Предметом вивчення у статті є процес тестування методів побудови рекомендаційних систем на основі відкритих наборів даних у мережі Інтернет. Метою є дослідження відкритих наборів даних веб-ресурсів у контексті застосування їх для тестування різних методів побудови рекомендаційних систем. Завдання: дослідити сучасні вебплатформи з відкритими наборами даних та можливість застосування їх даних для тестування якості роботи різних рекомендаційних систем. Отримані такі результати: Розглянуто найбільш популярні веб-платформи з відкритими наборами різнотипних мережевих даних. Здійснено порівняльний аналіз цих платформ з точки зору наявності вільного доступу до завантаження даних, їх функціональності та територіальної приналежності, формату даних та зручності для подальшого використання для машинного навчання, а також можливості застосування для тестування рекомендаційних систем. Також проведено оцінку актуальності даних, що зберігаються у репозиторіях з вільним доступом та наявності їх оновлення з часом. Висновки. Досліджено веб-платформи, що містять відкриті набори даних, які можна використати для тестування рекомендаційних систем. Основними перевагами більшості платформ є підтримка сучасних форматів даних та умовно вільний або вільний доступ. Серед недоліків розглянутих платформ слід зазначити недостатню структурованість деяких наборів даних, зокрема текстових, що значно обмежує їх застосування для тестування методів контентної фільтрації. Окрім того, одним з факторів, що обмежує використання відкритих наборів даних є їхня актуальність, тому що деякі набори, що зберігаються на платформах, є застарілими та не оновлюються. Усі розглянуті набори даних можуть бути застосовані для дослідницьких цілей та тестування роботи рекомендаційних систем.

Стаття присвячена розробці методу роботи рекомендаційних систем в однорангових децентралізованих комп’ютерних мережах. Існує велика кількість методів роботи рекомендаційних систем для веб-сайтів та застосунків, призначених для централізованих комп’ютерних мереж. В той же час дослідження децентралізованих однорангових мереж показало, що питання створення рекомендаційних систем для такої архітектури практично не розглядалося. Проведено дослідження методів роботи однорангових децентралізованих структурованих комп’ютерних мереж, наведено узагальнені принципи їх роботи. Запропоновано метод роботи рекомендаційної системи на основі колаборативної фільтрації для однорангової децентралізованої структурованої комп’ютерної мережі з адресацією на основі розподілених хеш-таблиць. Для представлення даних рекомендаційної системи було використано дві структури даних: розгорнуті зв’язні списки та хеш-таблиці з відкритою адресацією. Використовувалося два типи розгорнутих списків: асоційовані з користувачами – містили списки вподобаних ними об’єктів та асоційовані з об’єктами – містили списки користувачів, які вподобали відповідні об’єкти. Кожен комп’ютер децентралізованої комп’ютерної мережі містив список вподобань асоційований зі своїм користувачем та списки вподобань асоційовані з об’єктами, які на ньому розташовані. Доступ до відсутньої на поточному комп’ютері інформації здійснювався за допомогою запитів до інших комп’ютерів за відповідними ідентифікаторами, організованими розподіленою хеш-таблицею однорангової децентралізованої мережі. Проведено експериментальне дослідження запропонованого методу роботи рекомендаційної системи. Воно показало, що розроблений метод має досить високі показники точності (Precision) та низьку середньоквадратичну помилку. Недоліком розробленого методу є низькі показники повноти (Recall), що виникає через те, що метод часто робить помилкові негативні прогнози. Це жодним чином не впливає на точність рекомендацій, тому що об’єкти з негативним прогнозом вподобань не потрапляють до списку рекомендацій. Але це погіршує наповненість списків, адже багато елементів, які можна було додати до них, відсіюються.

Метою даної роботи було створення програмного забезпечення для імітаційного моделювання епідемій та дослідження можливостей мови Python і пакету інструментів EpiModel для мови R при вирішенні даної задачі. Моделювання процесів поширення та прогнозування наслідків епідемій як інфекційних, так і інформаційно-психологічних є важливою науково-практичною задачею у наш час. Існують підходи та поради щодо моделювання епідемій, а також інструменти, за допомогою яких можна спростити шлях до досягнення потрібної мети. Епідемічні моделі поділяють на два основні види: стохастична модель та детермінована модель. Найбільш відомі математичні моделі епідемій – SI, SIR та SIS. Було розроблено програмну імітаційну модель епідемій засобами мови Python та пакету інструментів EpiModel для мови R. Тестувалася модель на прикладі поширення інфекційних захворювань, хоча також може бути використана для моделювання поширення інформаційно-психологічних впливів. Було досліджено можливості мови програмування Python та пакету інструментів EpiModel мови R для імітаційного моделювання епідемій. Дослідження показало, що дані мова програмування та пакет інструментів дають усі необхідні засоби для розробки програмної моделі епідемій. Python дозволяє швидко розробляти програми для аналізу даних, Qt Designer дає можливість створити зручний графічний інтерфейс користувача для застосунків на мові Python, а пакет інструментів EpiModel дозволяє реалізувати найбільш поширені математичні моделі епідемій, зокрема, SI, SIR та SIS. Структура соціальної мережі у даній моделі не генерувалася, а завантажувалася з частини віртуальної соціальної мережі, що прискорило розробку, а мова програмування Python дозволила за допомогою своїх інструментів та бібліотек створити парсер та взаємодію з API потрібного веб-ресурсу. Також було проведено серію експериментів з різними параметрами моделі для перевірки її працездатності та отримано очікувані результати моделювання.

Стаття присвячена дослідженню методів збереження даних рекомендаційних систем. Запропоновано та досліджено використання бінарних діаграм рішень для збереження таких даних. Внаслідок великого розміру рекомендаційних систем суттєвими є обмеження по оперативній пам'яті. Метою роботи є розробка методу зберігання даних рекомендаційної системи у формі бінарних діаграм рішень та порівняння з методами збереження на основі інших структур даних. Дані рекомендаційної системи зберігаються у вигляді графу із вершинами, які представляють користувачів системи та об'єкти системи, а ребра – дії користувачів системи, відношення подібності, зв'язки рекомендацій тощо. Для підвищення ефективності у випадку інтенсивного редагування графу запропоновано збереження даних на основі “гарячого” (хеш-таблиця) та “холодного” (бінарна діаграма рішень) сховищ.Проведено серію експериментів для перевірки ефективності розробленого способу зберігання даних, для чого розроблено програмну модель спрощеної рекомендаційної системи та описано алгоритм роботи такої системи. В чисельному експерименті пропонований спосіб зберігання даних на основі бінарних дерев рішень порівнюється із трьома іншими: на основі бітових масивів, зв'язних списків та хеш-таблиць. Розглянуто переваги та недоліки реалізації кожного із вказаних методів. В ході експерименту для різних значень кількості агентів, предметів, сесій та вподобань досліджено максимальні та мінімальні значення використаної оперативної пам'яті, а також час генерації лайків, сесій та рекомендацій. Встановлено, що у випадку застосування бінарних діаграм рішень обсяг використаної оперативної пам’яті є нижчим за інші способи при меншій швидкодії, що частково може бути компенсовано декількома застосованими оптимізаціями. Завдяки меншому використанню оперативної пам'яті можна зберігати інформацію про більшу кількість вподобань, що може виявитися корисним у випадку великих розмірів графу рекомендаційної системи. Можливість для бінарних діаграм рішень пошуку даних за частковими ключами додатково дозволяє зберігати дані більшої розмірності

Метою даної роботи є створення системи виявлення кіберзагроз на основі аналізу даних мережевого трафіку веб-ресурсів засобами мови програмування Python та з використанням методів машинного навчання. Об’єктом дослідження є процес аналізу даних з веб-ресурсів у системах кібербезпеки. Предметом дослідження є методи та алгоритми машинного навчання для аналізу даних з веб-ресурсів. Для навчання розробленої моделі виявлення кібератак було обрано відкритий набір даних CSE-CIC-IDS2017, що містить найсучасніші поширені інформаційні атаки, що відповідають вигляду справжніх даних з реального світу, основні реалізовані атаки включають брутфорс FTP, брутфорс SSH, DoS, Heartbleed, веб-атаку, інфільтрацію, ботнет та DDoS. Розроблене програмне забезпечення виявлення кібератак на веб-сайти складається з декількох модулів, а саме: модуля попередньої обробки даних датасету, модуля дослідження ознакового простору мережевого трафіку та модуля використання алгоритмів машинного навчання для пошуку кібератак. Для вирішення завдання з відбору ознак у рамках реалізації даного програмного забезпечення було вирішено обрати стратегію відбір на основі моделі за допомогою одного з ансамблевих методів машинного навчання випадковий ліс. Відбір ознак на основі моделі використовує алгоритм машинного навчання з учителем, щоб обчислити важливість кожної ознаки, і залишає лише найважливіші з них. Для тренування моделі були вибрані наступні алгоритми машинного навчання: наївний баєсів класифікатор, k-найближчих сусідів, дерева рішень, метод опорних векторів (SVM) з використанням гауссівського ядра, адаптивний бустинг, дерева рішень з прискоренням (бустинг градієнта). Разом з тренуванням одразу виконувалася перехресна перевірка (з контролем) по семи блоках, для отримання більш точної оцінки узагальнюючої здатності моделі. Результат роботи – програмна реалізація методів машинного навчання для виявлення кібератак на веб-сайти за допомогою розпізнавання їх ознак у мережевому трафіку, а також проведення порівняння їх ефективності.