State University of Telecommunications Open Journals System
Not a member yet
2308 research outputs found
Sort by
ОСОБЛИВОСТІ ЦІНОУТВОРЕННЯ В ЕПОХУ ЦИФРОВОЇ ТРАНСФОРМАЦІЇ ТЕЛЕКОМУНІКАЦІЙНИХ ПОСЛУГ
Get PDFThe rapid digital transformation of thetelecommunications industry has significantly altered traditional pricing mechanisms, requiringoperators to adopt more flexible and data-driven approaches. This study examines the evolution ofpricing strategies in the telecommunications sector, emphasizing the shift from fixed tariffs todynamic and personalized pricing models. The research identifies key factors influencing servicecosts, including network congestion, consumer demand elasticity, and data monetization practices.The paper explores various pricing models such as dynamic pricing, tiered and usage-basedpricing, as well as the increasing adoption of freemium strategies. Particular attention is given tothe role of Big Data and artificial intelligence in tariff optimization, allowing operators to analyzeconsumer behavior and predict usage patterns with high accuracy. Additionally, the studyhighlights the challenges associated with algorithmic pricing, including concerns over pricediscrimination, transparency, and regulatory oversight.The findings suggest that while digital pricing models can enhance market efficiency and serviceaccessibility, they also necessitate stronger regulatory frameworks to prevent unfair pricingpractices and ensure consumer protection. Future research should focus on the balance betweenmarket-driven pricing flexibility and regulatory control to foster a competitive and consumerfriendly telecommunications environment.Keywords: pricing, telecommunications, digital transformation, Big Data, artificial intelligence,dynamic pricing, personalized tariffs, regulatory challenges.
References1. Varian, H. R. (2017). Economics of Information Technology. Cambridge University Press.2. Shapiro, C., & Varian, H. (1999). Information Rules: A Strategic Guide to the NetworkEconomy. Harvard Business School Press.3. Rochet, J.-C., & Tirole, J. (2003). Platform Competition in Two-Sided Markets. Journal ofthe European Economic Association, 1(4), 990–1029.4. Armstrong, M. (2006). Competition in Two-Sided Markets. RAND Journal of Economics,37(3), 668–691.5. Brynjolfsson, E., & McAfee, A. (2014). The Second Machine Age: Work, Progress, andProsperity in a Time of Brilliant Technologies. W. W. Norton & Company.6. AT&T. (2023). Personalized Pricing Strategies Using AI. AT&T White Paper.7. European Commission. (2022). Digital Markets Act: Regulations on Fair Pricing Strategies.8. Tirole, J. (2017). Economics for the Common Good. Princeton University Press.9. Evans, D. S., & Schmalensee, R. (2016). Matchmakers: The New Economics of MultisidedPlatforms. Harvard Business Review Press.В умовах цифрової трансформації телекомунікаційного сектору відбувається радикальназміна підходів до ціноутворення на послуги зв’язку та інтернет-доступу. Дослідженняспрямоване на аналіз сучасних методів ціноутворення, що застосовуються операторамимобільного та фіксованого зв’язку, а також на виявлення ключових факторів, які впливаютьна вартість телекомунікаційних послуг. У статті розглядаються моделі динамічногоціноутворення, персоналізовані тарифні плани, принципи freemium-стратегії та механізмимонетизації даних користувачів. Визначено роль великих даних (Big Data) та штучногоінтелекту в розрахунку тарифів, а також обґрунтовано доцільність використання моделейціноутворення на основі поведінкової аналітики. Основні висновки підкреслюютьнеобхідність адаптації регуляторної політики для забезпечення прозорості тарифів таконкурентного середовища на ринку телекомунікацій.Ключові слова: ціноутворення, телекомунікації, цифрова трансформація, Big Data,динамічне ціноутворення, персоналізовані тарифи.
Список використаних джерел1. Varian, H. R. (2017). Economics of Information Technology. Cambridge University Press.2. Shapiro, C., & Varian, H. (1999). Information Rules: A Strategic Guide to the NetworkEconomy. Harvard Business School Press.3. Rochet, J.-C., & Tirole, J. (2003). Platform Competition in Two-Sided Markets. Journal ofthe European Economic Association, 1(4), 990–1029.4. Armstrong, M. (2006). Competition in Two-Sided Markets. RAND Journal of Economics,37(3), 668–691.5. Brynjolfsson, E., & McAfee, A. (2014). The Second Machine Age: Work, Progress, andProsperity in a Time of Brilliant Technologies. W. W. Norton & Company.6. AT&T. (2023). Personalized Pricing Strategies Using AI. AT&T White Paper.7. European Commission. (2022). Digital Markets Act: Regulations on Fair Pricing Strategies.8. Tirole, J. (2017). Economics for the Common Good. Princeton University Press.9. Evans, D. S., & Schmalensee, R. (2016). Matchmakers: The New Economics of MultisidedPlatforms. Harvard Business Review Press
АНАЛІЗ СПОСОБІВ УДОСКОНАЛЕННЯ АЛГОРИТМУ ПОТОКОВОГО ШИФРУВАННЯ RC4
No full textThe article considers the problems associated with increasing the stability of the RC4 cipher, which is used in networkprotocols of modern distributed computer systems. Over the past decade, some weaknesses have been discovered in the RC4encryption algorithm, the presence of which is explained by the simplicity of the algorithm embedded in it. The main suchweakness is the correlation between the secret key and the encryption gamma formed on its basis. The article provides ananalysis of the methods proposed by various authors to eliminate this drawback by complicating the key planning algorithmsand the formation of pseudo-random numbers. It is concluded that solutions based on a simple increase in the complexity of thealgorithm by implementing additional cryptographic transformations are not effective, since this deprives the RC4 cipher of itsspeed. Because of this, it is proposed to give preference to solutions based on 32/64-bit microprocessor systems, which allowsignificantly increasing the space of internal states of the encryption algorithm without a noticeable decrease in the speed of theencryption process.Keywords: RC4 stream cipher, random permutation, key stream, cipher gamma, cryptanalysis, weak internal state, weakkeys.
References1. S. Fluhrer, I. Mantin, and A. Shamir. Weaknesses in the Key Scheduling Algorithm of RC4. SAC 2001 , vol.2259 of LNCS, pp. 1-24, Springer-Verlag, 2001. URL: https://link.springer.com/content/pdf/10.1007/3-540-45537-X_1.pdf.2. Bruce Schneier. Applied Cryptography (Second edition). Wiley, 1995. 662 p. URL: https://github.com/mhpanchal/Cyber-Security-Books/blob/master/Applied%20Cryptography%20(Bruce%20Schneier).pdf.3. Vladimir Rozic, Bohan Yang, Wim Dehaene, Ingrid Verbauwhede. Iterating Von Neumann's post-processingunder hardware constraints. Conference: 2016 IEEE International Symposium on Hardware Oriented Security and Trust(HOST). DOI:10.1109/HST.2016.7495553. May 2016. URL : https://www.researchgate.net/publication/304456979_Iterating_Von_Neumann's_post-processing_under_hardware_constraints/4. S. Mister and S. Tavares. Cryptanalysis of RC4-like Ciphers. SAC ’98, vol. 1556 of LNCS, pp. 131-143,Springer-Verlag, 1999. URL : https://www.researchgate.net/publication/221274797_Cryptanalysis_of_RC4-like_Ciphers5. Poonam Jindal, Brahmjit Singh. RC4 Encryption-A Literature Survey. Electronics and CommunicationEngineering Department, National Institute of Technology, Kurukshetra 136119, India. Procedia Computer Science 46(2015) 697 – 705. URL : https://core.ac.uk/download/pdf/82455735.pdf.6. Goutam Paul, Subhamoy Maitra, Anupam Chattopadhyay. Quad-RC4: Merging Four RC4 States towards a 32-bit Stream Cipher. IACR Cryptology ePrint Archive, January 2013, 572. URL : https://eprint.iacr.org/2013/572.pdf.7. Subhamoy Maitra, Goutam Paul. Analysis of RC4 and Proposal of Additional Layers for Better Security Margin.Procedia Computer Science. Volume 46, 2015, Pages 697-705. DOI:10.1016/J.PROCS.2015.02.129. URL :https://eprint.iacr.org/2008/396.pdf.8. Maytham Hammood, K. Yoshigoe, Ali M Sagheer. RC4-2S: RC4 stream cipher with two state tables.DOI:10.1007/978-94-007-6996-0-2. 11 April 2016.URL : https://www.researchgate.net/publication/283429259_RC4-2S_RC4_stream_cipher_with_two_state_tables.9. Souradyuti Paul, Bart Preneel. A New Weakness in the RC4 Keystream Generator and an Approach to Improvethe Security of the Cipher. Fast Software Encryption. Conference paper. pp 245–259. 2004. DOI:10.1007/978-3-540-25937-4_16. URL : https://iacr.org/archive/fse2004/30170244/30170244.pdf.10. Yassir Nawaz, K. Gupta, G. Gong. A 32-bit RC4-like Keystream Generator. Information Security andCryptology. First SKLOIS Conference, CISC 2005, Beijing, China, December 15-17, 2005, Proceedings. URL :https://eprint.iacr.org/2005/175.pdf.11. Aleksandar Kircanski,· Rabeah Al-Zaidy ,·Amr M. Youssef. A new distinguishing and key recovery attack onNGG stream cipher. Cryptogr. Commun. (2009) 1:269–282. DOI 10.1007/s12095-009-0012-4. URL :https://users.encs.concordia.ca/~youssef/Publications/Papers/A%20New%20Distinguishing%20and%20Key%20Recovery%20Attack%20on%20NGG%20stream%20cipher.pdf.12. G. Gong, K.C. Gupta, M. Hell, Y. Nawaz, Towards a General RC4-like Keystream Generator. InformationSecurity and Cryptology. Conference paper. pp 162–174. SpringerVerlag, 2005, pp. 162–174. URL : https://theeye.eu/public/Site-Dumps/campdivision.com/camp/Text%20Files/PDF/Computers%20General/Privacy/Cryptography/RC4%20Stream%20Cipher/Towards%20a%20General%20RC4-like%20Keystream%20Generator.pdf.13. Aleksandar Kircanski, Amr M. Youssef. On the Weak State in GGHN-like Ciphers. Conference: Availability,Reliability and Security (ARES), 2012. DOI:10.1109/ARES.2012.32. URL : https://users. encs.concordia.ca/~youssef/Publications/Papers/A%20New%20Distinguishing%20and%20Key%20Recovery%20Attack%20on%20NGG%20stream%20cipher.pdf.У статті розглядаються проблеми, пов'язані з підвищенням стійкості шифру RC4, що використовується вмережних протоколах сучасних розподілених комп’ютерних систем. Протягом останнього десятиріччя валгоритмі шифрування RC4 було виявлено деякі слабкі місця, наявність яких пояснюється простотоюзакладеного в нього алгоритму. Головним таким слабким місцем є кореляція між секретним ключем і,сформованою на його основі, шифруючою гамою. В статті надано аналіз запропонованих різними авторамиспособів усунення цього недоліку за рахунок ускладнення алгоритмів планування ключів та формуванняпсевдовипадкових чисел. Зроблено висновок про те, що рішення, основані на простому збільшенні складностіалгоритму за рахунок втілення додаткових криптографічних перетворень, не є ефективним, оскільки це позбавляєшифр RC4 його швидкодії. Через це, перевагу пропонується надавати рішенням, основаним на 32/64 бітнихмікропроцесорних системах, що дозволяють суттєво збільшити простір внутрішніх станів шифрувальногоалгоритму без помітного зниженні швидкості шифрувального процесу.Ключові слова:потоковий шифр RC4, випадкова перестановка, ключовий потік, шифруючи гама, криптоаналіз, слабкий внутрішній стан, слабкі ключі.
Перелік посилань1. S. Fluhrer, I. Mantin, and A. Shamir. Weaknesses in the Key Scheduling Algorithm of RC4. SAC 2001 , vol.2259 of LNCS, pp. 1-24, Springer-Verlag, 2001. URL: https://link.springer.com/content/pdf/10.1007/3-540-45537-X_1.pdf.2. Bruce Schneier. Applied Cryptography (Second edition). Wiley, 1995. 662 p. URL: https://github.com/mhpanchal/Cyber-Security-Books/blob/master/Applied%20Cryptography%20(Bruce%20Schneier).pdf.3. Vladimir Rozic, Bohan Yang, Wim Dehaene, Ingrid Verbauwhede. Iterating Von Neumann's post-processingunder hardware constraints. Conference: 2016 IEEE International Symposium on Hardware Oriented Security and Trust(HOST). DOI:10.1109/HST.2016.7495553. May 2016. URL : https://www.researchgate.net/publication/304456979_Iterating_Von_Neumann's_post-processing_under_hardware_constraints/4. S. Mister and S. Tavares. Cryptanalysis of RC4-like Ciphers. SAC ’98, vol. 1556 of LNCS, pp. 131-143,Springer-Verlag, 1999. URL : https://www.researchgate.net/publication/221274797_Cryptanalysis_of_RC4-like_Ciphers5. Poonam Jindal, Brahmjit Singh. RC4 Encryption-A Literature Survey. Electronics and CommunicationEngineering Department, National Institute of Technology, Kurukshetra 136119, India. Procedia Computer Science 46(2015) 697 – 705. URL : https://core.ac.uk/download/pdf/82455735.pdf.6. Goutam Paul, Subhamoy Maitra, Anupam Chattopadhyay. Quad-RC4: Merging Four RC4 States towards a 32-bit Stream Cipher. IACR Cryptology ePrint Archive, January 2013, 572. URL : https://eprint.iacr.org/2013/572.pdf.7. Subhamoy Maitra, Goutam Paul. Analysis of RC4 and Proposal of Additional Layers for Better Security Margin.Procedia Computer Science. Volume 46, 2015, Pages 697-705. DOI:10.1016/J.PROCS.2015.02.129. URL :https://eprint.iacr.org/2008/396.pdf.8. Maytham Hammood, K. Yoshigoe, Ali M Sagheer. RC4-2S: RC4 stream cipher with two state tables.DOI:10.1007/978-94-007-6996-0-2. 11 April 2016.URL : https://www.researchgate.net/publication/283429259_RC4-2S_RC4_stream_cipher_with_two_state_tables.9. Souradyuti Paul, Bart Preneel. A New Weakness in the RC4 Keystream Generator and an Approach to Improvethe Security of the Cipher. Fast Software Encryption. Conference paper. pp 245–259. 2004. DOI:10.1007/978-3-540-25937-4_16. URL : https://iacr.org/archive/fse2004/30170244/30170244.pdf.10. Yassir Nawaz, K. Gupta, G. Gong. A 32-bit RC4-like Keystream Generator. Information Security andCryptology. First SKLOIS Conference, CISC 2005, Beijing, China, December 15-17, 2005, Proceedings. URL :https://eprint.iacr.org/2005/175.pdf.11. Aleksandar Kircanski,· Rabeah Al-Zaidy ,·Amr M. Youssef. A new distinguishing and key recovery attack onNGG stream cipher. Cryptogr. Commun. (2009) 1:269–282. DOI 10.1007/s12095-009-0012-4. URL :https://users.encs.concordia.ca/~youssef/Publications/Papers/A%20New%20Distinguishing%20and%20Key%20Recovery%20Attack%20on%20NGG%20stream%20cipher.pdf.12. G. Gong, K.C. Gupta, M. Hell, Y. Nawaz, Towards a General RC4-like Keystream Generator. InformationSecurity and Cryptology. Conference paper. pp 162–174. SpringerVerlag, 2005, pp. 162–174. URL : https://theeye.eu/public/Site-Dumps/campdivision.com/camp/Text%20Files/PDF/Computers%20General/Privacy/Cryptography/RC4%20Stream%20Cipher/Towards%20a%20General%20RC4-like%20Keystream%20Generator.pdf.13. Aleksandar Kircanski, Amr M. Youssef. On the Weak State in GGHN-like Ciphers. Conference: Availability,Reliability and Security (ARES), 2012. DOI:10.1109/ARES.2012.32. URL : https://users. encs.concordia.ca/~youssef/Publications/Papers/A%20New%20Distinguishing%20and%20Key%20Recovery%20Attack%20on%20NGG%20stream%20cipher.pdf
ДОСЛІДЖЕННЯ АЛГОРИТМІВ ПРОСТОРОВО-ЧАСТОТНОГО АНАЛІЗУ ДЛЯ ПРОТИДІЇ ЗАГРОЗАМ РАДІОЕЛЕКТРОННОЇ БОРОТЬБИ(РЕБ)
No full textThe article studies spatial-frequency analysis algorithms, which are an important tool for countering electronic warfare(EW) threats. Today, EW is one of the main components of modern military conflicts, which requires the development of newmethods and approaches to detecting and neutralizing enemy electronic warfare. The main attention in the work is paid to theprinciples of spatial-frequency analysis, which include the use of both spatial and frequency information to detect and localizeEW sources. The main algorithms used for signal processing in EW conditions are considered, in particular, methods of filtering,detecting and recognizing electronic warfare. The article compares different methods of spatial-frequency analysis based ontheir effectiveness and ability to work in conditions of interference and signal masking. Special attention is paid to algorithmsthat allow reducing the impact of noise and interference on the accuracy of recognition, as well as increasing the efficiency ofdetecting electronic warfare sources that use complex masking methods. The latest approaches in the field of spatial-frequencyanalysis algorithms are also being studied, which allow integrating several signal processing methods to achieve higher accuracyin detecting and neutralizing EW threats. In addition to theoretical aspects, the article provides an analysis of the practicalapplication of these algorithms in real conditions, including military operations and the protection of critical infrastructure. Theprospects for the development of this field are considered, in particular in the context of improving existing algorithms, adaptingto new types of threats, and integrating with other defense systems. The work is relevant in the context of the constantdevelopment of EW technologies and their application in modern armed conflicts, as it provides a deep understanding of theprinciples of spatial-frequency analysis and the possibility of their use to increase the effectiveness of systems to counter EWthreats.Keywords: electronic warfare (EW), spatial-frequency analysis, signal processing algorithms, detection of EW sources,methods for neutralizing threats, EW technologies, signals science, data processing, electronic suppression, spatial-frequencyrecognition, algorithm efficiency, algorithm integration, military defense, protection of critical infrastructure.
References1. Застосування частотного переналаштування для захисту безпілотних літальних апаратів / Р. Кутень //ResearchGate. – 2023. – DOI:10.33445/sds.2024.14.2.72. Дослідження сучасних методів РЕБ та методів і засобів протидії радіоелектронним загрозам // Журнал"Інформаційна безпека". – 2022. – DOI:10.18372/2225-5036.29.178733. Перспективи розвитку технології виявлення та розпізнавання об'єктів із нелінійними електричнимивластивостями в маскувальних середовищах // ChipNews. – 2024. – ChipNews.4. Удосконалення системи охорони військових об'єктів шляхом розробки засобів радіоелектронноїборотьби для протидії БПЛА / В. Іванченко, П. Сидоренко // ResearchGate. – 2023. –DOI:10.30748/zhups.2021.69.055. Завадозахист радіоелектронних засобів. Частина 1 / Під ред. О. Г. Ткаченка // НТУУ "КПІ". – 2021. –https://ela.kpi.ua/items/3b85b390-0cf8-444a-8875-04fcd8c0bb216. Застосування та перспективи розвитку мобільних засобів радіоелектронної розвідки тактичної ланкисил сектору безпеки та оборони України / І. Власов, А. Мельник // Наукові праці НЮУ ім. ЯрославаМудрого. – 2023. – https://dspace.nlu.edu.ua/jspui/handle/123456789/202007. Теоретичні основи розробки та експлуатації систем озброєння // Index Copernicus. – 2019. – DOI:10.30748/soivt.2019.57.078. Бойове застосування радіотехнічних інформаційних систем і комплексів // Національний університетцивільного захисту України. – https://www.hups.mil.gov.ua/assets/doc/science/conference/15/13.pdf9. Тенденції та перспективи розвитку малогабаритних радіолокаційних станцій / В. Петров, С. Орлов //ResearchGate. – 2024. – DOI:10.30748/zhups.2024.79.0710. "Foundations of Electromagnetic Compatibility: with Practical Applications (pp.439-452)" by BogdanAdamczyk (2017), https://doi.org/10.1002/9781119120810.ch15У статті досліджуються алгоритми просторово-частотного аналізу, які є важливим інструментом дляпротидії загрозам радіоелектронної боротьби (РЕБ). РЕБ на сьогоднішній день є однією з основних складовихсучасних військових конфліктів, що потребує розробки новітніх методів та підходів до виявлення та нейтралізаціїрадіоелектронних засобів противника. Основну увагу в роботі приділено принципам просторово-частотногоаналізу, що включають використання як просторової, так і частотної інформації для виявлення і локалізаціїджерел РЕБ. Розглянуто основні алгоритми, які застосовуються для обробки сигналів в умовах РЕБ, зокремаметоди фільтрації, детекції та розпізнавання радіоелектронних засобів. У статті здійснено порівняння різнихметодів просторово-частотного аналізу на основі їх ефективності та здатності до роботи в умовах перешкод імаскування сигналів. Особливу увагу звернено на алгоритми, які дозволяють знижувати вплив шуму та перешкодна точність розпізнавання, а також підвищувати ефективність виявлення радіоелектронних джерел, щовикористовують складні методи маскування. Досліджуються й новітні підходи в області алгоритмів просторовочастотного аналізу, що дозволяють інтегрувати кілька методів обробки сигналів для досягнення більш високоїточності виявлення та нейтралізації загроз РЕБ. Окрім теоретичних аспектів, в статті наведено аналізпрактичного застосування цих алгоритмів у реальних умовах, включаючи військові операції та захист критичноїінфраструктури. Розглянуто перспективи розвитку даної галузі, зокрема в контексті вдосконалення існуючихалгоритмів, адаптації до нових типів загроз та інтеграції з іншими системами оборони. Робота є актуальною вумовах постійного розвитку технологій РЕБ та їх застосування в сучасних збройних конфліктах, оскільки вонанадає глибоке розуміння принципів просторово-частотного аналізу та можливості їх використання дляпідвищення ефективності систем протидії загрозам РЕБ.Ключові слова: радіоелектронна боротьба (РЕБ), просторово-частотний аналіз, алгоритми обробкисигналів, виявлення джерел РЕБ, методи нейтралізації загроз, технології РЕБ, сигналознавство, обробка даних,електронне придушення, просторово-частотне розпізнавання, ефективність алгоритмів, інтеграція алгоритмів,військова оборона, захист критичної інфраструктури.
Перелік посилань1. Застосування частотного переналаштування для захисту безпілотних літальних апаратів / Р. Кутень //ResearchGate. – 2023. – DOI:10.33445/sds.2024.14.2.72. Дослідження сучасних методів РЕБ та методів і засобів протидії радіоелектронним загрозам // Журнал"Інформаційна безпека". – 2022. – DOI:10.18372/2225-5036.29.178733. Перспективи розвитку технології виявлення та розпізнавання об'єктів із нелінійними електричнимивластивостями в маскувальних середовищах // ChipNews. – 2024. – ChipNews.4. Удосконалення системи охорони військових об'єктів шляхом розробки засобів радіоелектронноїборотьби для протидії БПЛА / В. Іванченко, П. Сидоренко // ResearchGate. – 2023. –DOI:10.30748/zhups.2021.69.055. Завадозахист радіоелектронних засобів. Частина 1 / Під ред. О. Г. Ткаченка // НТУУ "КПІ". – 2021. –https://ela.kpi.ua/items/3b85b390-0cf8-444a-8875-04fcd8c0bb216. Застосування та перспективи розвитку мобільних засобів радіоелектронної розвідки тактичної ланкисил сектору безпеки та оборони України / І. Власов, А. Мельник // Наукові праці НЮУ ім. ЯрославаМудрого. – 2023. – https://dspace.nlu.edu.ua/jspui/handle/123456789/202007. Теоретичні основи розробки та експлуатації систем озброєння // Index Copernicus. – 2019. – DOI:10.30748/soivt.2019.57.078. Бойове застосування радіотехнічних інформаційних систем і комплексів // Національний університетцивільного захисту України. – https://www.hups.mil.gov.ua/assets/doc/science/conference/15/13.pdf9. Тенденції та перспективи розвитку малогабаритних радіолокаційних станцій / В. Петров, С. Орлов //ResearchGate. – 2024. – DOI:10.30748/zhups.2024.79.0710. "Foundations of Electromagnetic Compatibility: with Practical Applications (pp.439-452)" by BogdanAdamczyk (2017), https://doi.org/10.1002/9781119120810.ch1
МЕТОДИКА ОЦІНКИ ЕФЕКТИВНОСТІ МОДЕЛЕЙ ПРОГНОЗУВАННЯ ПОВЕДІНКИ ФІНАНСОВИХ РИНКІВ
No full textForecasting financial markets is of key importance due to its impact on risk management and investment decisionmaking. Accurate forecasts can help avoid significant financial losses and maximize profits. Traditional methods for forecastingfinancial markets include time series models, such as the autoregressive integrated mean model, the mean model, and theautoregressive mean model, which are based on statistical principles and use historical data to predict future values. However,traditional models have their limitations, especially in cases of high volatility or economic crises, when the market is subject tosignificant changes. The paper proposes a new method for analyzing models that takes into account risks and adaptability offorecasting models using recurrent neural networks. It has the ability to be flexibly configured due to the use of weighting factorsin calculations, which allows you to adapt not only to changes in the market, but also to various analytical tools. The architectureof the developed system assumes a modular approach, where each component of the method is implemented as a separatemodule with clearly defined interaction interfaces. This allowed us to test the methodology on real historical data and confirmits effectiveness compared to traditional approaches.Keywords: neural networks, information model, financial analytics, decision making.
References1. Rocca R. Interpreting R²: a Narrative Guide for the Perplexed [Електронний ресурс]. Towards DataScience. – 2024. – Режим доступу до ресурсу: https://towardsdatascience.com/interpreting-r%C2%B2-a-narrativeguide-for-the-perplexed-086a9a69c1ec.2. Демчик Я.М., Розен В.П. Оцінки похибки прогнозних моделей та прогнозів спожитої електричноїенергії на об’єктах енергетичного ринку. Енергетика: економіка, технології, екологія. 2019. № 4. — С. 69-78.3. Kozyrkov C. Why is Mean Squared Error (MSE) So Popular? [Електронний ресурс]. Towards DataScience. – 2022. – Режим доступу до ресурсу: https://towardsdatascience.com/why-is-mean-squared-error-mse-sopopular-4320d5f003e5.4. Robert H. Shumway, Devid S. Stoffer. Time Series Analysis and Its Applications: With R Examples.Springer. Springer Texts in Statistics. 2017. 562 p.5. Бідюк П. І., Гуць Є. В., Гавриленко В. В., Рудоман Н. В. Прогнозування цін акцій з використаннямрекурентної нейронної мережі LSTM. Системи управління, навігації та зв'язку, 2021, 3(65). С. 64-68.https://doi.org/ 10.26906/SUNZ.2021.3.0646. Замрій І.В., Федоренко М. Л. Аналіз використання алгоритмів штучного інтелекту для глибокогоаналізу фінансових даних. Сучасний захист інформації, 3(59), 2024. С. 55–62. https://doi.org/10.31673/2409-7292.2024.0300057. Xinhui Li. Application of Neural Networks in Financial Time Series Forecasting Models. Journal of FunctionSpaces 2022(3):1-9. https://doi.org/10.1155/2022/78172648. Kady Sako, Berthine Nyunga Mpinda, Paulo Canas Rodrigues. Neural Networks for Financial Time SeriesForecasting. Entropy 2022, 24(5), 657; https://doi.org/10.3390/e240506579. Пархоменко Б. М., Акименко А. М. Використання інформаційних моделей для прогнозуванняповедінки фінансових показників. Технічні науки та технології. 2024. № 2(36). С. 173-180.https://doi.org/10.25140/2411-5363-2024-2(36)-173-18010. Олександра Манзій О., Сеник Ю., Пелех В., Сеник А., Андрейчук С. Використання нейронних мереждля задач інвестиційного аналізу. Галицький економічний вісник, № 2 (87) 2024. С. 164-174.11. Christopher Krauss, Xuan Anh Do, Nicolas Huck. Deep neural networks, gradient-boosted trees, randomforests: Statistical arbitrage on the S&P 500. European Journal of Operational Research. Volume 259, Issue 2, 2017, рр.689-702. https://doi.org/10.1016/j.ejor.2016.10.03112. David M. Q. Nelson; Adriano C. M. Pereira; Renato A. de Oliveira. Stock market's price movementprediction with LSTM neural networks. 2017 International Joint Conference on Neural Networks (IJCNN). Anchorage,AK, USA, 2017, pp. 1419-1426, https://doi.org/10.1109/IJCNN.2017.7966019.13. Fischer T. Deep learning with long short-term memory networks for financial market predictions. EuropeanJournal of Operational Research. Volume 270, Issue 2, 16 October 2018, рр. 654-669.https://doi.org/10.1016/j.ejor.2017.11.05414. Kelum Gajamannage, Yonggi Park, Dilhani I. Jayathilake. Real-time forecasting of time series in financialmarkets using sequentially trained dual-LSTMs. Expert Systems with Applications. 2023, Volume 223, 119879,https://doi.org/10.1016/j.eswa.2023.119879.Прогнозування фінансових ринків має ключове значення через його вплив на управління ризиками таприйняття інвестиційних рішень. Точні прогнози можуть допомогти уникнути значних фінансових втрат тамаксимізувати прибутки. Традиційні методи прогнозування фінансових ринків включають моделі часових рядів,такі як авторегресивна інтегрована модель середнього, модель середнього та авторегресивна модель середнього,які базуються на статистичних принципах і використовують історичні дані для прогнозування майбутніх значень.Однак традиційні моделі мають свої обмеження, особливо у випадках високої волатильності або економічнихкриз, коли ринок піддається значним змінам. У роботі запропонована нова методика аналізу моделей, якавраховує ризики та адаптивність моделей прогнозування із використанням рекурентних нейронних мереж. Вонамає можливість гнучкого налаштування завдяки використанню вагових коефіцієнтів у розрахунках, що дозволяєадаптуватися не лише до змін на ринку, а й до різних аналітичних інструментів. Архітектура розробленої системипередбачає модульний підхід, де кожен компонент методу реалізований як окремий модуль з чітко визначенимиінтерфейсами взаємодії. Це дозволило протестувати методику на реальних історичних даних та підтвердити їїефективність у порівнянні з традиційними підходами.Ключові слова: нейронні мережі, інформаційна модель, фінансова аналітика, ухвалення рішень.
Список використаних джерел1. Rocca R. Interpreting R²: a Narrative Guide for the Perplexed [Електронний ресурс]. Towards DataScience. – 2024. – Режим доступу до ресурсу: https://towardsdatascience.com/interpreting-r%C2%B2-a-narrativeguide-for-the-perplexed-086a9a69c1ec.2. Демчик Я.М., Розен В.П. Оцінки похибки прогнозних моделей та прогнозів спожитої електричноїенергії на об’єктах енергетичного ринку. Енергетика: економіка, технології, екологія. 2019. № 4. — С. 69-78.3. Kozyrkov C. Why is Mean Squared Error (MSE) So Popular? [Електронний ресурс]. Towards DataScience. – 2022. – Режим доступу до ресурсу: https://towardsdatascience.com/why-is-mean-squared-error-mse-sopopular-4320d5f003e5.4. Robert H. Shumway, Devid S. Stoffer. Time Series Analysis and Its Applications: With R Examples.Springer. Springer Texts in Statistics. 2017. 562 p.5. Бідюк П. І., Гуць Є. В., Гавриленко В. В., Рудоман Н. В. Прогнозування цін акцій з використаннямрекурентної нейронної мережі LSTM. Системи управління, навігації та зв'язку, 2021, 3(65). С. 64-68.https://doi.org/ 10.26906/SUNZ.2021.3.0646. Замрій І.В., Федоренко М. Л. Аналіз використання алгоритмів штучного інтелекту для глибокогоаналізу фінансових даних. Сучасний захист інформації, 3(59), 2024. С. 55–62. https://doi.org/10.31673/2409-7292.2024.0300057. Xinhui Li. Application of Neural Networks in Financial Time Series Forecasting Models. Journal of FunctionSpaces 2022(3):1-9. https://doi.org/10.1155/2022/78172648. Kady Sako, Berthine Nyunga Mpinda, Paulo Canas Rodrigues. Neural Networks for Financial Time SeriesForecasting. Entropy 2022, 24(5), 657; https://doi.org/10.3390/e240506579. Пархоменко Б. М., Акименко А. М. Використання інформаційних моделей для прогнозуванняповедінки фінансових показників. Технічні науки та технології. 2024. № 2(36). С. 173-180.https://doi.org/10.25140/2411-5363-2024-2(36)-173-18010. Олександра Манзій О., Сеник Ю., Пелех В., Сеник А., Андрейчук С. Використання нейронних мереждля задач інвестиційного аналізу. Галицький економічний вісник, № 2 (87) 2024. С. 164-174.11. Christopher Krauss, Xuan Anh Do, Nicolas Huck. Deep neural networks, gradient-boosted trees, randomforests: Statistical arbitrage on the S&P 500. European Journal of Operational Research. Volume 259, Issue 2, 2017, рр.689-702. https://doi.org/10.1016/j.ejor.2016.10.03112. David M. Q. Nelson; Adriano C. M. Pereira; Renato A. de Oliveira. Stock market's price movementprediction with LSTM neural networks. 2017 International Joint Conference on Neural Networks (IJCNN). Anchorage,AK, USA, 2017, pp. 1419-1426, https://doi.org/10.1109/IJCNN.2017.7966019.13. Fischer T. Deep learning with long short-term memory networks for financial market predictions. EuropeanJournal of Operational Research. Volume 270, Issue 2, 16 October 2018, рр. 654-669.https://doi.org/10.1016/j.ejor.2017.11.05414. Kelum Gajamannage, Yonggi Park, Dilhani I. Jayathilake. Real-time forecasting of time series in financialmarkets using sequentially trained dual-LSTMs. Expert Systems with Applications. 2023, Volume 223, 119879,https://doi.org/10.1016/j.eswa.2023.119879
АНАЛІЗ СУЧАСНИХ ПІДХОДІВ УПРАВЛІННЯ ДОСТУПОМ У ХМАРНОМУ СЕРЕДОВИЩІ
No full textWith the increasing use of cloud technologies, access management is becoming a key aspect of cybersecurity. Given theglobal digital transformation, organizations are increasingly migrating their services and data to cloud environments, whichposes new challenges in terms of security, scalability, and regulatory compliance. Traditional access management approachesused in on-premises environments are not always effective in distributed cloud ecosystems, which requires the development ofnew methods of authentication, authorization, and access monitoring. Current trends in information security are aimed at theexpanded use of the Zero Trust model, adaptive multi-factor authentication (Multi-Factor Authentication, MFA), as well as access management systems (Cloud Identity & Access Management, Cloud IAM), which provide centralized accountmanagement and control of the level of trust for each access request. The growing popularity of hybrid and multi-cloudenvironments also adds complexity to the deployment of effective access control systems.The lack of a single standard for access management across cloud providers forces organizations to adopt complexapproaches such as Principal of Least Privilege (PoLP), network micro-segmentation, and User Behavior Analytics (UBA). Thismeans that companies must not only implement technology solutions for access management, but also ensure access auditing,user activity monitoring, and compliance policy enforcement. This study analyzes current approaches to access control,including Identity and Access Management (IAM), Privileged Access Management (PAM), the Zero Trust model, and the PoLP(Least Privilege) principle. It emphasizes the importance of integrating artificial intelligence (AI), machine learning (ML), andnatural language processing (NLP) into monitoring and anomaly detection processes, which allows for increased adaptabilityof security policies. The prospects for the transition to automated risk analysis are also considered, when behavioral analyticshelps to identify threats in a timely manner and reduce the number of false positives. The role of compliance with internationalstandards and regulatory requirements for unified security management in multi-cloud environments is emphasized. As a result,a combined and adaptive approach to access management, which relies on AI/ML/NLP and carefully tuned access policies,becomes a key factor in protecting corporate assets in the modern cyberspace ecosystem.The results of the study will be useful for IT departments and security professionals who implement or improve accessmanagement systems in dynamic cloud environments to ensure a high level of protection and compliance with regulatoryrequirements, and also provides an understanding of current trends in the development of access management systems.Keywords: access management, cloud technologies, data security, IAM, PAM, Zero Trust.
References1. Volodymyr Khoma, Aziz Abibulaiev, Andrian Piskozub, and Taras Kret. (2024). Comprehensive Approachfor Developing an Enterprise Cloud Infrastructure, in: Cybersecurity Providing in Information and TelecommunicationSystems II Vol. 3654 (2024) pp. 201–215.2. Chava, A. (2024). APPLICATION SECURITY AND LEAST PRIVILEGE ACCESS IN MODERNDEVOPS. The American Journal of Engineering and Technology, 6(10), 75-85. DOI: https://doi.org/10.37547/tajet/Volume06Issue10-093. Mandru, S. (2022). PAM (Privileged Access Management) and DevOps: Secure Management of PrivilegedAccounts: Integrating PAM with DevOps Practices To Ensure Secure Development Processes. J Artif Intell Mach Learn& Data Sci 2022, 1(1), 783-787. DOI: https://doi.org/10.51219/JAIMLD/sri-kanth-mandru/1944. Garbis, J., Chapman, J.W. (2021). Privileged Access Management. In: Zero Trust Security. Apress, Berkeley,CA. DOI: https://doi.org/10.1007/978-1-4842-6702-8_125. Tuononen, H. (2023). Privileged access management model for a managed service provider.https://urn.fi/URN:NBN:fi:amk-20230526145426. Taiwo Awoyinfa, James Greenwood, and Varvara Semenova. (2023). Temporary elevated access managementwith IAM Identity Center, AWS Security Blog © 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved,(Apr.2023). URL: https://aws.amazon.com/blogs/security/temporary-elevated-access-management-with-iam-identitycenter/ (дата звернення: 24.02.2025).7. Semko, D., & Gerasymchuk, T. V. (2023). Securing your aws workloads: best practices for Identity and AccessManagement. URL: https://api.dspace.khadi.kharkov.ua/server/api/core/bitstreams/1563bd9d-56a8-4d47-99ccda50c5db5a92/content (дата звернення: 12.02.2025).8. BasavaRaju, D. K. (2019). Single Sign on Using Cloud Computing. JETIR-International Journal of EmergingTechnologies and Innovative Research (www. jetir. org), ISSN, 2349-5162. ISSN: 2349-51629. National Security Agency (NSA). (2023). Zero Trust Guidance. URL: https://media.defense.gov/2023/Mar/14/2003178390/-1/-1/0/CSI_Zero_Trust_User_Pillar_v1.1.PDF (дата звернення: 01.02.2025).10. Ghadge, N. (2024). Enhancing threat detection in Identity and Access Management (IAM)systems. International Journal of Science and Research Archive, 11(2), 2050-2057. DOI: https://doi.org/10.30574/ijsra.2024.11.2.076111. PCI Security Standards Council, LLC, Payment Card Industry Data Security Standard: Requirements andTesting Procedures, v4.0 (2022) © 2006 - 2022 PCI Security Standards Council, LLC. All rights reserved. URL:https://www.commerce.uwo.ca/pdf/PCI-DSS-v4_0.pdf (дата звернення: 03.02.2025).12. REGULATION (EU) 2016/679 OF THE EUROPEAN PARLIAMENT AND OF THE COUNCIL of 27 April2016 on the protection of natural persons with regard to the processing of personal data and on the free movement of suchdata, and repealing Directive 95/46/EC (General Data Protection Regulation). (2016). URL: https://eurlex.europa.eu/legal-content/EN/TXT/PDF/?uri=CELEX:32016R0679 (дата звернення: 13.02.2025).13.Josang, A. (2025). IAM—Identity and Access Management. In: Cybersecurity. Springer, Cham. DOI:https://doi.org/10.1007/978-3-031-68483-8_914. W. Tirtadjaja, M. E. Rana and K. Shanmugam, (2021). Managing High Privileged Accounts in IT Enterprise:Enhanced Security Infrastructure, International Conference on Data Analytics for Business and Industry (ICDABI),Sakheer, Bahrain, pp. 655-660, DOI: https://doi.org/10.1109/ICDABI53623.2021.965584715. Fortinet, (2025). What Is Privileged Access Management (PAM)? Copyright © 2025 Fortinet, Inc. All RightsReserved. URL: https://www.fortinet.com/resources/cyberglossary/privileged-access-management (дата звернення:18.02.2025).16. GeeksforGeeks, (2025). Introduction of Single-Sign On (SSO). (2024). @GeeksforGeeks, SanchhayaEducation Private Limited, All rights reserved. URL: https://www.geeksforgeeks.org/introduction-of-single-sign-on-sso/(дата звернення: 18.02.2025).17. InstaSafe, (2025). Choosing the right Zero Trust architecture. Zero Trust Blog. URL:https://instasafe.com/blog/choosing-the-right-zero-trust-architecture/ (дата звернення: 20.02.2025).18.Johnny, R. (2019). Identity and Access Management in Zero Trust Frameworks. URL:https://www.researchgate.net/profile/RickyJohnny/publication/388106052_Identity_and_Access_Management_in_Zero_Trust_Frameworks/links/678a377d98c4e967fa6712e2/Identity-and-Access-Management-in-Zero-Trust-Frameworks.pdf (дата звернення: 20.02.2025).19. AWS Prescriptive Guidance: Embracing Zero Trust: A strategy for secure and agile business transformationCopyright © 2024 Amazon Web Services, Inc. and/or its affiliates. All rights reserved. URL:https://docs.aws.amazon.com/pdfs/prescriptive-guidance/latest/strategy-zero-trust-architecture/strategy-zero-trustarchitecture.pdf (дата звернення: 21.02.2025).20. Agorbia-Atta, C., Atalor, I., & andRichard Nachinaba, R. K. A. (2024). Leveraging AI and ML for NextGeneration Cloud Security: Innovations in Risk-Based Access Management. World Journal of Advanced Research andReviews, 23(3). DOI: https://doi.org/10.30574/wjarr.2024.23.3.278821. Singh, C., Thakkar, R. and Warraich, J. 2023. IAM Identity Access Management—Importance in MaintainingSecurity Systems within Organizations. European Journal of Engineering and Technology Research. 8, 4 (Aug. 2023),30–38. DOI: https://doi.org/10.24018/ejeng.2023.8.4.30722. Ismail, W. S. (2024). Threat Detection and Response Using AI and NLP in Cybersecurity. J. Internet Serv. Inf.Secur., 14(1), 195-205. DOI: https://doi.org/10.58346/JISIS.2024.I1.01323. Olabanji, S. O., Olaniyi, O. O., Adigwe, C. S., Okunleye, O. J., & Oladoyinbo, T. O. (2024). AI for Identityand Access Management (IAM) in the cloud: Exploring the potential of artificial intelligence to improve userauthentication, authorization, and access control within cloud-based systems. Authorization, and Access Control withinCloud-Based Systems (January 25, 2024). DOI: https://doi.org/10.9734/AJRCOS/2024/v17i3423Зі зростанням використання хмарних технологій питання управління доступом стає одним із ключовихаспектів забезпечення кібербезпеки. З огляду на глобальну цифрову трансформацію, організації дедалі частішемігрують свої сервіси та дані до хмарних середовищ, що спричиняє нові виклики щодо безпеки, масштабованостіта відповідності нормативним вимогам. Традиційні підходи до управління доступом, які використовувалися улокальних середовищах, не завжди ефективні у розподілених хмарних екосистемах, що вимагає розробки новихметодів автентифікації, авторизації та моніторингу доступу. Сучасні тенденції у сфері інформаційної безпекиспрямовані на розширене використання Zero Trust моделі – моделі «нульової довіри», адаптивноїбагатофакторної автентифікації (Multi-Factor Authentication, MFA), а також систем управління доступом (CloudIdentity & Access Management, Cloud IAM), що забезпечують централізоване управління обліковими записами таконтроль рівня довіри до кожного запиту на доступ. Зростання популярності гібридних і мультихмарнихсередовищ також додає складності у розгортанні ефективних систем контролю доступу.Відсутність єдиного стандарту управління доступом між різними хмарними провайдерами змушуєорганізації використовувати комплексні підходи, такі як політики найменших привілеїв (Principal of LeastPrivilege, PoLP), мікросегментацію мережі та поведінкову аналітику користувачів (User Behavior Analytics, UBA).Це означає, що компанії повинні не лише впроваджувати технологічні рішення для управління доступом, а йзабезпечувати аудит доступу, моніторинг активності користувачів та застосування політик відповідності.У цьому дослідженні проаналізовано сучасні підходи до контролю доступу, зокрема Identity and AccessManagement (IAM), Privileged Access Management (PAM), модель Zero Trust та принцип PoLP (найменшихпривілеїв). Наголошено на важливості інтеграції штучного інтелекту (Artificial Intelligence, AI), машинногонавчання (Machine Learning, ML) та обробки природньої мови (Natural Language Processing, NLP) у процесимоніторингу й виявлення аномалій, що дозволяє підвищувати адаптивність політик безпеки. Розглянуто такожперспективи переходу до автоматизованого аналізу ризиків, коли поведінкова аналітика допомагає своєчасноідентифікувати загрози та знижувати кількість хибних сповіщень. Підкреслено роль відповідності міжнароднимстандартам та регуляторним вимогам для уніфікованого керування безпекою у мультихмарних середовищах. Якрезультат, комбінований та адаптивний підхід до управління доступом, який опирається на AI/ML/NLP таретельно налаштовані політики доступу, стає ключовим чинником захисту корпоративних активів у сучаснійкіберпросторовій екосистемі.Результати дослідження будуть корисними IT-відділам і фахівцям з безпеки, які впроваджують чивдосконалюють системи управління доступом у динамічних хмарних середовищах, щоб забезпечити високийрівень захисту та відповідність нормативним вимогам, а також надає розуміння сучасних тенденцій розвиткусистем управління доступом.Ключові слова: управління доступом, хмарні технології, безпека даних, IAM, PAM, Zero Trust.
Список використаних джерел1. Volodymyr Khoma, Aziz Abibulaiev, Andrian Piskozub, and Taras Kret. (2024). Comprehensive Approachfor Developing an Enterprise Cloud Infrastructure, in: Cybersecurity Providing in Information and TelecommunicationSystems II Vol. 3654 (2024) pp. 201–215.2. Chava, A. (2024). APPLICATION SECURITY AND LEAST PRIVILEGE ACCESS IN MODERNDEVOPS. The American Journal of Engineering and Technology, 6(10), 75-85. DOI: https://doi.org/10.37547/tajet/Volume06Issue10-093. Mandru, S. (2022). PAM (Privileged Access Management) and DevOps: Secure Management of PrivilegedAccounts: Integrating PAM with DevOps Practices To Ensure Secure Development Processes. J Artif Intell Mach Learn& Data Sci 2022, 1(1), 783-787. DOI: https://doi.org/10.51219/JAIMLD/sri-kanth-mandru/1944. Garbis, J., Chapman, J.W. (2021). Privileged Access Management. In: Zero Trust Security. Apress, Berkeley,CA. DOI: https://doi.org/10.1007/978-1-4842-6702-8_125. Tuononen, H. (2023). Privileged access management model for a managed service provider.https://urn.fi/URN:NBN:fi:amk-20230526145426. Taiwo Awoyinfa, James Greenwood, and Varvara Semenova. (2023). Temporary elevated access managementwith IAM Identity Center, AWS Security Blog © 2024, Amazon Web Services, Inc. or its affiliates. All rights reserved,(Apr.2023). URL: https://aws.amazon.com/blogs/security/temporary-elevated-access-management-with-iam-identitycenter/ (дата звернення: 24.02.2025).7. Semko, D., & Gerasymchuk, T. V. (2023). Securing your aws workloads: best practices for Identity and AccessManagement. URL: https://api.dspace.khadi.kharkov.ua/server/api/core/bitstreams/1563bd9d-56a8-4d47-99ccda50c5db5a92/content (дата звернення: 12.02.2025).8. BasavaRaju, D. K. (2019). Single Sign on Using Cloud Computing. JETIR-International Journal of EmergingTechnologies and Innovative Research (www. jetir. org), ISSN, 2349-5162. ISSN: 2349-51629. National Security Agency (NSA). (2023). Zero Trust Guidance. URL: https://media.defense.gov/2023/Mar/14/2003178390/-1/-1/0/CSI_Zero_Trust_User_Pillar_v1.1.PDF (дата звернення: 01.02.2025).10. Ghadge, N. (2024). Enhancing threat detection in Identity and Access Management (IAM)systems. International Journal of Science and Research Archive, 11(2), 2050-2057. DOI: https://doi.org/10.30574/ijsra.2024.11.2.076111. PCI Security Standards Council, LLC, Payment Card Industry Data Security Standard: Requirements andTesting Procedures, v4.0 (2022) © 2006 - 2022 PCI Security Standards Council, LLC. All rights reserved. URL:https://www.commerce.uwo.ca/pdf/PCI-DSS-v4_0.pdf (дата звернення: 03.02.2025).12. REGULATION (EU) 2016/679 OF THE EUROPEAN PARLIAMENT AND OF THE COUNCIL of 27 April2016 on the protection of natural persons with regard to the processing of personal data and on the free movement of suchdata, and repealing Directive 95/46/EC (General Data Protection Regulation). (2016). URL: https://eurlex.europa.eu/legal-content/EN/TXT/PDF/?uri=CELEX:32016R0679 (дата звернення: 13.02.2025).13.Josang, A. (2025). IAM—Identity and Access Management. In: Cybersecurity. Springer, Cham. DOI:https://doi.org/10.1007/978-3-031-68483-8_914. W. Tirtadjaja, M. E. Rana and K. Shanmugam, (2021). Managing High Privileged Accounts in IT Enterprise:Enhanced Security Infrastructure, International Conference on Data Analytics for Business and Industry (ICDABI),Sakheer, Bahrain, pp. 655-660, DOI: https://doi.org/10.1109/ICDABI53623.2021.965584715. Fortinet, (2025). What Is Privileged Access Management (PAM)? Copyright © 2025 Fortinet, Inc. All RightsReserved. URL: https://www.fortinet.com/resources/cyberglossary/privileged-access-management (дата звернення:18.02.2025).16. GeeksforGeeks, (2025). Introduction of Single-Sign On (SSO). (2024). @GeeksforGeeks, SanchhayaEducation Private Limited, All rights reserved. URL: https://www.geeksforgeeks.org/introduction-of-single-sign-on-sso/(дата звернення: 18.02.2025).17. InstaSafe, (2025). Choosing the right Zero Trust architecture. Zero Trust Blog. URL:https://instasafe.com/blog/choosing-the-right-zero-trust-architecture/ (дата звернення: 20.02.2025).18.Johnny, R. (2019). Identity and Access Management in Zero Trust Frameworks. URL:https://www.researchgate.net/profile/RickyJohnny/publication/388106052_Identity_and_Access_Management_in_Zero_Trust_Frameworks/links/678a377d98c4e967fa6712e2/Identity-and-Access-Management-in-Zero-Trust-Frameworks.pdf (дата звернення: 20.02.2025).19. AWS Prescriptive Guidance: Embracing Zero Trust: A strategy for secure and agile business transformationCopyright © 2024 Amazon Web Services, Inc. and/or its affiliates. All rights reserved. URL:https://docs.aws.amazon.com/pdfs/prescriptive-guidance/latest/strategy-zero-trust-architecture/strategy-zero-trustarchitecture.pdf (дата звернення: 21.02.2025).20. Agorbia-Atta, C., Atalor, I., & andRichard Nachinaba, R. K. A. (2024). Leveraging AI and ML for NextGeneration Cloud Security: Innovations in Risk-Based Access Management. World Journal of Advanced Research andReviews, 23(3). DOI: https://doi.org/10.30574/wjarr.2024.23.3.278821. Singh, C., Thakkar, R. and Warraich, J. 2023. IAM Identity Access Management—Importance in MaintainingSecurity Systems within Organizations. European Journal of Engineering and Technology Research. 8, 4 (Aug. 2023),30–38. DOI: https://doi.org/10.24018/ejeng.2023.8.4.30722. Ismail, W. S. (2024). Threat Detection and Response Using AI and NLP in Cybersecurity. J. Internet Serv. Inf.Secur., 14(1), 195-205. DOI: https://doi.org/10.58346/JISIS.2024.I1.01323. Olabanji, S. O., Olaniyi, O. O., Adigwe, C. S., Okunleye, O. J., & Oladoyinbo, T. O. (2024). AI for Identityand Access Management (IAM) in the cloud: Exploring the potential of artificial intelligence to improve userauthentication, authorization, and access control within cloud-based systems. Authorization, and Access Control withinCloud-Based Systems (January 25, 2024). DOI: https://doi.org/10.9734/AJRCOS/2024/v17i342
ВИЗНАЧЕННЯ ФУНКЦІОНАЛЬНИХ ВИМОГ ДО МУЛЬТИМОДАЛЬНОЇ СИСТЕМИ БІОМЕТРИЧНОЇ АУТЕНТИФІКАЦІЇ ПЕРСОНАЛУ ОБ'ЄКТА КРИТИЧНОЇ ІНФРАСТРУКТУРИ З ВИКОРИСТАННЯМ UML-ДІАГРАМ ПРЕЦЕДЕНТІВ
No full textThe article investigates the problem of increasing the efficiency of steganographic methods through the use of modernapproaches to image enhancement. Particular attention is paid to preprocessing methods, as well as the use of deep neuralnetworks, such as ESRGAN, U-Net, and SteganoGAN. The results of experiments using adaptive contrast enhancement andsmoothing are presented, which allows increasing the hidden capacity of the container and reducing the probability of detectinghidden data. The paper investigates the influence of preprocessing methods on the results of steganographic message hiding. Itwas experimentally established that preprocessing of images significantly affects the efficiency of LSB steganography. The beststealth (high PSNR and SSIM) and resistance to JPEG compression was demonstrated by the approach with adaptive texturesegmentation. Conversion to YCbCr also allows increasing stability without losing bandwidth. At the same time, histogramequalization worsens stability due to increased contrast. Thus, adaptive preprocessing methods are advisable to use to improvethe security and quality of information hiding. A comparison of artificial intelligence models for steganography tasks wasconducted. In the course of the work, artificial intelligence models used in steganography tasks were analyzed. It was found thatthe effectiveness of a specific architecture (for example, U-Net or SteganoGAN) significantly depends on the tasks, the type ofinput data, the requirements for channel bandwidth, and the available computing resources. It was concluded that the adaptiveuse of deep learning and image preprocessing methods allows to increase both the stability of hidden messages and theirinvisibility, which is critically important for modern digital steganography.Keywords: steganography, image enhancement, ESRGAN, deep learning, information protection, neural networks.
References1. ДСТУ ISO/IEC 19989-1:2023. Інформаційна безпека. Критерії та методологія оцінювання безпекибіометричних систем. Частина 1. Структура (ISO/IEC 19989-1:2020, IDT). [Чинний від 2023-08-22]. Київ : ДП«УкрНДНЦ», 2023. 32 с.2. ДСТУ ISO/IEC 19989-2:2023. Інформаційна безпека. Критерії та методологія оцінювання безпекибіометричних систем. Частина 2. Структура (ISO/IEC 19989-2:2020, IDT). [Чинний від 2023-08-22]. Київ : ДП«УкрНДНЦ», 2023. 36 с.3. ДСТУ ISO/IEC 24745:2023. Інформаційні технології. Кібербезпека та захист конфіденційності. Захистбіометричної інформації (ISO/IEC 24745:2022, IDT). [На заміну ДСТУ ISO/IEC 24745:2015; чинний від 2023-08-22]. – Київ: ДП «УкрНДНЦ», 2023. – 28 с.4. Про затвердження Методичних рекомендацій щодо забезпечення кіберзахисту автоматизованих системуправління технологічними процесами : Наказ Адміністрація Держспецзв’язку України від 29.05.2023. № 463. –Київ, 2023. – 38 с.5. Про затвердження Положення про національну систему біометричної верифікації та ідентифікаціїгромадян України, іноземців та осіб без громадянства: Постанова Кабінету Міністрів України від 27.12.2017 р.№ 1073. – Київ, 2017.6. Lakhno V., Kozlovskyi V., Klobukov V., Kryvoruchko O., Chubaievskyi V., Tyshchenko D. Software Packagefor Information Leakage Threats Relevance Assessment. In: Silhavy, R. (eds) Cybernetics Perspectives in Systems. CSOC2022. Lecture Notes in Networks and Systems, vol 503. Springer, Cham. P. 290-301. DOI: 10.1007/978-3-031-09073-8_25.7. Шульга В., Міщенко А., Моркляник Б., Лазаренко С., Ліщиновська Н. План управління безпекоюінформаційних активів об’єктів авіатранспортного комплексу України. Захист інформації. Т. 25, № 4, 2023.С. 213-221. DOI: 10.18372/2410-7840.25.18227.8. Muthukumaran B., Harshavarthanan L., Dhyaneshwar S., Sharief M.Z. Face and Iris based HumanAuthentication using Deep Learning. 2023. 4th International Conference on Electronics and Sustainable CommunicationSystems (ICESC), Coimbatore, India, 2023, pp. 841-846. DOI: 10.1109/ICESC57686.2023.10193230.9. Wang Y., Tan T., Jain A.K. Combining Face and Iris Biometrics for Identity Verification. In: Kittler J., NixonM.S. (eds) Audio- and Video-Based Biometric Person Authentication. AVBPA 2003, Lecture Notes in Computer Science.Vol. 2688. Springer, Berlin, Heidelberg. DOI: 10.1007/3-540-44887-X_93.10. Корченко О.Г., Терейковський О.І. Аналіз та оцінювання засобів біометричної аутентифікації зазображенням обличчя та райдужної оболонки ока персоналу об’єктів критичної інфраструктури. Кібербезпека:освіта, наука, техніка, №1(21), 2023. С. 136-148. DOI: 10.28925/2663-4023.2023.21.136148.11. Ahmad Sabri N.I., Setumin S. One-Shot Learning for Facial Sketch Recognition using the SiameseConvolutional Neural Network. 2021 IEEE 11th IEEE Symposium on Computer Applications & Industrial Electronics(ISCAIE), Penang, Malaysia, 2021, pp. 307-312. DOI: 10.1109/ISCAIE51753.2021.9431773.12. Hamdani N., Bousahba N., Bousbai A., Braikia A. Face Detection and Recognition Using Siamese NeuralNetwork. International Journal of Computing and Digital System (Jāmiʻat al-Baḥrayn. Markaz al-Nashr al-ʻIlmī), 2023,Vol. 14, No. 1, pp. 889-897. DOI: 10.12785/ijcds/140169.13. Pranav K.B., Manikandan J. Design and Evaluation of a Real-Time Face Recognition System usingConvolutional Neural Networks. Procedia Computer Science. Vol. 171, 2020, pp. 1651-1659. DOI:10.1016/j.procs.2020.04.177.14. Hangaragi S., Singh T., Neelima N. Face Detection and Recognition Using Face Mesh and Deep NeuralNetwork. Procedia Computer Science, Volume 218, 2023, pp. 741-749. DOI: 10.1016/j.procs.2023.01.054.15. Yergesh A.K. Development of an advanced biometric authentication system using iris recognition based on aconvolutional neural network. Herald of Science. Vol. 2, no. 5 (74), 2024, pp. 615-625. DOI: 10.24412/2712-8849-2024-574-615-625.16. Edmunds T., Caplier A. Motion-based countermeasure against photo and video spoofing attacks in facerecognition. Journal of Visual Communication and Image Representation, Volume 50, 2018, P. 314-332. DOI:10.1016/j.jvcir.2017.12.004.17. Kumar C.R., Saranya N., Priyadharshini M., Gilchrist E.D., Rahman M.K. Face recognition using CNN andsiamese network. Measurement: Sensors, Vol. 27, 2023. DOI: 10.1016/j.measen.2023.100800.18. Li L., Correia P.L., Hadid A. Face recognition under spoofing attacks: countermeasures and research directions.IET Biometrics, 2018, Vol. 7, pp. 3-14. DOI: 10.1049/iet-bmt.2017.0089.19. Корченко О., Терейковський О. Модель процедури розпізнавання особи за зображенням обличчя тарайдужною оболонкою ока при біометричній автентифікації персоналу об’єктів критичної інфраструктури іззастосуванням нейромережевих засобів. Захист інформації. Т. 26, № 1, 2024. С. 157-170. DOI: 10.18372/2410-7840.26.18839.20. Korchenko O., Tereikovskyi I., Ziubina R., Tereikovska L., Korystin O., Tereikovskyi O., Karpinskyi V.Modular Neural Network Model for Biometric Authentication of Personnel in Critical Infrastructure Facilities Based onFacial Images. Applied Sciences. 2025, 15, 2553. DOI: 10.3390/app15052553.21. Корченко О., Терейковський О. Модульна нейромережева модель біометричної автентифікаціїперсоналу об’єктів критичної інфраструктури за зображенням обличчя та райдужною оболонкою ока. Безпекаінформації. 2024. Том 30, № 2. С. 339-347. DOI: 10.18372/2225-5036.30.19247.22. Unified Modeling Language Specification Version 2.5.1. URL: https://www.omg.org/spec/UML/2.5.1/PDF(дата звернення: 14.04.2025).Незважаючи на те, що впровадження мультимодальних систем біометричної аутентифікації на основінейромережевого аналізу зображення обличчя та райдужної оболонки ока суттєво підвищило рівень безпекиоб’єктів критичної інфраструктури, сучасні виклики зумовлюють потребу в їх адаптації до розпізнавання особипри наявності завад відеореєстрації та до функціонування в умовах спуфінг-атак. Показано, що для забезпеченняактуальних потреб функціонування означених систем пріоритетним завданням є модернізація їх архітектури зопорою на сучасні теоретичні напрацювання в даній галузі. Базуючись на загальноприйнятих підходах дорозробки архітектури інформаційних систем, запропоновано співвіднести перший етап модернізації зформалізацією функціональних вимог до мультимодальної системи біометричної аутентифікації персоналуоб'єкта критичної інфраструктури за допомогою UML-діаграми прецедентів. Розроблена діаграма побудована наоснові ітераційної методології та містить три рівні деталізації: базовий рівень описує ключові функціїавтентифікації та реєстрації біометричних параметрів; розширений рівень охоплює процеси, які реалізуються принавчанні нейронної мережі; фінальний рівень враховує передобробку відеоданих і розпізнавання спуфінг-атак заживучістю, за візуальними артефактами навколишнього середовища та за природністю емоцій, відображених напідконтрольному обличчі. Використання розробленої діаграми прецедентів забезпечує логічну цілісністьсистеми, її адаптивність до експлуатаційних умов та створює підґрунтя для подальшого проєктування UMLдіаграм, необхідних для завершення проєктування архітектури, а в подальшому і розробки апаратно-програмногозабезпечення системи біометричної аутентифікації.Ключові слова: захист інформації, об’єкт критичної інфраструктури, кібербезпека, нейронна мережа,біометрична аутентифікація
Перелік посилань1. ДСТУ ISO/IEC 19989-1:2023. Інформаційна безпека. Критерії та методологія оцінювання безпекибіометричних систем. Частина 1. Структура (ISO/IEC 19989-1:2020, IDT). [Чинний від 2023-08-22]. Київ : ДП«УкрНДНЦ», 2023. 32 с.2. ДСТУ ISO/IEC 19989-2:2023. Інформаційна безпека. Критерії та методологія оцінювання безпекибіометричних систем. Частина 2. Структура (ISO/IEC 19989-2:2020, IDT). [Чинний від 2023-08-22]. Київ : ДП«УкрНДНЦ», 2023. 36 с.3. ДСТУ ISO/IEC 24745:2023. Інформаційні технології. Кібербезпека та захист конфіденційності. Захистбіометричної інформації (ISO/IEC 24745:2022, IDT). [На заміну ДСТУ ISO/IEC 24745:2015; чинний від 2023-08-22]. – Київ: ДП «УкрНДНЦ», 2023. – 28 с.4. Про затвердження Методичних рекомендацій щодо забезпечення кіберзахисту автоматизованих системуправління технологічними процесами : Наказ Адміністрація Держспецзв’язку України від 29.05.2023. № 463. –Київ, 2023. – 38 с.5. Про затвердження Положення про національну систему біометричної верифікації та ідентифікаціїгромадян України, іноземців та осіб без громадянства: Постанова Кабінету Міністрів України від 27.12.2017 р.№ 1073. – Київ, 2017.6. Lakhno V., Kozlovskyi V., Klobukov V., Kryvoruchko O., Chubaievskyi V., Tyshchenko D. Software Packagefor Information Leakage Threats Relevance Assessment. In: Silhavy, R. (eds) Cybernetics Perspectives in Systems. CSOC2022. Lecture Notes in Networks and Systems, vol 503. Springer, Cham. P. 290-301. DOI: 10.1007/978-3-031-09073-8_25.7. Шульга В., Міщенко А., Моркляник Б., Лазаренко С., Ліщиновська Н. План управління безпекоюінформаційних активів об’єктів авіатранспортного комплексу України. Захист інформації. Т. 25, № 4, 2023.С. 213-221. DOI: 10.18372/2410-7840.25.18227.8. Muthukumaran B., Harshavarthanan L., Dhyaneshwar S., Sharief M.Z. Face and Iris based HumanAuthentication using Deep Learning. 2023. 4th International Conference on Electronics and Sustainable CommunicationSystems (ICESC), Coimbatore, India, 2023, pp. 841-846. DOI: 10.1109/ICESC57686.2023.10193230.9. Wang Y., Tan T., Jain A.K. Combining Face and Iris Biometrics for Identity Verification. In: Kittler J., NixonM.S. (eds) Audio- and Video-Based Biometric Person Authentication. AVBPA 2003, Lecture Notes in Computer Science.Vol. 2688. Springer, Berlin, Heidelberg. DOI: 10.1007/3-540-44887-X_93.10. Корченко О.Г., Терейковський О.І. Аналіз та оцінювання засобів біометричної аутентифікації зазображенням обличчя та райдужної оболонки ока персоналу об’єктів критичної інфраструктури. Кібербезпека:освіта, наука, техніка, №1(21), 2023. С. 136-148. DOI: 10.28925/2663-4023.2023.21.136148.11. Ahmad Sabri N.I., Setumin S. One-Shot Learning for Facial Sketch Recognition using the SiameseConvolutional Neural Network. 2021 IEEE 11th IEEE Symposium on Computer Applications & Industrial Electronics(ISCAIE), Penang, Malaysia, 2021, pp. 307-312. DOI: 10.1109/ISCAIE51753.2021.9431773.12. Hamdani N., Bousahba N., Bousbai A., Braikia A. Face Detection and Recognition Using Siamese NeuralNetwork. International Journal of Computing and Digital System (Jāmiʻat al-Baḥrayn. Markaz al-Nashr al-ʻIlmī), 2023,Vol. 14, No. 1, pp. 889-897. DOI: 10.12785/ijcds/140169.13. Pranav K.B., Manikandan J. Design and Evaluation of a Real-Time Face Recognition System usingConvolutional Neural Networks. Procedia Computer Science. Vol. 171, 2020, pp. 1651-1659. DOI:10.1016/j.procs.2020.04.177.14. Hangaragi S., Singh T., Neelima N. Face Detection and Recognition Using Face Mesh and Deep NeuralNetwork. Procedia Computer Science, Volume 218, 2023, pp. 741-749. DOI: 10.1016/j.procs.2023.01.054.15. Yergesh A.K. Development of an advanced biometric authentication system using iris recognition based on aconvolutional neural network. Herald of Science. Vol. 2, no. 5 (74), 2024, pp. 615-625. DOI: 10.24412/2712-8849-2024-574-615-625.16. Edmunds T., Caplier A. Motion-based countermeasure against photo and video spoofing attacks in facerecognition. Journal of Visual Communication and Image Representation, Volume 50, 2018, P. 314-332. DOI:10.1016/j.jvcir.2017.12.004.17. Kumar C.R., Saranya N., Priyadharshini M., Gilchrist E.D., Rahman M.K. Face recognition using CNN andsiamese network. Measurement: Sensors, Vol. 27, 2023. DOI: 10.1016/j.measen.2023.100800.18. Li L., Correia P.L., Hadid A. Face recognition under spoofing attacks: countermeasures and research directions.IET Biometrics, 2018, Vol. 7, pp. 3-14. DOI: 10.1049/iet-bmt.2017.0089.19. Корченко О., Терейковський О. Модель процедури розпізнавання особи за зображенням обличчя тарайдужною оболонкою ока при біометричній автентифікації персоналу об’єктів критичної інфраструктури іззастосуванням нейромережевих засобів. Захист інформації. Т. 26, № 1, 2024. С. 157-170. DOI: 10.18372/2410-7840.26.18839.20. Korchenko O., Tereikovskyi I., Ziubina R., Tereikovska L., Korystin O., Tereikovskyi O., Karpinskyi V.Modular Neural Network Model for Biometric Authentication of Personnel in Critical Infrastructure Facilities Based onFacial Images. Applied Sciences. 2025, 15, 2553. DOI: 10.3390/app15052553.21. Корченко О., Терейковський О. Модульна нейромережева модель біометричної автентифікаціїперсоналу об’єктів критичної інфраструктури за зображенням обличчя та райдужною оболонкою ока. Безпекаінформації. 2024. Том 30, № 2. С. 339-347. DOI: 10.18372/2225-5036.30.19247.22. Unified Modeling Language Specification Version 2.5.1. URL: https://www.omg.org/spec/UML/2.5.1/PDF(дата звернення: 14.04.2025)
МЕТОДОЛОГІЯ ДОСЛІДЖЕННЯ СТАНУ ЗАХИЩЕНОСТІ ХМАРНИХ ТЕХНОЛОГІЙ ЗА ДОПОМОГОЮ OSINT-ІНСТРУМЕНТІВ
No full textThe article examines the current problem of ensuring cybersecurity of cloud storage in the context of rapid digitaltransformation and the growing dependence of organizations on cloud technologies. The authors propose a systematicmethodology for assessing the security status of cloud environments using open-source intelligence (OSINT) tools, which allowsidentifying potential vulnerabilities without direct interaction with the research object. The developed methodology covers thefull cycle of OSINT research: from goal setting and selection of relevant tools to data collection, analysis, and documentation.Particular attention is paid to threats specific to cloud storage, such as misconfigurations, account compromise, unprotectedAPIs, data leaks, and insider risks. Examples of OSINT tools and techniques for identifying these threats are presented (Shodan,Censys, Google Dorks, Have I Been Pwned, etc.). The article also emphasizes the importance of an ethical approach to research,emphasizing the need to comply with the law when collecting information from open sources. The advantages of OSINT as atool for safe, cost-effective and operational assessment of the level of security of cloud infrastructure are separately considered.The proposed methodology is a valuable practical tool for cybersecurity professionals, auditors and researchers, allowing foreffective detection of vulnerabilities inKeywords: cybersecurity, cloud storage, OSINT, open-source intelligence, data security, vulnerabilities, risk analysis.
References1. Таксін О. П., Корнійчук О. М. Безпека хмарних обчислень: актуальні загрози та методи захисту //Інформаційні технології та комп'ютерна інженерія. 2020. № 1. С. 55-62.2. Subashini S., Kavitha V. A survey on security issues in cloud computing // Journal of Network and ComputerApplications. 2011. Vol. 34, No. 1. P. 1-11., Режим доступу: https://doi.org/10.1016/j.jnca.2010.07.0063. Ничик В. М., Романов В. В., Терещенко Т. О. Розвідка на основі відкритих джерел: концептуальні засадита інструментарій // Інформаційна безпека. 2019. № 1. С. 15-22.4. Bremmer J. N. Open source intelligence techniques: Resources for searching and analyzing online information.Lulu.com, 2010.5. Shutenko V., Teres K. Must-Know Cloud Security Statistics for 2025 Режим доступу: https://www.techmagic.co/blog/cloud-security-statistics6. Zissis D., Lekkas D. Addressing cloud computing security issues // Future Generation Computer Systems. 2012.Vol. 28, No. 3. P. 583-592, Режим доступу: https://doi.org/10.1016/j.future.2010.12.0067. Ранич В. М., Ковальчук С. В. Аналіз вразливостей хмарних сервісів зберігання даних // Захистінформації. 2018. № 2. С. 45-51.8. Lande D., Shnurko-Tabakova E. OSINT as a part of cyber defense system. Theoretical and AppliedCybersecurity. 2019. Vol. 1, no. 1. URL: https://doi.org/10.20535/tacs.2664-29132019.1.1690919. CloudSafe: A Tool for an Automated Security Analysis for Cloud Computing / S. An et al. 2019 18th IEEEInternational Conference On Trust, Security And Privacy In Computing And Communications/13th IEEE InternationalConference On Big Data Science And Engineering (TrustCom/BigDataSE), Rotorua, New Zealand, 5–8 August 2019.2019. URL: https://doi.org/10.1109/trustcom/bigdatase.2019.0008610. Cloud Property Graph: Connecting Cloud Security Assessments with Static Code Analysis / C. Banse etal. 2021 IEEE 14th International Conference on Cloud Computing (CLOUD), Chicago, IL, USA, 5–10 September 2021.2021. URL: https://doi.org/10.1109/cloud53861.2021.0001411. Mukhopadhyay A., Luther K. OSINT Clinic: Co-designing AI-Augmented Collaborative OSINTInvestigations for Vulnerability Assessment. CHI 2025: CHI Conference on Human Factors in Computing Systems,Yokohama Japan. New York, NY, USA, 2025. P. 1–22. URL: https://doi.org/10.1145/3706598.3713283У статті досліджується актуальна проблема забезпечення кібербезпеки хмарних сховищ у контекстістрімкої цифрової трансформації та зростаючої залежності організацій від хмарних технологій. Авторипропонують системну методологію оцінки стану захищеності хмарних середовищ із використанням інструментіврозвідки на основі відкритих джерел (OSINT), яка дозволяє виявляти потенційні вразливості без прямої взаємодіїз об’єктом дослідження. Розроблена методологія охоплює повний цикл OSINT-дослідження: від формуванняцілей і вибору релевантних інструментів – до збору, аналізу та документування даних. Особлива увагаприділяється загрозам, характерним для хмарних сховищ, таким як неправильні конфігурації, компрометаціяоблікових записів, незахищені API, витоки даних та інсайдерські ризики. Представлено приклади OSINTінструментів і технік для виявлення цих загроз (Shodan, Censys, Google Dorks, Have I Been Pwned тощо). Статтятакож акцентує увагу на важливості етичного підходу до дослідження, підкреслюючи необхідність дотриманнязаконодавства під час збору інформації з відкритих джерел. Окремо розглянуто переваги OSINT як інструментубезпечної, економічно ефективної та оперативної оцінки рівня захищеності хмарної інфраструктури.Запропонована методологія є цінним практичним інструментом для фахівців із кібербезпеки, аудиторів тадослідників, що дозволяє ефективно виявляти вразливості вКлючові слова: кібербезпека, хмарні сховища, OSINT, розвідка на основі відкритих джерел, безпекаданих, вразливості, аналіз ризиків.
Перелік посилань1. Таксін О. П., Корнійчук О. М. Безпека хмарних обчислень: актуальні загрози та методи захисту //Інформаційні технології та комп'ютерна інженерія. 2020. № 1. С. 55-62.2. Subashini S., Kavitha V. A survey on security issues in cloud computing // Journal of Network and ComputerApplications. 2011. Vol. 34, No. 1. P. 1-11., Режим доступу: https://doi.org/10.1016/j.jnca.2010.07.0063. Ничик В. М., Романов В. В., Терещенко Т. О. Розвідка на основі відкритих джерел: концептуальні засадита інструментарій // Інформаційна безпека. 2019. № 1. С. 15-22.4. Bremmer J. N. Open source intelligence techniques: Resources for searching and analyzing online information.Lulu.com, 2010.5. Shutenko V., Teres K. Must-Know Cloud Security Statistics for 2025 Режим доступу: https://www.techmagic.co/blog/cloud-security-statistics6. Zissis D., Lekkas D. Addressing cloud computing security issues // Future Generation Computer Systems. 2012.Vol. 28, No. 3. P. 583-592, Режим доступу: https://doi.org/10.1016/j.future.2010.12.0067. Ранич В. М., Ковальчук С. В. Аналіз вразливостей хмарних сервісів зберігання даних // Захистінформації. 2018. № 2. С. 45-51.8. Lande D., Shnurko-Tabakova E. OSINT as a part of cyber defense system. Theoretical and AppliedCybersecurity. 2019. Vol. 1, no. 1. URL: https://doi.org/10.20535/tacs.2664-29132019.1.1690919. CloudSafe: A Tool for an Automated Security Analysis for Cloud Computing / S. An et al. 2019 18th IEEEInternational Conference On Trust, Security And Privacy In Computing And Communications/13th IEEE InternationalConference On Big Data Science And Engineering (TrustCom/BigDataSE), Rotorua, New Zealand, 5–8 August 2019.2019. URL: https://doi.org/10.1109/trustcom/bigdatase.2019.0008610. Cloud Property Graph: Connecting Cloud Security Assessments with Static Code Analysis / C. Banse etal. 2021 IEEE 14th International Conference on Cloud Computing (CLOUD), Chicago, IL, USA, 5–10 September 2021.2021. URL: https://doi.org/10.1109/cloud53861.2021.0001411. Mukhopadhyay A., Luther K. OSINT Clinic: Co-designing AI-Augmented Collaborative OSINTInvestigations for Vulnerability Assessment. CHI 2025: CHI Conference on Human Factors in Computing Systems,Yokohama Japan. New York, NY, USA, 2025. P. 1–22. URL: https://doi.org/10.1145/3706598.371328
МОДЕЛЮВАННЯ ЗАБЕЗПЕЧЕННЯ ЯКОСТІ ПРОГРАМНОГО ЗАБЕЗПЕЧЕННЯ ІНТЕЛЕКТУАЛЬНОГО УПРАВЛІННЯ ЕНЕРГІЄЮ НА ОСНОВІ ШІ
No full textThis research is conducted within the Department of Software Engineering for Power Industry, NTUU KPI andForeign Expert Studio for Demand Response at the Shandong-Uzbekistan Technological Innovation Research Institutecollaboration under the Project H20240943 Quality Assurance Project for Intelligent Energy Management SoftwareBased on AI Methods and the Development and Industrialization of Intelligent Grid Demand Response TechnologyProject. Intelligent Energy Management Software (IEMS) must operate reliably across heterogeneous sites where datadistributions, sensor suites, code bases, and operating policies evolve over time. This paper presents a unified frameworkfor cross-domain adaptation and trusted quality assurance (QA) that combines supervised transfer learning, domainadversarial alignment, and federated aggregation with release gates for calibration, robustness, and explainability. Theframework is validated on benchmarks spanning software engineering and energy analytics: NASA MDP and PROMISEdefect datasets for classification, the Numenta Anomaly Benchmark (NAB) for time-series anomaly detection, and theUCI energy dataset for reliability assessment. Strong baselines (Random Forest, SVM, CNN, GRU) are tuned underidentical protocols to ensure fair comparison. The proposed method consistently improves predictive performance,yielding absolute F1-score gains of 5–10 points on defect prediction and an 8-point increase on NAB anomaly detection(from 0.70 to 0.78). Trustworthiness also increases: the Expected Calibration Error (ECE) is reduced to 0.032 (a 22–42%reduction relative to Bayesian/CNN baselines), the Negative Log-Likelihood (NLL) falls to 0.18, and the Brier scoreimproves, indicating better probabilistic accuracy. Ablation studies show that adversarial alignment drives the most crossdomain generalization gains, whereas temperature scaling and entropy regularization deliver the largest calibrationimprovements. Stress tests with injected noise and gradual drift confirm stable precision–recall trade-offs and boundederror propagation under distributional shift. In privacy-constrained settings, federated aggregation maintains thesebenefits without exchanging raw data, while lightweight explainability checks (e.g., SHAP/LIME) flag low-confidencepredictions for human review, enabling actionable QA. Together, these results demonstrate that coupling adaptive transferwith formal QA checks provides a principled and practical route to reliable IEMS deployment across residential,commercial, and industrial environments.Keywords: Intelligent Energy Management Software (IEMS); Cross-Domain Adaptation; Transfer Learning;Domain-Adversarial Training; Federated Learning; Software Quality Assurance; Calibration; Explainability.
References1. ISO/IEC 25010:2011. Systems and software engineering—Systems and software Quality Requirements andEvaluation (SQuaRE), System and software quality models. International Organization for Standardization, Geneva,2011.2. Felderer, M., & Ramler, R. (2021). Quality assurance for AI-based systems: Overview and challenges. arXivpreprint arXiv:2102.05351. https://doi.org/10.48550/arXiv.2102.05351.3. Ali, M. A., Yap, N. K., Ghani, A. A. A., Zulzalil, H., Admodisastro, N. I., & Najafabadi, A. A. (2022). Asystematic mapping of quality models for AI systems, software and components. Applied Sciences, 12(17), 8700.https://doi.org/10.3390/app12178700.4. Lakshminarayanan, B., Pritzel, A., & Blundell, C. (2017). Simple and scalable predictive uncertaintyestimation using deep ensembles. In Advances in Neural Information Processing Systems (NeurIPS 30) (pp. 6402–6413).Curran Associates, Inc. https://doi.org/10.48550/arXiv.1612.014745. Angelopoulos, A. N., & Bates, S. (2021). A gentle introduction to conformal prediction and distribution-freeuncertainty quantification. arXiv preprint arXiv:2107.07511. https://doi.org/10.48550/arXiv.2107.075116. Higham, N. J. (2002). Accuracy and Stability of Numerical Algorithms (2nd ed.). Philadelphia, PA: SIAM.https://doi.org/10.1137/1.97808987180277. Goodfellow, I., Shlens, J., & Szegedy, C. (2015). Explaining and harnessing adversarial examples. InProceedings of the 3rd International Conference on Learning Representations (ICLR 2015). San Diego, CA. Retrievedfrom https://arxiv.org/abs/1412.65728. Carlini, N., & Wagner, D. (2017). Towards evaluating the robustness of neural networks. In 2017 IEEESymposium on Security and Privacy (SP) (pp. 39–57). IEEE. https://doi.org/10.1109/SP.2017.499. Hendrycks, D., & Dietterich, T. G. (2019). Benchmarking neural network robustness to common corruptionsand perturbations. In Proceedings of the 7th International Conference on Learning Representations (ICLR 2019). NewOrleans, LA. Retrieved from https://arxiv.org/abs/1903.1226110. Mounir, N., Ouadi, H., & Jrhilifa, I. (2023). Short-term electric load forecasting using an EMD–BiLSTMapproach for smart grid energy management system. Energy and Buildings, 288, 113022. https://doi.org/10.1016/j.enbuild.2023.11302211. Abumohsen, M., AlQahtani, M., Alsanad, A., Alqahtani, A., & Alkahtani, H. (2023). Electrical load forecastingusing LSTM, GRU, and RNN. Energies, 16(5), 2283. https://doi.org/10.3390/en1605228312. Bayram, F., Aupke, P., Ahmed, B. S., Kassler, A., Theocharis, A., & Forsman, J. (2023). DA-LSTM: Adynamic drift-adaptive learning framework for interval load forecasting with LSTM networks. Engineering Applicationsof Artificial Intelligence, 123, 106480. https://doi.org/10.1016/j.engappai.2023.10648013. Mischos, S., Iakovidis, D. K., & Katsikas, A. K. (2023). Intelligent energy management systems: A review.Artificial Intelligence Review. https://doi.org/10.1007/s10462-023-10506-5Це дослідження проводиться кафедрою програмної інженерії для енергетичної промисловості, КПІ НТУУ таСтудією іноземних експертів з реагування на попит при Шаньдун-Узбекистанському науково-дослідному інститутітехнологічних інновацій у рамках співпраці проекту H20240943 «Проект забезпечення якості інтелектуальногопрограмного забезпечення для управління енергією на основі методів штучного інтелекту та проекту «Розробка таіндустріалізація технології реагування на попит інтелектуальної мережі». Програмне забезпечення дляінтелектуального управління енергією (IEMS) повинно надійно працювати на гетерогенних об'єктах, де розподіл даних,набори датчиків, бази коду та операційні політики змінюються з часом. У цій статті представлено єдину структуру дляміждоменної адаптації та довірчого забезпечення якості (QA), яка поєднує контрольоване навчання з перенесенням,узгодження доменно-змагальних систем та федеративну агрегацію з релізними шлюзами для калібрування, надійностіта пояснювальності. Структура валідована на основі еталонів, що охоплюють програмну інженерію та енергетичнуаналітику: набори даних дефектів NASA MDP та PROMISE для класифікації, бенчмарк аномалій Numenta (NAB) длявиявлення аномалій часових рядів та набір даних про енергію UCI для оцінки надійності. Сильні базові лінії(випадковий ліс, SVM, CNN, GRU) налаштовані за ідентичними протоколами для забезпечення справедливогопорівняння. Запропонований метод послідовно покращує прогностичну ефективність, забезпечуючи абсолютнезбільшення F1-оцінки на 5–10 балів для прогнозування дефектів та збільшення на 8 балів для виявлення аномалій NAB(з 0,70 до 0,78). Достовірність також підвищується: очікувана помилка калібрування (ECE) зменшується до 0,032(зниження на 22–42% відносно базових рівнів баєсівського/CNN), негативна логарифмічна правдоподібність (NLL)падає до 0,18, а оцінка Брієра покращується, що вказує на кращу ймовірнісну точність. Дослідження абляції показують,що змагальне вирівнювання забезпечує найбільші покращення міждоменного узагальнення, тоді як температурнемасштабування та регуляризація ентропії забезпечують найбільші покращення калібрування. Стрес-тести з введенимшумом та поступовим дрейфом підтверджують стабільні компроміси між точністю та повнотою та обмеженепоширення помилок при розподільному зсуві. В умовах обмеженої конфіденційності федеративна агрегація зберігає ціпереваги без обміну необробленими даними, тоді як легкі перевірки пояснень (наприклад, SHAP/LIME) позначаютьпрогнози з низькою достовірністю для перевірки людиною, що дозволяє здійснювати дієве забезпечення якості. Разомці результати демонструють, що поєднання адаптивного перенесення з формальними перевірками якості забезпечуєпринциповий та практичний шлях до надійного розгортання IEMS у житлових, комерційних та промисловихсередовищах.Ключові слова: програмне забезпечення для інтелектуального управління енергією (IEMS); міждоменнаадаптація; навчання за допомогою перенесення; змагальне навчання за доменами; федеративне навчання; забезпеченняякості програмного забезпечення; калібрування; пояснимість.
Перелік посилань1. ISO/IEC 25010:2011. Systems and software engineering—Systems and software Quality Requirements andEvaluation (SQuaRE), System and software quality models. International Organization for Standardization, Geneva,2011.2. Felderer, M., & Ramler, R. (2021). Quality assurance for AI-based systems: Overview and challenges. arXivpreprint arXiv:2102.05351. https://doi.org/10.48550/arXiv.2102.05351.3. Ali, M. A., Yap, N. K., Ghani, A. A. A., Zulzalil, H., Admodisastro, N. I., & Najafabadi, A. A. (2022). Asystematic mapping of quality models for AI systems, software and components. Applied Sciences, 12(17), 8700.https://doi.org/10.3390/app12178700.4. Lakshminarayanan, B., Pritzel, A., & Blundell, C. (2017). Simple and scalable predictive uncertaintyestimation using deep ensembles. In Advances in Neural Information Processing Systems (NeurIPS 30) (pp. 6402–6413).Curran Associates, Inc. https://doi.org/10.48550/arXiv.1612.014745. Angelopoulos, A. N., & Bates, S. (2021). A gentle introduction to conformal prediction and distribution-freeuncertainty quantification. arXiv preprint arXiv:2107.07511. https://doi.org/10.48550/arXiv.2107.075116. Higham, N. J. (2002). Accuracy and Stability of Numerical Algorithms (2nd ed.). Philadelphia, PA: SIAM.https://doi.org/10.1137/1.97808987180277. Goodfellow, I., Shlens, J., & Szegedy, C. (2015). Explaining and harnessing adversarial examples. InProceedings of the 3rd International Conference on Learning Representations (ICLR 2015). San Diego, CA. Retrievedfrom https://arxiv.org/abs/1412.65728. Carlini, N., & Wagner, D. (2017). Towards evaluating the robustness of neural networks. In 2017 IEEESymposium on Security and Privacy (SP) (pp. 39–57). IEEE. https://doi.org/10.1109/SP.2017.499. Hendrycks, D., & Dietterich, T. G. (2019). Benchmarking neural network robustness to common corruptionsand perturbations. In Proceedings of the 7th International Conference on Learning Representations (ICLR 2019). NewOrleans, LA. Retrieved from https://arxiv.org/abs/1903.1226110. Mounir, N., Ouadi, H., & Jrhilifa, I. (2023). Short-term electric load forecasting using an EMD–BiLSTMapproach for smart grid energy management system. Energy and Buildings, 288, 113022. https://doi.org/10.1016/j.enbuild.2023.11302211. Abumohsen, M., AlQahtani, M., Alsanad, A., Alqahtani, A., & Alkahtani, H. (2023). Electrical load forecastingusing LSTM, GRU, and RNN. Energies, 16(5), 2283. https://doi.org/10.3390/en1605228312. Bayram, F., Aupke, P., Ahmed, B. S., Kassler, A., Theocharis, A., & Forsman, J. (2023). DA-LSTM: Adynamic drift-adaptive learning framework for interval load forecasting with LSTM networks. Engineering Applicationsof Artificial Intelligence, 123, 106480. https://doi.org/10.1016/j.engappai.2023.10648013. Mischos, S., Iakovidis, D. K., & Katsikas, A. K. (2023). Intelligent energy management systems: A review.Artificial Intelligence Review. https://doi.org/10.1007/s10462-023-10506-
МОДЕЛЬ ВИЗНАЧЕННЯ МАРШРУТУ ЯКОСТІ ОБСЛУГОВУВАННЯ (QOS) ТА ЙОГО ЗАТРИМОК ПРИ ВИКОРИСТАННІ МОДЕЛІ БЕЗДРОТОВОЇ МЕРЕЖІ
No full textThis paper proposes a novel mathematical routing model for wireless networks designed to guarantee Quality of Service(QoS) under dynamic, self-similar traffic conditions. The model adopts a cross-layer approach that integrates the physical, datalink, and network layers of the protocol stack and employs Lagrangian relaxation to decompose a complex optimization problemaimed at minimizing end-to-end delay, packet loss, and energy consumption. A tabu-search heuristic algorithm is applied toefficiently locate quasi-optimal solutions while avoiding local minima in the feasible routing space. To realistically model trafficdynamics, a fractal self-similar non-homogeneous Poisson process (FSNDP) is utilized, accurately capturing key statisticalcharacteristics of real-world network traffic—particularly long-range dependence and burst intensity. Simulation resultsdemonstrate the superiority of the proposed approach: average jitter is reduced by 22–35%, throughput is increased by 18–27%,and resilience to transient overloads is significantly enhanced compared to conventional protocols such as IEEE 802.11CSMA/CA. Additionally, an active node load control mechanism combined with selective discarding of excessivelyretransmitted packets is implemented to prevent queue avalanche effects and reduce the likelihood of network collapse duringtraffic peaks.Keywords: traffic intensity, Quality of Service (QoS), wireless network, routing model, self-similar traffic, Lagrangianrelaxation, tabu search.
References1. Dordal P. An Introduction to Computer Networks - Release 1.9.18, 2019. 882p.2. Vegesna S.R. IP Quality of Service. - Pearson Education, Cisco Press, 2019, 221 River Street, Hoboken, NJ07030. 368 pp.3. Recommendation E.800 : Definitions of terms related to quality of service Approved in 2008-09-23, Status : Inforce. Електронний ресурс. Режим доступу: https://www.itu.int/rec/T-REC-E.800-200809-I.4. Ahmed Arshed Al-Shammari, Volodymyr Drovovozov, Oksana Ilkova, and Heorhii Krvykhovetskyi.Optimization and Analysis of Wireless Network Charactreristics with Service Quality Maintaining. CMiGIN 2022: 2ndInternational Conference on Conflict Management in Global Information Networks, November 30, 2022, Kyiv, Ukraine.5. Дрововозов В.І., Аль-Шаммарі Ахмед Аршед, Толстікова О.В. Оптимізація ключових характеристикбезпроводових мереж з міжрівневою взаємодією. Проблеми інформатизації та управління: зб. наук. праць. К.НАУ, 2021. Вип. №67 (3). С. 16–27.6. Дрововозов В. І., Аль-Шаммарі Ахмед Аршед, Толстікова О. В., Водоп’янов С. В., Коцюр А. Б.Наскрізна якість сервісу безпроводових мереж з міжрівневою взаємодією. Проблеми інформатизації тауправління. 2020. Вип. 63. С. 11–17.7. Khan M. A., Al-Fuqaha A. QoS-Aware Routing in 5G and Beyond Wireless Networks: A Survey // IEEECommunications Surveys & Tutorials. 2021. Vol. 23, no. 3. P. 1568–1617. DOI: 10.1109/COMST.2021.3074456 .8. Wang Y., Chen X., Liu Z., Tao M. A Deep Reinforcement Learning Approach for QoS Routing in DynamicWireless Networks // IEEE Transactions on Network Science and Engineering. 2023. Vol. 10, no. 4. P. 2105–2119. DOI:10.1109/TNSE.2023.3267891 .9. Kumar S., Kumar R., Singh S. K. Energy-Efficient QoS Routing Protocol for Wireless Sensor Networks UsingMulti-Objective Optimization // Sensors. 2020. Vol. 20, no. 15. Art. 4231. P. 1–25. DOI: 10.3390/s20154231 .10. Li J., Shen H., Yang Y. Delay-Constrained Routing in Wireless Mesh Networks Using Lagrangian Relaxation// Computer Networks. 2022. Vol. 215. Art. 109123. P. 1–14. DOI: 10.1016/j.comnet.2022.109123 .11. Zhang L., Wang K., Zhang N., Shen X. Self-Similar Traffic Modeling and QoS Provisioning in Next-GenerationWireless Networks // IEEE Access. 2021. Vol. 9. P. 72856–72870. DOI: 10.1109/ACCESS.2021.3078945 .12. Al-Sayed M. A., El-Bakary H. M. F. A., Hassan A. A. A Tabu Search-Based QoS Routing Algorithm for IoTNetworks // Ad Hoc Networks. 2024. Vol. 154. –Art. 103215. P. 1–12. DOI: 10.1016/j.adhoc.2024.103215 .13. Duong T. Q., Nguyen H. H., Le-Ngoc T. Cross-Layer QoS Optimization in Wireless Multimedia SensorNetworks // Journal of Network and Computer Applications. 2020. Vol. 167. Art. 102721. P. 1–13. DOI: 10.1016/j.jnca.2020.102721.У статті запропоновано нову математичну модель маршрутизації для бездротових мереж, спрямовану назабезпечення якості обслуговування (QoS) за умов динамічного, самоподібного трафіку. Модель ґрунтується наміжрівневому підході, що інтегрує фізичний, канальний та мережевий рівні стеку протоколів, і використовуєрелаксацію Лагранжа для декомпозиції складної задачі оптимізації з метою мінімізації кінцевих затримок, втратпакетів та енергоспоживання. Для пошуку квазіоптимальних рішень застосовано евристичний алгоритм табупошуку, який ефективно уникнув локальних мінімумів у просторі допустимих маршрутів. Для реалістичногомоделювання трафіку використано фрактальний самоподібний неперервний пуасонівський процес (FSNDP), щоадекватно відтворює статистичні властивості реального мережевого навантаження, зокрема довготривалузалежність та сплескову інтенсивність. Результати імітаційного експерименту продемонстрували перевагизапропонованого підходу: зменшення середнього джиттера на 22–35 %, підвищення пропускної здатності на 18–27 % та покращення стійкості до тимчасових перевантажень у порівнянні з класичними протоколами, зокремаIEEE 802.11 CSMA/CA. Додатково реалізовано механізм активного контролю завантаження вузлів та відкиданнянадмірно повторюваних пакетів, що запобігає лавинному зростанню черг і знижує ймовірність колапсу мережіпід час пікових навантажень.Ключові слова: інтенсивність трафіку, якість обслуговування (QoS), бездротова мережа, модельмаршрутизації, самоподібний трафік, релаксація Лагранжа, табу-пошук.
Перелік посилань1. Dordal P. An Introduction to Computer Networks - Release 1.9.18, 2019. 882p.2. Vegesna S.R. IP Quality of Service. - Pearson Education, Cisco Press, 2019, 221 River Street, Hoboken, NJ07030. 368 pp.3. Recommendation E.800 : Definitions of terms related to quality of service Approved in 2008-09-23, Status : Inforce. Електронний ресурс. Режим доступу: https://www.itu.int/rec/T-REC-E.800-200809-I.4. Ahmed Arshed Al-Shammari, Volodymyr Drovovozov, Oksana Ilkova, and Heorhii Krvykhovetskyi.Optimization and Analysis of Wireless Network Charactreristics with Service Quality Maintaining. CMiGIN 2022: 2ndInternational Conference on Conflict Management in Global Information Networks, November 30, 2022, Kyiv, Ukraine.5. Дрововозов В.І., Аль-Шаммарі Ахмед Аршед, Толстікова О.В. Оптимізація ключових характеристикбезпроводових мереж з міжрівневою взаємодією. Проблеми інформатизації та управління: зб. наук. праць. К.НАУ, 2021. Вип. №67 (3). С. 16–27.6. Дрововозов В. І., Аль-Шаммарі Ахмед Аршед, Толстікова О. В., Водоп’янов С. В., Коцюр А. Б.Наскрізна якість сервісу безпроводових мереж з міжрівневою взаємодією. Проблеми інформатизації тауправління. 2020. Вип. 63. С. 11–17.7. Khan M. A., Al-Fuqaha A. QoS-Aware Routing in 5G and Beyond Wireless Networks: A Survey // IEEECommunications Surveys & Tutorials. 2021. Vol. 23, no. 3. P. 1568–1617. DOI: 10.1109/COMST.2021.3074456 .8. Wang Y., Chen X., Liu Z., Tao M. A Deep Reinforcement Learning Approach for QoS Routing in DynamicWireless Networks // IEEE Transactions on Network Science and Engineering. 2023. Vol. 10, no. 4. P. 2105–2119. DOI:10.1109/TNSE.2023.3267891 .9. Kumar S., Kumar R., Singh S. K. Energy-Efficient QoS Routing Protocol for Wireless Sensor Networks UsingMulti-Objective Optimization // Sensors. 2020. Vol. 20, no. 15. Art. 4231. P. 1–25. DOI: 10.3390/s20154231 .10. Li J., Shen H., Yang Y. Delay-Constrained Routing in Wireless Mesh Networks Using Lagrangian Relaxation// Computer Networks. 2022. Vol. 215. Art. 109123. P. 1–14. DOI: 10.1016/j.comnet.2022.109123 .11. Zhang L., Wang K., Zhang N., Shen X. Self-Similar Traffic Modeling and QoS Provisioning in Next-GenerationWireless Networks // IEEE Access. 2021. Vol. 9. P. 72856–72870. DOI: 10.1109/ACCESS.2021.3078945 .12. Al-Sayed M. A., El-Bakary H. M. F. A., Hassan A. A. A Tabu Search-Based QoS Routing Algorithm for IoTNetworks // Ad Hoc Networks. 2024. Vol. 154. –Art. 103215. P. 1–12. DOI: 10.1016/j.adhoc.2024.103215 .13. Duong T. Q., Nguyen H. H., Le-Ngoc T. Cross-Layer QoS Optimization in Wireless Multimedia SensorNetworks // Journal of Network and Computer Applications. 2020. Vol. 167. Art. 102721. P. 1–13. DOI: 10.1016/j.jnca.2020.102721