Academic Scientific Journal of Computer Science

ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ ДАННЫХ ДЛЯ АВТОМАТИЧЕСКОГО ВЫЯВЛЕНИЯ ЯЗЫКА НЕНАВЕСТИ В СОЦИАЛЬНЫХ СЕТЯХ

С.T. Ахметова — 2026-03-15

Непрерывное развитие социальных сетей, расширяя возможности получения и передачи информации, также способствует быстрому распространению комментариев в социальных сетях, полных агрессии, дискриминации и ненависти. Рост количества сообщений и комментариев, содержащих ненависть и кибербуллинг, в социальных сетях и на онлайн-платформах создает необходимость в разработке эффективных и надежных методов автоматического обнаружения. В этом контексте данное исследование направлено на совершенствование методов машинного обучения для автоматического обнаружения комментариев с оскорбительным содержанием в социальных сетях.

Целью исследовательской работы является создание гибридной модели глубокого обучения, сочетающей архитектуры LSTM и CNN, для классификации комментариев, полученных из социальных сетей, и оценка ее эффективности. Предложенная модель использует сеть LSTM для выявления долгосрочных контекстных зависимостей и сеть CNN для извлечения локальных n-граммовых признаков. Такая архитектура позволяет проводить всесторонний анализ семантической структуры текста и точно идентифицировать последовательности слов с оскорбительным содержанием.

В исследовании использовался предварительно аннотированный набор данных из социальных сетей. Для повышения качества и надежности аннотирования данных был использован подход с участием человека, а также проанализирован уровень согласованности между аннотаторами. В процессе обучения и валидации модели использовались широко распространенные метрики оценки, такие как точность, прецизия, полнота, F1-мера и AUC-ROC.

Экспериментальные результаты показали, что предложенная гибридная модель LSTM–CNN превзошла существующие классические методы, включая машины опорных векторов, случайные леса и отдельные модели LSTM и CNN. В частности, модель достигла точности 93,2%, специфичности 91,5%, полноты 94,0%, F1-меры 92,7% и AUC-ROC 0,95.

Результаты исследования показали, что предложенный метод может эффективно выявлять сложные лингвистические закономерности даже в случае дисбаланса данных. Полученный подход может быть использован для создания автоматизированных систем модерации контента, направленных на повышение безопасности в Интернете. В будущем планируется внедрение преобразованных эмбеддингов, механизмов внимания и возможностей кроссплатформенной адаптации для повышения точности и обобщающей способности модели.

БАҒДАРЛАМАЛЫҚ ЖАСАҚТАМАМЕН АНЫҚТАЛҒАН ЖЕЛІДЕГІ DDOS ШАБУЫЛДАРЫ ҮШІН ЖАСАНДЫ ИНТЕЛЛЕКТКЕ НЕГІЗДЕЛГЕН ШАБУЛДАРДЫ АНЫҚТАУ

А.Н. Аманов — 2026-03-15

Сетевые технологии с программно-определяемой архитектурой (SDN) представляют собой концепцию, ориентированную на программное обеспечение, в которой разделены уровни управления и передачи данных. Однако SDN подвержены различным угрозам безопасности, включая атаки типа "отказ в обслуживании" (DDoS). В данной статье представлена гибкая модульная архитектура программного обеспечения, позволяющая выявлять и предотвращать DDoS-атаки. Сначала наблюдался нормальный трафик. Затем была выполнена DDoS-атака, которая также была зафиксирована. Также описана система обнаружения и предотвращения DDoS-атак в SDN с использованием методов машинного обучения. Были выполнены многочисленные тестовые сценарии в среде Mininet. Модель Decision Tree показала точность 91%. Эта модель превзошла другие, такие как искусственные нейронные сети (ANN — 78%) и наивный Байесовский классификатор (68%). В результате было достигнуто согласие, что наиболее подходящей моделью для обнаружения DDoS-атак является Decision Tree. Используемые модели искусственного интеллекта можно легко переобучить и интегрировать повторно, что значительно экономит время на этапе обучения. Были обнаружены атаки DDoS в реальном времени. После обнаружения контроллер также защитил атакованный компьютер/систему от дальнейшего воздействия.

БЭКЕНД-АРХИТЕКТУРА ГИБРИДНОЙ СИСТЕМЫ ПРОВЕРКИ АКАДЕМИЧЕСКИХ ДОСТИЖЕНИЙ НА ОСНОВЕ БЛОКЧЕЙНА

С.Т. Аманжолова — 2026-03-15

Быстрорастущий процесс цифровизации, который в настоящее время происходит в высших учебных заведениях по всему миру, приводит к экспоненциальному росту спроса на прозрачные, надежные и безопасные решения для хранения, управления и проверки академических данных. Все больше университетов и колледжей переходят на электронные системы управления документами для хранения своих транскриптов и дипломов. Однако традиционная централизованная архитектура информационных систем образовательных учреждений по-прежнему подвержена серьезным недостаткам, связанным с несанкционированным доступом к данным транскриптов, отсутствием прозрачной системы аудита, генерацией поддельных транскриптов и т. д.

Для смягчения текущих проблем, с которыми сталкиваются работодатели, государственные организации и зарубежные университеты в процессе проверки академических документов, в данной статье предлагается внедрение гибридной архитектуры OffChain – консорциумный блокчейн (OnChain). Часть приложения OffChain должна отвечать за хранение больших объемов данных OffChain и обработку метаданных, в то время как компонент OnChain должен хранить хеши транскриптов, а также неизменяемые данные для проверки. Предлагаемое решение позволит хранить данные в безопасном месте, одновременно используя преимущества децентрализованного, не требующего доверия и неизменяемого хранения с помощью технологии блокчейн.

Реализованная архитектура соответствует стандартам «чистой архитектуры» и состоит из нескольких уровней, таких как контроль доступа для авторизации на основе ролей, защищенный API-шлюз для компоновки сервисов, решение для аутентификации на основе асимметричной криптографии, гибридный модуль распределения данных и т. д. Разработанные смарт-контракты автоматизируют процесс проверки/подтверждения транскриптов и дипломов, обеспечивая защищенное от несанкционированного доступа хранение данных.

РАЗРАБОТКА ПРЕДИКТИВНОГО ЦИФРОВОГО ДВОЙНИКА ПИЩЕВОГО ПРОДУКТА НА ОСНОВЕ EDGE ML И IOT-СЕНСОРОВ

Г.А. Амирханова — 2026-03-15

В данной статье рассматривается исследование по разработке предиктивного цифрового двойника для пищевых продуктов с целью сокращения потерь и создания основы для интеллектуального управления качеством. Актуальность предлагаемого исследования во многом обусловлена необходимостью решения мировой проблемы потерь продовольствия и внедрения технологий Индустрии 4.0 в агропродовольственную отрасль. Основная идея заключается в разработке решения, в рамках которого состояние продукта в режиме реального времени будет контролироваться с помощью периферийных вычислений (Edge ML) путем использования данных, предоставляемых датчиками Интернета вещей, и прогнозирования его качества, например, остаточного срока годности. Подходы включают в себя интеллектуальные датчики (температуры, влажности, уровня газа), микроконтроллер ESP32 в качестве передатчиков собранных данных, протокол MQTT для передачи данных и прошивку Raspberry Pi 5, используемую для обработки данных на локациях. Предиктивный анализ с использованием XGBoost (Extreme Gradient Boosting). Эксперименты, проведённые на яблоках сорта Голден Делишес, показали, что модель градиентного бустинга обеспечивает очень высокую точность прогнозирования, поскольку показатель R² в обучающей выборке составил 0,9936. Эти результаты подтверждают большой потенциал технологии Edge ML как средства создания надёжных, энергоэффективных и динамичных цифровых двойников на основе данных в режиме реального времени. Практическая ценность данной работы заключается в том, что предлагаемый прототип может послужить основой для создания коммерческих систем мониторинга. Преимущество таких систем заключается в том, что они также помогут производителям и розничным продавцам проактивно управлять запасами и логистикой, тем самым сокращая потери, связанные с порчей, и повышая устойчивость пищевой промышленности.

ХОЛОДНЫЙ ЗАПУСК В СИСТЕМАХ РЕКОМЕНДАЦИЙ В ОБЛАСТИ ОБРАЗОВАНИЯ: КЛАССИЧЕСКИЕ СРЕДСТВА И СТРАТЕГИИ LLM ЭПОХИ

A. Бекарыстанкызы — 2026-03-15

Системы рекомендаций в образовании (ERS) способствуют развитию образования и повышают заинтересованность студентов в предмете, поскольку система адаптирована к личным предпочтениям на основе различных параметров. Цель этой работы — рассмотреть методы, системы и общие проблемы, возникающие при работе с ERS. В частности, проблема «холодного старта» при запуске нового курса, добавлении нового пользователя или добавлении нового каталога курсов или страны в систему. До недавнего времени традиционными подходами к решению этой проблемы были контентные особенности, графики/GNN и междоменный перенос. С недавним развитием LLM используются два основных подхода: LLM как система рекомендаций и LLM как усилитель знаний. В данной работе сравниваются эти подходы с помощью следующих метрик: время отклика на качественное предложение, коэффициент выживаемости курса в течение 12-24 месяцев и коэффициент завершения курса студентами.

В данной статье также рассматриваются основные различия между классическим подходом и подходом, ориентированным на LLM. Это делается в контексте образовательных платформ, где каталоги часто обновляются и часто вводятся новые области обучения. Особое внимание уделяется трем сценариям «холодного старта»: новый учащийся без истории взаимодействия, новый курс с минимальным количеством кликов и отзывов, а также новый регион или витрина с другими лингвистическими и культурными характеристиками. Для оценки эффективности подходов используются как стандартные метрики рекомендательных систем, так и дополнительные показатели платформы, отражающие динамику появления высококачественных курсов, уровень их востребованности и стабильность во времени. Полученные результаты ясно показывают условия, при которых подходы LLM обеспечивают наибольшее повышение качества рекомендаций, а также ограничения, которые остаются при их практическом применении в образовательных рекомендательных системах. Ключевые слова: образовательные рекомендательные системы; холодный старт; LLM; RAG; гибридные модели; графы знаний; MOOC; метрики оценки

ИСПОЛЬЗОВАНИЕ МАШИННОГО ОБУЧЕНИЯ И СЕМАНТИЧЕСКИХ МОДЕЛЕЙ ДЛЯ ОБНАРУЖЕНИЯ КИБЕРПРОПАГАНДИСТСКОГО КОНТЕНТА

Ж.А. Бимолдина — 2026-03-27

Киберпропаганда, распространяемая в социальных сетях, становится новой формой идеологической манипуляции и представляет серьезную угрозу информационной безопасности общества. Скрытая структура, целенаправленное воздействие и сложные семантические особенности киберпропагандистского контента существенно осложняют его автоматическое выявление. В связи с этим применение современных методов обработки естественного языка и глубокого обучения является актуальной задачей.

В данной работе рассматриваются методы обнаружения киберпропаганды на основе семантического анализа и тонкой настройки предварительно обученных трансформерных языковых моделей. На основе специализированного корпуса, включающего киберпропагандистские и нейтральные тексты, были адаптированы одноязычные и многоязычные модели на архитектуре BERT. Для устранения дисбаланса классов использовались методы Random Oversampling, SMOTE и SMOTE-ENN.

Экспериментальные результаты показали, что дообученные модели значительно превосходят традиционные подходы по точности и устойчивости. В частности, модель KazBERT продемонстрировала значение AUC=0.97 по ROC-кривой, что свидетельствует о высокой способности различения. Полученные результаты подтверждают эффективность трансформерных моделей для автоматического выявления киберпропаганды и могут быть использованы при разработке интеллектуальных систем мониторинга информационной безопасности.

ПРОГНОЗИРОВАНИЕ КЛЮЧЕВЫХ KPI СЕТЕЙ 5G НА ОСНОВЕ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ MLP И LSTM

К.С. Чежимбаева — 2026-03-27

В условиях стремительного роста сетей пятого поколения (5G) обеспечение надежности радиодоступа и минимизация вероятности аномальных разъединений соединений (Abnormal Release Rate) являются ключевыми задачами операторов мобильной связи. Данная статья посвящена разработке и исследованию нейросетевых моделей глубокого обучения, предназначенных для прогнозирования вероятности аномальных разъединений в сотах 5G NR. В качестве исходных данных использовались измеренные эксплуатационные показатели (KPI), включающие показатели успешности процедур подключения, параметры целостности соединений, статистику пользовательской пропускной способности и загрузку ресурсных блоков.

Для моделирования применены две архитектуры глубокого обучения: многослойный перцептрон (MLP) и рекуррентная сеть типа Long Short-Term Memory (LSTM), ориентированная на обработку временных последовательностей. Проведено сравнение точности моделей по метрикам RMSE, MAE и коэффициенту детерминации R². Результаты демонстрируют высокую способность нейросетей выявлять нелинейные зависимости между параметрами радиосети и вероятностью аномального разъединения, что позволяет использовать предложенные методы в системах автоматической оптимизации (SON) и предиктивного управления качеством сети.

РАЗРАБОТКА ПРИЛОЖЕНИЯ ДЛЯ ОПТИМИЗАЦИИ ПРОЦЕССА ТРУДОУСТРОЙСТВА ВЫПУСКНИКОВ

А.О. Даутбаева — 2026-03-27

В настоящее время мобильные приложения стали незаменимым инструментом поиска работы среди молодых специалистов, выходящих на рынок труда. Несмотря на их широкое распространение, многие из этих платформ не в состоянии удовлетворить уникальные потребности, проблемы и предпочтения тех, кто ищет работу на начальном этапе. Это исследование направлено на оптимизацию методов поиска работы для молодых специалистов за счет использования специализированных мобильных решений. Чтобы получить представление об этом, были проведены интервью с недавними выпускниками и людьми, начинающими карьеру, чтобы выявить основные препятствия, с которыми они сталкиваются при поиске работы, включая отсутствие персонализированных рекомендаций, неэффективные варианты фильтрации и ограниченный доступ к специализированным ресурсам. Кроме того, был проведен тщательный анализ предпочтений пользователей и удобства использования существующих приложений для поиска работы. Основываясь на полученных результатах, мы предложили стратегии по расширению функциональности алгоритмов рекомендаций, улучшению дизайна пользовательского интерфейса и созданию более привлекательного и поддерживающего взаимодействия с пользователями. В исследовании подчеркивается важность персонализации, интуитивно понятной навигации и динамического контента в современных платформах поиска работы. Результаты показывают, что внедрение этих улучшений может значительно упростить процесс поиска работы, сделав его более эффективным, доступным и удобным для молодых специалистов. Это исследование способствует расширению знаний о ориентированном на пользователя дизайне мобильных решений для трудоустройства

СРАВНИТЕЛЬНЫЙ АНАЛИЗ АЛГОРИТМОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ОБНАРУЖЕНИЯ СЕТЕВЫХ АТАК

Г. Джусупбекова — 2026-03-27

В наше время стремительное развитие информационных технологий и расширение процессов цифровизации оказывают огромное влияние на все сферы жизни общества и экономики. Усложнение сетевой инфраструктуры и резкое увеличение количества устройств, подключенных к интернету, увеличили объем информационного потока, а также вызвали новые вызовы безопасности. Кибершабуылдардың түрлері мен әдістері жылдам өзгеріп, бұрынғыдай дәстүрлі қорғау тәсілдері көп жағдайда жеткіліксіз болып отыр.

В крупных предприятиях вместо традиционных систем, основанных на правилах, используются системы искусственного интеллекта (ИИ), которые могут самостоятельно изучать закономерности и анализировать сложные потоки данных. Эти методы позволяют быстрее и точнее обнаруживать атаки, поскольку они могут быстро обнаруживать закономерности и аномальные ситуации.

Цель статьи-провести сравнительный анализ на основе методов глубокого обучения для точного и быстрого выявления угроз в сетевом трафике и экспериментально доказать его эффективность. В исследовании было протестировано несколько методов, основанных на искусственном интеллекте. При изучении возможностей алгоритмов машинного обучения (МО) и глубокого обучения (Deep Learning) наряду с традиционными методами, такими как Random Forest, XGBoost, SVM, была использована современная архитектура нейронных сетей – CNN. Алгоритмы искусственного интеллекта были относительно проанализированы с точки зрения классификации типов атак, различения нормального и аномального трафика, а также выявления новых или редких атак. В результате исследования были оценены показатели точности, чувствительности, F1-score, кривой ROC-AUC и матрицы ошибок. Кроме того, были проанализированы применение предложенных методов в режиме реального времени и их практическая значимость.

ЧИСЛЕННОЕ МОДЕЛИРОВАНИЕ РАСПРОСТРАНЕНИЕ ВИРУСНОЙ ИНФЕКЦИИ ВОЗДУШНО-КАПЕЛЬНЫМ ПУТЕМ В ЗАМКНУТЫХ ПОМЕЩЕНИЯХ

А.А. Исахов — 2026-03-27

Воздушно-капельная передача вирусов является ключевым механизмом распространения инфекционных заболеваний в закрытых помещениях, где особенно опасны бессимптомные носители, способные увеличивать скорость формирования очагов заражения. Поведение аэрозольных частиц в воздухе определяется сложной динамикой воздушных потоков, тепловыми эффектами и характеристиками вентиляционных систем, что делает проблему актуальной для разработки эффективных стратегий предотвращения внутрипомещенного заражения. В данной работе выполнено численное исследование распространения капель и вирусных частиц в вентилируемых помещениях на основе решения трёхмерных уравнений Навье–Стокса для несжимаемых потоков в сочетании с моделью дискретной фазы (DPM) и турбулентной модели SST k–ω. Разработанная математическая модель учитывает влияние температуры тела человека, гравитационного осаждения, геометрии помещения, расположения вентиляционных отверстий, а также поведения частиц при дыхании, кашле и чихании. Рассмотрены две конфигурации помещения и два скорости выброса частиц (6, 20 м/с), что позволяет охватить широкий диапазон реальных сценариев. Результаты моделирования демонстрируют, что частицы могут распространяться на расстояние более 5–6 метров, а неправильная или неравномерная вентиляция приводит к формированию зон повышенной концентрации аэрозолей. Показано нелинейное влияние теплового шлейфа человека и конструкции вентиляции на динамику воздушного потока, осаждение и перенос частиц. Полученные данные могут быть использованы для оптимизации систем вентиляции, проектирования безопасных внутренних пространств и разработки протоколов снижения риска передачи инфекций в помещениях. Вычислительная гидродинамика (CFD) предоставляет ценную информацию для обоснования протоколов безопасности и снижения риска передачи инфекции воздушно-капельным путем, что делает предложенный подход особенно значимым для практических применений.

ИСПОЛЬЗОВАНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ И ОПТИМИЗАЦИИ ПРОЦЕССОВ ЭВАКУАЦИИ ЛЮДЕЙ В ВЫСОТНЫХ ЗДАНИЯХ

М.А. Кантуреева — 2026-03-27

Современное развитие высотного строительства в крупных мегаполисах сопровождается ростом требований к обеспечению безопасности людей в чрезвычайных ситуациях, таких как пожары, взрывы и техногенные аварии. Высокая плотность населения, ограниченное количество эвакуационных путей, значительная этажность и сложная пространственная структура высотных зданий существенно усложняют процессы быстрой и организованной эвакуации, увеличивая риск человеческих потерь. В связи с этим особую актуальность приобретает применение интеллектуальных методов анализа данных для оценки и прогнозирования эффективности эвакуационных мероприятий. В данной работе рассматривается применение методов машинного обучения для анализа факторов, влияющих на успешность эвакуации людей из высотных зданий, а также для прогнозирования риска осложнённой эвакуации на основе реальных статистических данных. В качестве исходного источника информации использован открытый набор данных Toronto Fire Incidents Dataset, содержащий более 12 000 записей о пожарных инцидентах. Данные включают сведения о времени реагирования пожарных подразделений, состоянии систем пожарной сигнализации и автоматического пожаротушения, характеристиках зданий, месте возникновения пожара и последствиях происшествий. Предварительная обработка данных включала очистку пропусков, кодирование категориальных признаков, формирование производных характеристик и визуализацию ключевых показателей. Для решения задачи прогнозирования были использованы модели логистической регрессии, Random Forest и XGBoost. Проведён сравнительный анализ их эффективности по основным метрикам качества. Результаты исследования показали, что на успешность эвакуации наибольшее влияние оказывают время прибытия пожарных подразделений, наличие и исправность систем сигнализации и спринклеров, этажность здания и место возникновения пожара. Модель Random Forest продемонстрировала наилучший баланс точности и чувствительности, подтверждая перспективность применения методов машинного обучения для повышения уровня пожарной безопасности.

ЦИФРОВОЙ ДВОЙНИК КОМПЛЕКСНОЙ СИСТЕМЫ ОЧИСТКИ И ДЕКАРБОНИЗАЦИИ ВЫБРОСОВ ТЕПЛОВЫХ УСТАНОВОК

Б. Хусаин — 2026-03-27

В работе рассматривается цифровой двойник комплексной
системы очистки и декарбонизации выбросов тепловых энергетических
установок, функционирующих на основе ископаемого топлива. Предлагаемый
подход основан на представлении мультимодульной системы газоочистки в
виде виртуальной инженерной модели, описывающей структуру физической
системы, функциональные связи между её модулями и основные режимы
работы. Такая модель позволяет воспроизводить поведение реальной
технологической системы в цифровой среде и использовать её для анализа,
оптимизации и прогнозирования технологических процессов. Концепция
цифрового двойника опирается на современные научные подходы к созданию
цифровых моделей промышленных систем (Grieves and Vickers, 2017; Tao et al.,
2019; Kritzinger et al., 2018; ISO, 2021) и учитывает технологические особенности
процессов очистки дымовых газов и улавливания диоксида углерода (Bui et
al., 2018; Rochelle, 2009; Wang et al., 2011). Разработанная модель описывает
интегрированную структуру системы газоочистки, объединяющую ключевые
технологические элементы: модуль электрофильтрации для удаления
твёрдых частиц, каталитический модуль для нейтрализации вредных газовых
компонентов и модуль декарбонизации для улавливания диоксида углерода.
Результаты исследования показывают, что использование цифрового двойника
позволяет анализировать взаимное влияние отдельных модулей системы,
оптимизировать её конфигурацию и обосновывать выбор технологических
параметров на этапе проектирования. Кроме того, цифровая модель может
применяться для имитационного моделирования технологических процессов,
оценки эффективности системы и прогнозирования показателей снижения
выбросов. Модель также обеспечивает возможность анализа различных
режимов работы системы, оценки её устойчивости и совершенствования
алгоритмов управления. Практическая значимость предложенного
подхода подтверждается результатами экспериментальных и модельных
исследований, представленными в ранее опубликованных работах авторов и
других исследователей (Khusain et al., 2018; Khussain et al., 2020; Khusain et
al., 2020; Khusain et al., 2021; Khusain et al., 2024). Полученные результаты
демонстрируют эффективность использования цифровых двойников как
инструмента инженерного анализа, оптимизации технологических процессов
и поддержки принятия решений при разработке и внедрении комплексных
систем очистки выбросов.

АЛГОРИТМ ОПРЕДЕЛЕНИЯ НАЧАЛЬНЫХ ОРБИТАЛЬНЫХ ПАРАМЕТРОВ KAZEOSAT-1 ДЛЯ ДЕОРБИТАЦИИ

А.E. Кулакаева — 2026-03-27

В статье представлен комплексный подход к разработке и моделированию алгоритма деорбитации казахстанского спутника дистанционного зондирования Земли KazEOSat-1, учитывающий как актуальные орбитальные параметры, так и технические ограничения аппарата. В работе обоснована актуальность задачи, учитывая рост числа искусственных объектов на околоземной орбите и необходимость соблюдения международных стандартов по сокращению космического мусора. В качестве методов использованы TLE-данных, расчет Кеплеровых и декартовых элементов, а также построение численной модели на базе программного обеспечения Matlab. Разработанный алгоритм предусматривает поэтапное выполнение орбитальных маневров с использованием двигательной установкой малой тяги, после чего реализуется переход к пассивной фазе деорбитации под действием аэродинамического сопротивления.

Приведен анализ траекторий, подтверждающий эффективность ступенчатого снижения орбиты. Выявлено, что даже при ограниченном запасе топлива возможно обеспечить управляемую и безопасную деорбитацию спутника с орбиты. Полученные выводы обладают высокой практической значимостью для национальной космической программы Республики Казахстан, открывая перспективы интеграции алгоритма в будущие проекты по управлению завершающей стадией эксплуатации отечественных спутников и формированию устойчивой орбитальной инфраструктуры.

РАЗРАБОТКА И СРАВНИТЕЛЬНЫЙ АНАЛИЗ МОДЕЛЕЙ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ ГОРОДСКОГО ТРАФИКА

А.Б. Мименбаева — 2026-03-27

Городская транспортная перегруженность является одной из основных проблем современных городов. Быстрая урбанизация и рост количества транспортных средств усугубляют данную ситуацию. Точное прогнозирование трафика необходимо для снижения заторов. Оно также способствует повышению безопасности дорожного движения и развитию интеллектуальных транспортных систем.

В данном исследовании разработаны и сравнены модели машинного обучения для классификации городского трафика. Набор данных включает показатели интенсивности движения и сопутствующие параметры. Предварительная обработка данных включала разведочный анализ, извлечение признаков и нормализацию. Были реализованы три алгоритма: логистическая регрессия, метод опорных векторов (SVC) и случайный лес.

Экспериментальные результаты показали, что логистическая регрессия достигла общей точности 0,87, при этом продемонстрировала более слабые результаты для класса «низкий» трафик. Модель SVC улучшила показатели, достигнув точности 0,88 и обеспечив более сбалансированную классификацию. Наилучшие результаты показала модель случайного леса с общей точностью 0,99 и средневзвешенной F1-мерой 0,99.

Полученные результаты свидетельствуют о том, что ансамблевые методы, в частности случайный лес, обеспечивают более высокую точность и надежность при прогнозировании городского трафика. Предложенная модель может быть интегрирована в системы управления движением в реальном времени.

ПРИМЕНЕНИЕ ОПРОСОВ В РЕЖИМЕ REALTIME ДЛЯ ПОВЫШЕНИЯ УСПЕВАЕМОСТИ ОБУЧАЮЩИХСЯ

В.В. Науменко — 2026-03-27

В условиях цифровизации высшего образования и распространения смешанных форм обучения возрастает необходимость инструментов, обеспечивающих оперативную обратную связь и повышение успеваемости студентов. Одним из таких инструментов выступают опросы в режиме реального времени (real-time опросы), позволяющие преподавателю диагностировать уровень понимания материала непосредственно в ходе занятия и адаптировать объяснение. Актуальность исследования обусловлена потребностью вузов в технологически доступных и методически обоснованных средствах повышения учебной активности и качества обучения.

В работе использованы методы анализа научной литературы по активному обучению, формирующему оцениванию и системам аудиторийного отклика, а также описательный анализ практического кейса внедрения веб-платформы для проведения real-time опросов и тестирований в вузе. Рассмотрены функциональные возможности системы, её архитектура и аналитические инструменты обработки данных.

Результаты исследования показывают, что регулярное использование опросов в реальном времени способствует повышению вовлечённости студентов, раннему выявлению пробелов в знаниях и адаптации темпа обучения. Интеграция платформы с элементами учебной аналитики и искусственного интеллекта позволяет анализировать динамику ответов, выявлять проблемные темы и поддерживать принятие педагогических решений. Эффект проявляется в стабилизации успеваемости и снижении риска накопления ошибок в процессе обучения.

Практическая значимость работы заключается в демонстрации модели внедрения real-time опросов как элемента цифровой образовательной среды вуза. Предложенный подход может использоваться для повышения качества обучения, мониторинга учебных результатов и формирования данных-ориентированной системы управления образовательным процессом.

ЦИФРОВОЕ ОБРАЗОВАНИЕ И АКАДЕМИЧЕСКАЯ УСПЕВАЕМОСТЬ УЧАЩИХСЯ: РАЗВИТИЕ ОБРАЗОВАНИЯ МЕЖДУ УРОВНЯМИ

A.E. Назырова — 2026-03-27

Академические результаты широко рассматриваются как один из самых прямых показателей качества высшего образования и часто определяют будущие карьерные возможности студентов. В данной статье исследуется, как результаты различаются на трех уровнях образования: бакалавриат, магистратура и докторантура. Для сравнения групп мы применили дисперсионный анализ (ANOVA) и апостериорный тест Тьюки, которые выявили статистически значимые различия. Результаты показывают, что студенты магистратуры, особенно обучающиеся по специализированным программам, и докторанты получают более высокие средние оценки, чем студенты бакалавриата. Это преимущество может быть связано с более сильной исследовательской ориентацией, большей автономией в обучении и более развитыми навыками саморегуляции. В то же время сложность академических курсов оказалась важным фактором, определяющим результаты студентов. Результаты предоставляют университетам основу для переосмысления структуры учебных программ и адаптации подходов к преподаванию с целью повышения эффективности образования.

РАЗРАБОТКА МНОГОУРОВНЕВОЙ МОДЕЛИ В ЗАДАЧАХ РЕЗЮМИРОВАНИЯ ТЕКСТА НА ОСНОВЕ ПРЕДВАРИТЕЛЬНО ОБУЧЕННЫХ МОДЕЛЕЙ

Д. Оралбекова — 2026-03-27

В данной работе исследуется применение современных трансформерных моделей для задачи абстрактивного резюмирования текстов на казахском языке, который относится к числу малоресурсных и характеризуется агглютинативной структурой и сложной морфологией. Эти особенности существенно ограничивают эффективность классических методов обработки текста и требуют разработки специализированных архитектур языкового моделирования. В исследовании предлагается многоуровневая архитектура резюмирования, включающая обработку текста на символьном, подсловном, словном и контекстном уровнях, что позволяет более полно учитывать морфологические и семантические свойства казахского языка. В качестве базовых моделей использованы многоязычные трансформеры mBART, mT5 и XLM-RoBERTa, которые были адаптированы и дообучены для задачи абстрактивного резюмирования. Для обучения и оценки качества моделей был сформирован специализированный корпус из 1000 новостных статей на казахском языке с вручную составленными аннотациями. В процессе предобработки применялись символьные представления, подсловная токенизация SentencePiece, словные векторы FastText и контекстные эмбеддинги трансформеров.

Качество сгенерированных резюме оценивалось с использованием набора автоматических метрик, включая ROUGE-1, ROUGE-2, ROUGE-L, BLEU, METEOR и BERTScore F1, что позволило проанализировать как поверхностные совпадения, так и семантическое соответствие эталонным аннотациям. Экспериментальные результаты показали, что модель mBART продемонстрировала наилучшие показатели по большинству метрик, а связка XLM-RoBERTa и BART также обеспечила стабильные и конкурентоспособные результаты. Полученные данные подтверждают эффективность многоуровневого подхода и перспективность использования современных трансформерных моделей для абстрактивного резюмирования текстов на казахском языке.

СИНТЕЗ ЛИНГВИСТИЧЕСКИХ МОДЕЛЕЙ ОЦЕНКИ КАЧЕСТВА СЕРЫ И НЕЧЕТКОЕ МОДЕЛИРОВАНИЕ ПРОЦЕССА ПРОИЗВОДСТВА СЕРЫ

Б.Б. Оразбаев — 2026-03-27

Технологические объекты различных производств относятся к сложным технологическим системам, часто функционирующие в нечеткой среде, что значительно усложняет процессы разработки их математических моделей. В связи с этим в настоящее время решения проблем синтеза моделей сложных плохо формализуемых технологических систем производств в нечеткой среде является весьма актуальной научно-практической задачей. В данном исследовании на примере блока производства серы (БПС) решаются основные проблемы синтеза лингвистических моделей сложных технологических систем в нечеткой среде и применения их для нечеткого моделирования и оптимизации режимов их работы. Основные результаты, полученные в результате проведенных исследований: новый метод синтеза эффективных лингвистических моделей сложных технологических систем с нечеткими входными и выходными параметрами, функционирующих в нечеткой среде; синтезированные лингвистические модели БПС, позволяющие моделировать и оптимизировать режимов их работы; созданные базы правил, образующие лингвистические модели БПС, визуализация результатов нечеткого моделирования БПС и их интерпретации. Результаты исследования получены с использованием методов экспертной оценки и нечетких логических правил условного вывода теорий нечетких множеств, а для нечеткого моделирования процесса производства серы использовано приложение Fuzzy Logic Toolbox системы MATLAB. Научная новизна и важность предложенного метода синтеза лингвистических моделей сложных технологических объектов в нечеткой среде заключается в развития методов моделирования плохо формализуемых сложных систем, позволяющие моделировать и оптимизировать таких систем с нечеткими входными и выходными параметрами. Практическая важность полученных результатов в том, что они позволяют эффективно моделировать и оптимизировать режимов работы сложных технологических систем различных отраслей производства в нечеткой среде.

ПРИМЕНЕНИЕ СЕМАНТИЧЕСКИХ МЕТОДОВ В ОБЛАСТИ ЗАКОНОДАТЕЛЬСТВА: ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ДЛЯ АНАЛИЗА АГГЛЮТИНАТИВНЫХ ТЕКСТОВ

А.К. Сарсенбаева — 2026-03-27

В данной статье представлен метод определения семантического сходства терминов, фраз и коротких фраз в агглютинативных языках, включая казахский и турецкий. Метод расчета семантического сходства основан на коэффициенте Ри, который рассчитывается с учетом частотных соотношений в контексте терминов и фраз. Этот коэффициент позволяет оценить взаимосвязь между двумя словами, а предложенный метод интегрирован в системы вопросов и ответов, где при наличии нескольких вариантов похожих фраз необходимо выбрать наиболее подходящий и правильный ответ. Рассмотрены различные методы, такие как NGD, Жаккар и Косинус, и проведено их сравнительное исследование. Полученные экспериментальные результаты показывают, что предложенный метод демонстрирует высокую точность в определении и выборе терминов, что особенно важно в области юридической лексики в агглютинативных языках.

АНАЛИЗ И КЛАССИФИКАЦИЯ ТЕЛЕФОННОГО МОШЕННИЧЕСТВА НА ОСНОВЕ ЛЕКСИЧЕСКИХ ПРИЗНАКОВ РЕЧЕВЫХ ТРАНСКРИПЦИЙ

А. Серек — 2026-03-27

Телефонное мошенничество (вишинг) является одной из наиболее распространённых форм социального инжиниринга, наносящей значительный финансовый и психологический ущерб. В условиях постоянной смены номеров и сценариев мошенников традиционные методы защиты оказываются недостаточно эффективными, что обусловливает необходимость автоматического анализа содержимого телефонных разговоров. В данной работе продемонстрированы эксперименты с методами машинного обучения для поиска ложных звонков. Исследование показывает, как машина может находить мошенников по тексту разговора. Для этого эксперимента собрали русский набор данных. В него вошли 1400 телефонных разговоров. В наборе есть как мошеннические, так и обычные звонки. Все разговоры взяли из открытого источника YouTube. Аудиозаписи были автоматически транскрибированы с использованием нейросетевой модели распознавания речи Whisper, после чего тексты подвергались нормализации и лемматизации. В качестве признакового представления использовались TF–IDF униграммы и биграммы. На полученных данных были обучены и сравнены несколько классических моделей машинного обучения, включая Logistic Regression, Linear SVM, Multinomial Naive Bayes, Random Forest и XGBoost. Экспериментальные результаты показали, что все рассмотренные модели достигают высокой точности классификации, при этом наилучшие показатели продемонстрировали линейные модели и классификатор Multinomial Naive Bayes с минимальным сглаживанием (accuracy до 94%, ROC–AUC до 0.99). Анализ слов помог найти чёткие признаки, по которым можно узнать речь мошенника. Эти признаки часто встречаются в обычных схемах социального обмана. Устойчивость и обобщающая способность моделей были подтверждены с использованием k-кратной кросс-валидации и анализа ROC–AUC. Эти результаты показывают, что этот способ помогает находить телефонное мошенничество в жизни.

АНАЛИЗ И ПРОГНОЗИРОВАНИЕ ОБЪЕМОВ ПРОДАЖ КИРПИЧНОЙ ПРОДУКЦИИ С ИСПОЛЬЗОВАНИЕМ МАШИННОГО ОБУЧЕНИЯ

Б.Б. Шынжігіт — 2026-03-27

В статье рассматривается задача математического моделирования и прогнозирования объёмов продаж кирпичной продукции промышленного предприятия в условиях высокой изменчивости рыночной среды и ограниченности эмпирической информации. Актуальность исследования обусловлена необходимостью перехода от интуитивных и эвристических методов управления к формализованным вычислительным моделям, обеспечивающим повышение обоснованности управленческих решений в строительной индустрии. В рамках инженерного подхода рекламные факторы интерпретируются как управляемые входные параметры сложной производственно-экономической системы, формирующей выходной показатель - объём реализации продукции. Для решения поставленной задачи применяется метод полиномиальной регрессии, реализованный в контексте методов машинного обучения. Модель формируется в расширенном пространстве признаков, включающем нелинейные компоненты и члены взаимодействия факторов, что позволяет учитывать как индивидуальное, так и совместное воздействие рекламных каналов. Формирование признакового пространства, обучение модели и оценка её качества выполнены с использованием библиотеки Scikit-learn. В качестве критериев эффективности использовались стандартные метрики регрессионного анализа, включая среднюю абсолютную ошибку и среднеквадратическое отклонение. Ключевым результатом исследования является экспериментальное подтверждение гипотезы о наличии синергетического воздействия рекламных факторов на объём продаж, которое не выявляется при использовании линейных моделей. Показано, что применение полиномиальной регрессии обеспечивает снижение ошибок прогнозирования и повышение устойчивости модели при ограниченном объёме данных. Полученные результаты используются при разработке систем поддержки принятия решений, предназначенных для планирования рекламных кампаний и прогнозирования объёмов продаж на предприятиях строительной индустрии, а также совершенствования стратегий маркетингового управления.

ФОРМИРОВАНИЕ КОМПЕТЕНЦИЙ ВИРТУАЛИЗАЦИИ ОБУЧАЮЩИХСЯ В ВЫСШИХ УЧЕБНЫХ ЗАВЕДЕНИЯХ НА БАЗЕ PROXMOX VE

А.О. Тохаева — 2026-03-27

Аннотация. В данной статье реализована оценка эффективности технологий виртуализации с использованием современных программных средств в информационно - инфраструктуре вузов. Сервером виртуализации Proxmox VE будет рассмотрен вопрос развития навыков виртуализации магистрантов путем внедрения в учебный процесс вузов. В ходе исследования была проанализирована роль технологий виртуализации в сфере образования и изучены служебные возможности сервера Proxmox VE. Разработаны учебно-методические материалы и практические работы для обучающихся, сформированы их практические навыки и оценена эффективность. В процессе работы в виртуализированной среде магистранты приобретают навыки системного администрирования, проектирования серверной инфраструктуры и оптимального использования ресурсов. Результаты исследования показали, что использование платформы Proxmox VE повышает компетентность аспирантов в работе с виртуальными машинами, управлении серверными ресурсами и выполнении сетевых настроек. Доказывает важность использования современных платформ виртуализации в преподавании вузами дисциплин в области информационных систем. Технологии виртуализации рекомендуются к использованию в совершенствовании процесса обучения и являются шагом к повышению конкурентоспособности на рынке труда. Было показано, что применение технологий виртуализации положительно влияет на учебную мотивацию и профессиональный интерес магистрантов. Лабораторные работы, организованные на основе Proxmox VE, позволяют снизить материально-технические затраты, централизованно управлять серверными ресурсами и обеспечивать масштабируемость учебных лабораторий. В целом проведенное исследование показывает, что можно повысить профессиональную подготовку магистрантов с помощью технологий виртуализации и что этот подход имеет большое практическое значение в системе высшего образования. Полученные результаты могут быть использованы в качестве методической основы при совершенствовании образовательных программ направления Информационные системы и информационные технологии.

Ключевые слова: виртуализация, Proxmox VE платформа, высшее учебное заведение, Информационная инфраструктура, эффективность, образовательная программа.

МОДЕЛИРОВАНИЕ И ОПТИМИЗАЦИЯ РЕЖИМОВ РАБОТЫ ГИБРИДНЫХ СИЛОВЫХ УСТАНОВОК ДЛЯ БЕСПИЛОТНЫХ ЛЕТАТЕЛЬНЫХ АППАРАТОВ

Л.М. Тукенова — 2026-03-27

Исследование посвящено разработке и оптимизации гибридных силовых установок (ГСУ) для беспилотных летательных аппаратов (БПЛА), ориентированных на выполнение долгосрочных полётных задач и повышение энергетической эффективности. В работе рассматривается научная проблема выбора эффективной конфигурации и стратегии управления энергией (EMS), которая обеспечивает максимальную продолжительность полёта при сохранении стабильности, надёжности и тепловой безопасности бортовой энергосистемы. Для моделирования режимов работы гибридных архитектур, включающих двигатель внутреннего сгорания, генератор, аккумуляторную систему и силовую электронику, была создана математическая модель. С использованием MATLAB/Simulink и Modelica поведение ГСУ оценивалось на различных этапах полёта — взлёте, крейсерском режиме, манёврах и посадке. Результаты исследования показали, что ключевым фактором увеличения автономности БПЛА является оптимальная стратегия EMS, обеспечивающая работу теплового источника в области максимальной эффективности и перераспределяющая переходные пиковые нагрузки на аккумулятор. Численные эксперименты подтвердили, что гибридизация снижает энергопотребление в крейсерском режиме и улучшает динамический отклик во время манёвров. При этом важнейшим условием является точность модели аккумулятора и соблюдение ограничений по SoC и температуре, поскольку их нарушение снижает теоретические преимущества гибридизации. Научная новизна работы заключается в формировании прикладных рекомендаций по проектированию ГСУ: калибровка карт эффективности, выбор «окон» SoC, правила ограничения тока, а также внедрение адаптивных алгоритмов EMS. Полученные результаты могут быть практически использованы как инструмент научного обоснования при проектировании перспективных платформ БПЛА для длительного патрулирования, высокоточной картографии и комплексного экологического мониторинга, включая выбор параметров гибридной силовой установки, настройку алгоритмов управления энергией и планирование полётных миссий.

РАСПОЗНАВАНИЕ ЯЗЫКА ЖЕСТОВ С ИСПОЛЬЗОВАНИЕМ ВРЕМЕННОЙ СВЕРТОЧНОЙ СЕТИ И MEDIAPIPE

А.С. Еримбетова — 2026-03-27

Это исследование предлагает новую систему распознавания языка жестов. Он объединяет временную сверточную сеть для кодирования визуальной информации с декодером на основе Трансформера для создания текстовых представлений. Система преобразует изображения движения в текст, эффективно фиксируя как поток движения, так и пространственное расположение знаков с течением времени. Для этого MediaPipe извлекает 3D-ориентированные данные из каждого видеокадра и подготавливает их к оптимальной производительности модели. Эффективность этой архитектуры проверяется с помощью набора данных казахского русского жестового языка, который подтверждает ее пригодность для конкретных задач распознавания жестового языка. В этой статье рассматриваются основные проблемы с распознаванием языка жестов, включая различия между пользователями, ограниченные данные обучения и отсутствие готовых шаблонов для языков с ограниченными ресурсами. В результате это исследование способствует разработке коммуникационных технологий, которые облегчают взаимодействие людей с нарушениями слуха и речи, поддерживают различные инклюзивные приложения и способствуют инклюзивности.

ПОДДЕРЖКА ПРИНЯТИЯ РЕШЕНИЙ ПРИ РЕАГИРОВАНИИ НА АТАКИ В КИБЕРФИЗИЧЕСКИХ ПРОМЫШЛЕННЫХ СИСТЕМАХ ИНТЕРНЕТА ВЕЩЕЙ

T.K. Жукабаева — 2026-03-27

Промышленные системы интернета вещей (Industrial Internet of Things, IIoT) стали базовой технологией, лежащей в основе широкого спектра современных приложений, включая мониторинг окружающей среды, системы здравоохранения, промышленную автоматизацию и умные инфраструктуры. К их ключевым преимуществам относятся масштабируемость, низкое энергопотребление, интеллектуальность и программируемость, высокая скорость сбора данных, надёжность, низкая стоимость, а также отсутствие необходимости в техническом обслуживании. В то же время такие системы привлекают внимание злоумышленников, что делает задачу обеспечения их безопасности крайне актуальной.

В данном исследовании предлагается комплексная методология поддержки принятия решений при реагировании на кибератаки в системах IIoT, включая системы, использующие принципы пограничных вычислений (edge computing). Методология основана на аналитическом моделировании для анализа сетей, атак и контрмер, а также использует методы машинного обучения, правила и многокритериальную оптимизацию для обнаружения атак и выбора контрмер.

Методология состоит из трёх этапов: сбор данных о событиях, происходящих в системе; обнаружение атак и аномалий; выбор контрмер для выявленных атак. В рамках методологии представлены модели сетей, атак и контрмер, специфичные для систем IIoT. В сетевой модели рассматриваются основные компоненты и топология IIoT-систем. Для формирования моделей атак и контрмер определены основные типы атак и возможные меры противодействия, характерные для IIoT-среды. Описан алгоритм выбора контрмер в рамках предлагаемой методологии, основанный на правилах и многокритериальной оптимизации с использованием разработанных моделей.

Применение методологии продемонстрировано на практическом примере. Проанализированы преимущества и ограничения предлагаемого подхода, а также обозначены направления для дальнейших исследований.