resource reduction.</summary>
    <dc:date>2026-01-01T00:00:00Z</dc:date>
  </entry>
  <entry>
    <title>Intelligent decision support systems in cybersecurity: from fuzzy logic to LLM agents</title>
    <link rel="alternate" href="https://repository.hneu.edu.ua/handle/123456789/41074" />
    <author>
      <name>Khavina I.</name>
    </author>
    <author>
      <name>Limarenko V.</name>
    </author>
    <author>
      <name>Hnusov Yu.</name>
    </author>
    <author>
      <name>Mozhayev O.</name>
    </author>
    <author>
      <name>Tsuranov M.</name>
    </author>
    <id>https://repository.hneu.edu.ua/handle/123456789/41074</id>
    <updated>2026-06-25T14:12:03Z</updated>
    <published>2026-01-01T00:00:00Z</published>
    <summary type="text">Назва: Intelligent decision support systems in cybersecurity: from fuzzy logic to LLM agents
Автори: Khavina I.; Limarenko V.; Hnusov Yu.; Mozhayev O.; Tsuranov M.
Короткий огляд (реферат): The monograph presents a holistic scientific concept of intelligent cybersecurity management at the enterprise level. The mathematical apparatus of hierarchical structuring of security parameters and strategic selection of protection systems using the analysis of hierarchies (AHI) method by T. Saati is highlighted. The development of decision support systems (DSS) based on the Mamdani fuzzy inference algorithm in the MATLAB environment is described in detail. Decentralized multi-agent systems built on the basis of the cooperative problem solving (CPS) model and optimized by auction algorithms for task distribution based on the “regret” criterion are considered. Special attention is paid to the integration of autonomous artificial intelligence agents and the development of corporate search-augmented generation (Agentic RAG) systems for proactive detection of zero-day threats and anomalous user behavior. The publication is intended for scientists, cybersecurity and information protection specialists, developers of intelligent systems, as well as graduate students and senior students in relevant specialties.</summary>
    <dc:date>2026-01-01T00:00:00Z</dc:date>
  </entry>
  <entry>
    <title>озробка інформаційної технології для інтерактивного врахування характеристик NURBS кривих</title>
    <link rel="alternate" href="https://repository.hneu.edu.ua/handle/123456789/41056" />
    <author>
      <name>Гавриленко В. В.</name>
    </author>
    <author>
      <name>Блиндарук А. О.</name>
    </author>
    <id>https://repository.hneu.edu.ua/handle/123456789/41056</id>
    <updated>2026-06-25T07:50:22Z</updated>
    <published>2023-01-01T00:00:00Z</published>
    <summary type="text">Назва: озробка інформаційної технології для інтерактивного врахування характеристик NURBS кривих
Автори: Гавриленко В. В.; Блиндарук А. О.
Короткий огляд (реферат): У статті розглянуто питання розробки інформаційної технології для інтерактивного врахування характеристик NURBS-кривих під час моделювання складних геометричних об’єктів. Проаналізовано особливості використання NURBS-технологій у сучасних системах комп’ютерного проектування та геометричного моделювання. Особливу увагу приділено характеристикам кривих, зокрема кривині, ваговим коефіцієнтам та керуючим вершинам, які впливають на форму й гладкість об’єктів. Запропоновано підхід до створення інформаційної системи з інтерактивним інтерфейсом користувача для модифікації параметрів NURBS-кривих у реальному часі та візуального контролю змін. Розглянуто перспективи використання NURBS-кривих різних порядків для моделювання складних геометричних форм. Отримані результати можуть бути використані в системах автоматизованого проектування, комп’ютерної графіки та геометричного моделювання.</summary>
    <dc:date>2023-01-01T00:00:00Z</dc:date>
  </entry>
  <entry>
    <title>Жадібний алгоритм для розміщення багатовимірних куль у кулі з мінімальним радіусом</title>
    <link rel="alternate" href="https://repository.hneu.edu.ua/handle/123456789/40973" />
    <author>
      <name>Веретельник К. О.</name>
    </author>
    <author>
      <name>Чугай А. М.</name>
    </author>
    <id>https://repository.hneu.edu.ua/handle/123456789/40973</id>
    <updated>2026-06-22T12:12:24Z</updated>
    <published>2026-01-01T00:00:00Z</published>
    <summary type="text">Назва: Жадібний алгоритм для розміщення багатовимірних куль у кулі з мінімальним радіусом
Автори: Веретельник К. О.; Чугай А. М.
Короткий огляд (реферат): У роботі розглядається задача розміщення куль у багатовимірному евклідовому просторі в кулі мінімального радіуса. Такі задачі виникають у геометричній оптимізації, аналізі високовимірних структур і застосовуються, зокрема, під час побудови багатовимірних кодових конфігурацій у задачах передавання й захисту інформації. Формально задача зводиться до пошуку конфігурації непретинних куль, що мінімізує радіус області, яка їх містить. Ця оптимізаційна задача належить до класу NP-складних, а її точний розв’язок у просторі високої розмірності потребує значних обчислювальних ресурсів. Для отримання швидких наближених рішень запропоновано жадібний алгоритм послідовного додавання куль. На кожному кроці нова куля розміщується якомога ближче до початку координат за умови дотримання геометричних обмежень, водночас уже розміщені елементи залишаються фіксованими. Такий підхід забезпечує низьку обчислювальну складність і дає змогу конструювати допустимі конфігурації у просторах великої розмірності. Проведені обчислювальні експерименти для різних розмірностей демонструють ефективність розробленого алгоритму та дають змогу оцінити щільність отриманих конфігурацій. Запропонований метод може використовуватися як стартовий етап перед застосуванням більш складних локальних або глобальних оптимізаційних алгоритмів.</summary>
    <dc:date>2026-01-01T00:00:00Z</dc:date>
  </entry>
</feed>

