https://ir.lib.vntu.edu.ua//handle/123456789/7778 2026-08-23T23:11:09Z 2026-08-23T23:11:09Z Гнатюк, В. О. Зандер, К. Ю. Gnatyuk, V. O. Zander, K. Yu. https://ir.lib.vntu.edu.ua//handle/123456789/52347 2026-08-20T10:52:02Z 2026-01-01T00:00:00Z

Метод динамічного оптимального розподілу потоку звернень у багатосерверних інтерактивних системах Гнатюк, В. О.; Зандер, К. Ю.; Gnatyuk, V. O.; Zander, K. Yu. The paper presents a dynamic optimal method of request flows distribution in multi-server interactive systems aimed at achieving adaptive load balancing under conditions of non-stationary and unpredictable traffic. The proposed approach ensures real-time adjustment of the request flow among parallel servers based on the current load coefficients, thereby maintaining system stability and minimizing the probability of overloads. A structural-functional model of the proposed method is developed, consisting of modules for traffic smoothing, dynamic demultiplexing, and load equalization across the server line. A modified version of the “token bucket” algorithm is introduced to convert a non-stationary and pulsating incoming flow into quasi-stationary traffic segments that can be processed by discrete control mechanisms. The model continuously measures instantaneous load parameters for each server and performs iterative redistribution of queued requests between overloaded and underloaded nodes. In case of critical congestion, additional servers can be automatically activated, while in periods of low intensity, redundant servers are temporarily deactivated to optimize resource utilization. The proposed method can be applied to the design of real-time systems, cloud data centers, VoIP and IoT platforms, and 5G core networks, maintaining stable performance under variable loads is a critical requirement. The approach enhances system scalability, reduces latency and request loss probability, and provides a foundation for implementing intelligent software-based controllers for adaptive load balancing. The proposed software implementation confirmed the efficiency of the developed method for dynamic optimal distribution of the requests flow in multi-server interactive systems. The algorithm provides adaptive load balancing, reduces the probability of overloads and loss of requests, and can also be integrated into real-time systems, SDN platforms, VoIP servers or data centers.; Запропоновано динамічний оптимальний метод розподілу потоків запитів у багатосерверних інтерактивних системах, спрямований на забезпечення адаптивного балансування навантаження в умовах нестаціонарного та непередбачуваного трафіку. Запропонований підхід забезпечує коригування розподілу потоку запитів між паралельними серверами в реальному часі на основі поточних коефіцієнтів навантаження, що дозволяє підтримувати стабільність системи та мінімізувати ймовірність перевантажень. Розроблено структурно-функціональну модель запропонованого методу, яка складається з модулів згладжування трафіку, динамічного демультиплексування та вирівнювання навантаження по серверній лінії. Запропоновано модифіковану версію алгоритму “token bucket”, призначену для перетворення нестаціонарного та пульсуючого вхідного потоку у квазістаціонарні сегменти трафіку, що можуть оброблятися дискретними механізмами керування. Модель здійснює безперервне вимірювання миттєвих параметрів навантаження кожного сервера та виконує ітеративний перерозподіл черг запитів між перевантаженими та недовантаженими вузлами. У разі критичного перевантаження можливе автоматичне підключення додаткових серверів, тоді як у періоди низької інтенсивності надлишкові сервери тимчасово деактивуються з метою оптимізації використання ресурсів. Запропонований метод може бути використаний під час проєктування систем реального часу, хмарних центрів оброблення даних, VoIP- та IoT-платформ, а також ядер мереж 5G, для яких підтримання стабільних показників продуктивності за змінних навантажень є критично важливою вимогою. Підхід підвищує масштабованість системи, зменшує затримку та ймовірність втрати запитів, а також створює підґрунтя для впровадження інтелектуальних програмних контролерів адаптивного балансування навантаження. Програмна реалізація підтвердила ефективність розробленого методу динамічного оптимального розподілу потоків запитів у багатосерверних інтерактивних системах. Алгоритм забезпечує адаптивне балансування навантаження, знижує ймовірність перевантажень і втрати запитів та може бути інтегрований у системи реального часу, SDN-платформи, VoIP-сервери або центри оброблення даних.

2026-01-01T00:00:00Z Бондарчук, О. В. Мокін, Б. І. Bondarchuk, O. V. Mokin, B. I. https://ir.lib.vntu.edu.ua//handle/123456789/52346 2026-08-20T11:22:57Z 2026-01-01T00:00:00Z

Системний аналіз та стохастична оптимізація впливу розміщення майнінгового кластеру біля АЕС на стабілізацію частоти Бондарчук, О. В.; Мокін, Б. І.; Bondarchuk, O. V.; Mokin, B. I. Systems-analysis study and a stochastic optimization model of the impact of deploying a managed cryptocurrency mining cluster at a nuclear power plant (NPP) site on frequency stabilization in the unified power system are developed. The maneuverability of nuclear units is confined to a narrow primary-control band (±2 % of nominal power) and does not allow participation in secondary reserves (FRR/aFRR) due to nuclear-physical constraints, while the growing share of renewable sources increases the demand for such resources. The proposed approach resolves this contradiction: an ASIC cluster operates as a controllable consumer that reduces the consumption within the ENTSO-E FCR deployment time (full activation ≤ 30 s) without affecting the thermal regime of the reactor. A two-stage stochastic optimization model is developed: the first stage (day-ahead) determines the baseline cluster loading and the volume of FCR commitments, while the second stage (real-time) adjusts the plan under FCR activations across stochastic scenarios. Reliability of FCR obligations is guaranteed by chance constraints at a specified confidence level (α = 0.95). Uncertainty parameterization covers cryptocurrency price forecasting and FCR activation frequency, while stochastic scenarios of the power system state are described by autoregressive models of post-war recovery of Ukraine&039;s energy system and renewable generation. Scenario generation uses Monte Carlo sampling with reduction to 200 representative trajectories. A numerical example for a VVER-1000 unit demonstrates that the proposed "mining + FCR" strategy provides approximately 23 % higher daily revenue than pure mining and approximately eightfold economic advantage over a battery energy storage (BESS) alternative through the absence of CAPEX and cluster monetization in standby mode. Load localization yields an additional effect of approximately 284 million UAH annually through network loss reduction. The scientific novelty lies in formulating a two-stage stochastic model with chance constraints together with an uncertainty parameterization that integrates cryptocurrency price forecasting, FCR activation frequency, and autoregressive scenarios of the state of Ukraine&039;s power system and renewable generation. The practical contribution is an adaptation of the U.S.-implemented behind-the-meter architecture of the Nautilus Cryptomine project to the conditions of Ukraine&039;s power system, a mining cluster colocated with an NPP serves as an instrument for primary frequency regulation that compensates for the limited maneuverability of VVER-1000 units.; Виконано системний аналіз та побудовано стохастичну оптимізаційну модель впливу розміщення керованого майнінгового кластера на майданчику атомної електростанції (АЕС) на стабілізацію частоти в об&039;єднаній енергосистемі. Маневровість атомних блоків обмежена вузьким діапазоном первинного регулювання (±2 % Nnom) і унеможливлює участь у вторинному резерві (FRR/aFRR) через ядерно-фізичні обмеження, тоді як дедалі більша частка відновлюваних джерел підвищує потребу в таких ресурсах. Запропонований підхід усуває цю суперечність: ASIC-кластер функціонує як кероване навантаження, що знижує споживання у часі повного розгортання ≤ 30 с відповідно до вимог ENTSO-E до FCR, не змінюючи теплового режиму реактора. Розроблено двоступеневу стохастичну модель оптимізації, де перший ступінь (day-ahead) формує базовий план завантаження кластера та обсяг зобов&039;язань FCR, а другий ступінь (real-time) коригує план у разі активацій FCR у різних стохастичних сценаріях. Надійність виконання зобов&039;язань FCR гарантується шанс-обмеженнями із заданим рівнем довіри. Параметризація невизначеності охоплює прогнозування курсу криптовалют та активацій FCR; стохастичні сценарії стану енергосистеми описуються авторегресійними моделями відновлення ЕЕС та ВДЕ України. Генерація сценаріїв виконується методом Монте-Карло з редукцією до 200 репрезентативних траєкторій. На числовому прикладі блока ВВЕР-1000 показано, що пропонована стратегія «майнінг + FCR» забезпечує ≈ 23 % приросту добового доходу порівняно з чистим майнінгом і майже восьмикратну економічну перевагу над BESS-альтернативою завдяки відсутності CAPEX і монетизації кластера у режимі готовності. Локалізація навантаження дає додатковий ефект близько 284 млн грн/рік через зниження мережевих втрат. Наукова новизна полягає у побудові двоступеневої стохастичної моделі із шанс-обмеженнями та параметризації невизначеності, що інтегрує прогнозування курсу криптовалют, частоту FCR-активацій і авторегресійні сценарії стану ЕЕС та ВДЕ України. Практичним результатом є адаптація реалізованої у США архітектури behind-the-meter проєкту Nautilus Cryptomine до умов ОЕС України, де майнінговий кластер біля АЕС використовується як інструмент надання первинного регулювання частоти, що компенсує обмежену маневровість блоків ВВЕР-1000.

2026-01-01T00:00:00Z Московко, С. Г. Квєтний, Р. Н. Moskovko, S. G. Kvetny, R. N. https://ir.lib.vntu.edu.ua//handle/123456789/52345 2026-08-20T11:49:54Z 2026-01-01T00:00:00Z

Метод автоматизованої ідентифікації обмежених контекстів під час проєктування систем електронної комерції Московко, С. Г.; Квєтний, Р. Н.; Moskovko, S. G.; Kvetny, R. N. The article examines the issue of automating the strategic stage of e-commerce system design, focusing on modeling complex business logic and structuring the domain. Modern e-commerce systems are characterized by a high level of complexity in business rules and a large number of interconnected processes. Effective management of this complexity is possible through the application of the Domain-Driven Design approach, which involves decomposing the system into logically separated modules known as Bounded Contexts. The quality of identifying these contexts directly affects the system’s viability, the clarity of the codebase, and its potential for further evolution. Traditional approaches to identifying context boundaries are based mainly on heuristic methods and expert sessions, which are resource-intensive and dependent on the human factor. Existing formal methods that rely on structural data analysis are often unable to correctly interpret the semantic nuances of business terminology [1]. This paper proposes an information technology approach that uses the capabilities of generative artificial intelligence and large language models (LLMs) for automated analysis of the problem space. The main focus of the article is the development of a method for semantic clustering of requirements, which makes it possible to identify hidden linguistic patterns in the description of business processes. The proposed approach involves using LLMs to analyze the project’s Ubiquitous Language and to form a Context Map based on the semantic similarity of concepts rather than only their technical relationships. An algorithm is described that transforms textual specifications and user stories into formalized domain models, determining the recommended boundaries of responsibility for each module. The research results demonstrate that applying a generative approach makes it possible to significantly increase the objectivity of domain modeling, minimize the cognitive load on architects, and ensure validation of the system’s logical integrity at the early stages of design. The developed technology serves as an intelligent decision-support tool, enabling the creation of flexible and business-change-adaptive e-commerce models.; Розглянуто проблематику автоматизації стратегічного етапу проєктування систем електронної комерції, фокусуючись на моделюванні складної бізнес-логіки та структуруванні предметної області. Сучасні системи електронної комерції характеризуються високим рівнем заплутаності бізнес-правил та великою кількістю взаємопов’язаних процесів. Ефективне управління цією складністю можливе завдяки застосуванню підходу предметно-орієнтованого проєктування, який передбачає декомпозицію системи на логічно відокремлені модулі — обмежені контексти. Якість виділення цих контекстів безпосередньо впливає на життєздатність системи, зрозумілість кодової бази та можливість її подальшого розвитку. Традиційні підходи до ідентифікації меж контекстів базуються переважно на евристичних методах та експертних сесіях, які є ресурсомісткими та залежними від людського фактора. Наявні формальні методи, що ґрунтуються на структурному аналізі даних, часто не здатні коректно інтерпретувати семантичні нюанси бізнес-термінології. У роботі запропоновано інформаційну технологію, що використовує можливості генеративного штучного інтелекту та великих мовних моделей для автоматизованого аналізу простору задачі. Основну увагу в статті приділено розробці методу семантичної кластеризації вимог, який дозволяє виявляти приховані лінгвістичні закономірності в описі бізнес-процесів. Запропонований підхід передбачає використання великих мовних моделей для аналізу єдиної мови проєкту та формування карти контекстів на основі семантичної близькості понять, а не лише їхніх технічних зв’язків. Описано алгоритм, який трансформує текстові специфікації та історії користувачів у формалізовані моделі доменів, визначаючи рекомендовані межі відповідальності для кожного модуля. Результати дослідження демонструють, що застосування генеративного підходу дозволяє значно підвищити об’єктивність моделювання предметної області, мінімізувати когнітивне навантаження на архітекторів та забезпечити валідацію логічної цілісності системи на ранніх етапах проєктування. Розроблена технологія слугує інструментом інтелектуальної підтримки прийняття рішень, дозволяючи формувати гнучкі та адаптивні до змін бізнес-моделі електронної комерції.

2026-01-01T00:00:00Z Висоцька, В. А. Чирун, Л. В. Бичков, І. О. Vysotska, V. A. Chyrun, L. V. Bychkov, I. O. https://ir.lib.vntu.edu.ua//handle/123456789/52344 2026-08-20T11:57:41Z 2026-01-01T00:00:00Z

Інформаційна технологія виявлення суїцидальних і депресивних намірів у соціальних мережах на основі Logistic Regression, Multinomial Naive Bayes, Linear SVM ТА CNN Висоцька, В. А.; Чирун, Л. В.; Бичков, І. О.; Vysotska, V. A.; Chyrun, L. V.; Bychkov, I. O. The article considers the current problem of developing and implementing automated systems for monitoring users&039; mental health in the digital environment. Given the rapid increase in cases of depressive disorders and suicidal intentions, which is recorded by the World Health Organization, there is an urgent need to create tools for early detection of psychological risks based on the analysis of text content of social networks and messengers. Special attention is paid to the specifics of the Ukrainian context in conditions of social instability, the resources of medical institutions are limited. The purpose of the study is to develop an intelligent information and analytical platform MindGuard, which allows for deep analysis of texts to identify signs of depression, anxiety and suicidal behavior. To achieve this goal, a large-scale training corpus was formed and labeled, including over 340,000 examples of messages the Reddit platform, distributed by categories: “non-psycho” (texts without signs of disorders), “depression” (depressive states), and “suicide” (suicidal intentions). Within the framework of the study, several approaches to text classification were implemented and compared: classical machine learning algorithms (Logistic Regression, Multinomial Naive Bayes, Linear SVM) using TF-IDF statistical weighting, as well as deep learning methods, in particular the TextCNN architecture using pre-trained GloVe embeddings. The results of the experimental evaluation showed that the CNN model provides the best balance between accuracy and computational efficiency. The achieved F1-scores are 0.92 for the class “non-psycho”, 0.74 for “depression” and 0.76 for “suicide”. High values ​​of the ROC AUC metric (0.910–0.990) confirm the system’s ability to effectively rank texts by risk level. A detailed analysis of the inaccuracies matrices was conducted, which revealed lexical proximity between the categories of depression and suicidal thoughts, which causes the main difficulties in differentiating intermediate states. The practical implementation of the platform includes the development of a REST API based on FastAPI and a client part based on React. Performance testing confirmed the high speed of the system: the average latency is about 15 ms per request, which allows processing up to 66 texts per second on one CPU thread. This opens up opportunities for integrating MindGuard into the work of social media moderation teams, psychological services, and educational institutions to automate initial screening and timely adoption of preventive measures. The scientific novelty of the work lies in the creation of a hybrid architecture adapted to the local context, which ensures high accuracy in detecting psychologically risky messages in real time.; Розглянуто актуальну проблему розробки та впровадження автоматизованих систем для моніторингу ментального здоров’я користувачів у цифровому середовищі. З огляду на стрімке зростання випадків депресивних розладів та намірів суїциду, що фіксується Всесвітньою організацією охорони здоров’я, виникає нагальна потреба у створенні інструментів раннього виявлення психологічних ризиків на основі аналізу текстового контенту соціальних мереж та месенджерів. Особлива увага в роботі приділена специфіці українського контексту в умовах соціальної нестабільності, де ресурси медичних установ є обмеженими. Метою дослідження є розробка інтелектуальної інформаційно-аналітичної платформи MindGuard, яка дозволяє здійснювати глибокий аналіз текстів для виявлення ознак депресії, тривожності та суїцидальної поведінки. Для досягнення цієї мети сформовано та розмічено масштабний навчальний корпус, що включає понад 340 000 прикладів повідомлень із платформи Reddit, розподілених за категоріями: «non-psycho» (тексти без ознак розладів), «depression» (депресивні стани) та «suicide» (суїцидальні наміри). У межах дослідження реалізовано та порівняно декілька підходів до класифікації текстів: класичні алгоритми машинного навчання (Logistic Regression, Multinomial Naive Bayes, Linear SVM) з використанням статистичного зважування TF-IDF, а також методи глибинного навчання, зокрема архітектуру TextCNN із застосуванням попередньо навчених ембеддингів GloVe. Результати експериментальної оцінки показали, що модель CNN забезпечує найкращий баланс між точністю та обчислювальною ефективністю. Досягнуті показники F1-score становлять 0,92 для класу «non-psycho», 0,74 для «depression» та 0,76 для «suicide». Високі значення метрики ROC AUC (0,910...0,990) підтверджують здатність системи ефективно ранжувати тексти за ступенем ризику. Проведено детальний аналіз матриць неточностей, який виявив лексичну близькість між категоріями депресії та суїцидальних думок, що зумовлює основні складнощі в диференціації проміжних станів. Практична реалізація платформи включає розробку REST API на базі FastAPI та клієнтської частини на React. Тестування продуктивності підтвердило високу швидкодію системи: середня затримка (latency) становить близько 15 мс на запит, що дозволяє обробляти до 66 текстів на секунду на одному CPU-потоці. Це відкриває можливості для інтеграції MindGuard у роботу модераторських команд соціальних мереж, психологічних служб та освітніх закладів для автоматизації первинного скринінгу та своєчасного прийняття превентивних заходів. Наукова новизна роботи полягає у створенні гібридної архітектури, адаптованої до локального контексту, що забезпечує високу точність виявлення психологічно ризикованих повідомлень у реальному часі.

2026-01-01T00:00:00Z