Випуск № 104

Permanent URI for this collection

https://ir.kneu.edu.ua/handle/2010/52914

Browse

Browsing Випуск № 104 by Subject "681.5"

Now showing 1 - 2 of 2
  • No Thumbnail Available
    Item
    Моделювання IoT-інфраструктури розумного будинку
    (Київський національний економічний університет імені Вадима Гетьмана, 2024) Агутін, Михайло Михайлович; Ahutin, Mykhailo
    В статті розглядаються питання інтеграції систем Інтернет-речей (ІоТ) у побутовому та промисловому секторах, зокрема в «розумних будинках», що вимагає надійних методів для аналізу їхньої поведінки, стійкості до відмов та здатності протистояти загрозам. Традиційні методи аналізу часто не враховують конкретність та асинхронність, притаманні розподіленим ІоТ системам. Мережі Петрі виступають потужним формальним апаратом для моделювання таких систем. Вони дозволяють наочно та строго описувати стани компонентів (позиції), події та дії (переходи), а також взаємодію між ними через рух токенів. Цей підхід був застосований для створення моделі типової системи моніторингу «розумний будинок», де компоненти (датчики руху, дверей, контролер живлення, сервер) відображені у відповідних елементах мережі. Додавання до моделі параметрів, таких як затримки спрацьовування переходів, ємність позицій та пріоритети подій, робить її більш реалістичною для подальшого аналізу. На базі цієї моделі мережі Петрі сформульовано узагальнену математичну модель для аналізу надійності та безпеки ІоТ системи. Ця модель використовує властивості мережі Петрі для кількісної оцінки рівня безпеки та надійності системи, враховуючи при цьому обмеження у доступних ресурсах (обчислювальних, комунікаційних, енергетичних). Задача зводиться до пошуку такої конфігурації системи (представленої моделлю мережі Петрі), яка забезпечує досягнення мінімально необхідного рівня безпеки, не виходячи за межі встановлених ресурсних обмежень. Моделювання систем ІоТ за допомогою мереж Петрі надає формальну основу для розуміння їхньої складної поведінки. Розширення цих моделей для включення параметрів та метрик надійності, безпеки та ресурсних витрат дозволяє проводити комплексний аналіз та оптимізацію на етапі проектування. Такий підхід є критично важливим для створення стійких, безпечних та ефективних систем Інтернет-речей в умовах обмежених ресурсів. The paper addresses the integration of Internet of Things (IoT) sys tems into domestic and industrial environments, particularly smart homes, high lighting the need for reliable methods to analyze system behavior, fault tolerance, 5 and resilience to threats. Traditional analytical approaches often fail to account for concurrency and asynchrony inherent in distributed IoT systems. Petri nets offer a formal and expressive modeling tool suitable for such complex systems. They provide a structured way to represent component states (places), events and actions (transitions), and their interactions through token flow. This method ology was applied to model a typical smart home monitoring system, where mo tion sensors, door contacts, power controllers, and monitoring servers are repre sented as elements of a Petri net. The inclusion of parameters such as transition delays, place capacities, and event priorities adds realism to the model. Based on this structure, a generalized mathematical model has been developed to an alyze the reliability and security of IoT systems. It enables quantitative evaluation of safety under resource constraints—computational, communication, and en ergy-related—by searching for configurations that ensure minimum acceptable security levels without exceeding resource limits. Petri net-based modeling offers a formal foundation for understanding IoT sys tem behavior. Extending these models with reliability, security, and resource us age metrics allows for comprehensive analysis and optimization at the design stage, which is critical for building robust and efficient IoT solutions in resource constrained environments.
  • No Thumbnail Available
    Item
    Роль програмування у розвитку компетентностей з аналітики та безпеки в умовах ШІ
    (Київський національний економічний університет імені Вадима Гетьмана, 2024) Камінський, Олег Євгенович; Kaminskyi, Oleh; Лютий, О. О.; Liutyi, O.
    У статті розглядаються сучасні підходи до програмування як основу підготовки фахівців із смарт-аналітики та кібербезпеки в умовах стрімкого розвитку штучного інтелекту. Визначено ключові наукові аспекти, що супроводжують перетворення ролі розробника: від класичного кодування «з нуля» до взаємодії з генеративними мовними моделями та інструментами автоматизації. Наведено аналіз трьох основних освітніх парадигм — традиційної, адаптивної та генеративно-орієнтованої — із метою виявлення їхніх переваг і обмежень. Адаптивне навчання описане як технологія, що використовує алгоритми машинного навчання для персоналізації навчальних маршрутів, миттєвого зворотного зв'язку та автоматичної корекції складності завдань відповідно до індивідуальних потреб студента. Продемонстровано приклади впровадження адаптивних платформ (CybExer, AI-Cyber Range, Knewton Alta, Georgia Tech OMS), а також підбито підсумки мета-аналізу, що засвідчили зростання рівня успішності залученості студентів та зниження показника відмови. Окрему увагу приділено інтеграції генеративного штучного інтелекту у навчальні програми, який забезпечує автоматичну генерaцію кейсів для виявлення вразливостей. Висвітлено та досліджено вплив ШІ-інструментів (Copilot, TabNine, Diffblue) на оптимізацію циклів розробки: автоматичне створення коду, тестування, документування й рефакторинг, що підвищує продуктивність розробників на 30–50 %. Розроблено структуру адаптивної онлайн-платформи, яка поєднує початкове оцінювання, побудову індивідуального плану, динамічну адаптацію контенту, практичні інтерактивні проєкти, цикл зворотного зв'язку, систему нагадувань та підсумкову сертифікацію. Схематично відображено взаємодію компонентів системи. Дослідження підкреслює критичну важливість гібридного поєднання освітніх методик — традиційної, адаптивної та генеративної — для формування в студентів ключових компетенцій XXI століття: аналітичного мислення, здатності до самонавчання та адаптивності. This article examines contemporary approaches to programming as the foundation for training specialists in smart analytics and cybersecurity amid the rapid development of artificial intelligence. It identifies key scientific aspects accompanying the transformation of the developerʼs role—from classical «coding from scratch» to interacting with generative language models and automation tools. The analysis covers three main educational paradigms—traditional, adaptive, and generative-oriented—to reveal their advantages and limitations. Adaptive learning is described as a technology that employs machine learning algorithms to personalize learning paths, provide instant feedback, and automatically adjust task difficulty according to each studentʼs individual needs. Examples of adaptive platforms (CybExer, AI-Cyber Range, Knewton Alta, Georgia Tech OMS) are demonstrated, and the results of a meta-analysis are summarized, showing increased student success and engagement alongside reduced dropout rates. Special attention is given to the integration of generative artificial intelligence into curricula, which enables automatic generation of vulnerability-detection case studies. The impact of AI-driven tools (Copilot, TabNine, Diffblue) on development cycles — automatic code generation, testing, documentation, and refactoring, boosting developer productivity by 30–50 %—is also explored. A structure for an adaptive online platform is proposed, combining initial assessment, individualized plan creation, dynamic content adaptation, practical interactive projects, a feedback loop, reminder system, and final certification. A schematic diagram illustrates the interaction of system components. The study underscores the critical importance of a hybrid combination of educational methodologies—traditional, adaptive, and generative — for cultivating in students the key 21st-century competencies of analytical thinking, self-directed learning, and adaptability.