DSpace Фонд: https://repository.hneu.edu.ua/handle/123456789/19807 Thu, 23 Apr 2026 14:51:30 GMT 2026-04-23T14:51:30Z Алгоритмічне забезпечення кіберстійкості автоматизованих систем видачі засобів індивідуального захисту https://repository.hneu.edu.ua/handle/123456789/39696 Назва: Алгоритмічне забезпечення кіберстійкості автоматизованих систем видачі засобів індивідуального захисту Автори: Крайнюк О. В.; Буц Ю. В.; Піксасов М. М.; Тютюник В. В.; Діденко Н. В. Короткий огляд (реферат): Мета роботи: забезпечення кіберстійкості та безперервності бізнес-процесу видачі ЗІЗ в умовах деструктивних кібервпливів шляхом розробки архітектурно-алгоритмічного забезпечення на базі технології периферійних обчислень. . Wed, 01 Jan 2025 00:00:00 GMT https://repository.hneu.edu.ua/handle/123456789/39696 2025-01-01T00:00:00Z Сценарне огнітивне моделювання впливу загроз на інформаційну безпеку об’єктів критичної інфраструктури в умовах запровадження правового режиму воєнного стану https://repository.hneu.edu.ua/handle/123456789/39692 Назва: Сценарне огнітивне моделювання впливу загроз на інформаційну безпеку об’єктів критичної інфраструктури в умовах запровадження правового режиму воєнного стану Автори: Тютюник В. В.; Тютюник О. О. Короткий огляд (реферат): Мета роботи: озроблення та дослідження когнітивної моделі сценаріїв впливу загроз на ІБ ОКІ в умовах воєнного стану з метою підтримки прийняття управлінських рішень. Thu, 01 Jan 2026 00:00:00 GMT https://repository.hneu.edu.ua/handle/123456789/39692 2026-01-01T00:00:00Z Порівняльний аналіз методів глибокого та машинного навчання для виявлення мережевих вторгнень https://repository.hneu.edu.ua/handle/123456789/39680 Назва: Порівняльний аналіз методів глибокого та машинного навчання для виявлення мережевих вторгнень Автори: Рихва В. І.; Солодовник Г. В. Короткий огляд (реферат): У статті представлено результати комплексного порівняльного дослідження шести методів машинного та глибокого навчання для задачі багатокласової класифікації мережевих атак. Досліджено ефективність згорткової нейронної мережі (CNN-IDS), мережі довгої короткочасної пам’яті (LSTM-IDS), градієнтного бустингу LightGBM та CatBoost, архітектури Transformer-IDS на основі механізму самоуваги, а також моделі Mamba-IDS на базі селективних просторів станів (Selective State Space Model, S6). Дослідження робить внесок у розуміння переваг та обмежень сучасних архітектур нейронних мереж для систем виявлення вторгнень, а також надає практичні рекомендації щодо вибору оптимального методу залежно від характеристик набору даних та вимог до часу обробки. Thu, 01 Jan 2026 00:00:00 GMT https://repository.hneu.edu.ua/handle/123456789/39680 2026-01-01T00:00:00Z Оптимізація класифікації мережевого трафіку на основі LightGBM та відбору ознак методом SHAP https://repository.hneu.edu.ua/handle/123456789/39679 Назва: Оптимізація класифікації мережевого трафіку на основі LightGBM та відбору ознак методом SHAP Автори: Рихва В. І.; Солодовник Г. В. Короткий огляд (реферат): У статті досліджено ефективність методу SHapley Additive exPlanations (SHAP) для відбору ознак при оптимізації класифікатора LightGBM у задачі виявлення мережевих вторгнень. Проаналізовано вплив скорочення розмірності вхідного простору на якість класифікації та розпізнавання окремих класів атак. Експерименти проведено на чотирьох еталонних наборах даних мережевого трафіку: CIC-IDS2017, CICIDS2018, UNSW-NB15 та CICIoT2023, що відрізняються кількістю ознак, класів та ступенем дисбалансу. Для оцінки якості класифікації використано метрики Accuracy, Macro F1-score та Matthews Correlation Coefficient (MCC), що забезпечує об’єктивну оцінку навіть за значного дисбалансу класів. Досліджено вплив SHAP-відбору на розпізнавання рідкісних класів атак, що є критично важливим для практичного застосування систем виявлення вторгнень. Thu, 01 Jan 2026 00:00:00 GMT https://repository.hneu.edu.ua/handle/123456789/39679 2026-01-01T00:00:00Z