Том 33, № 1 (2025)

От редакции

Структура аннотации

Кулябов Д.С., Севастьянов Л.А.

Аннотация

Описывается общие требования к аннотации научной статьи. Рекомендуется использовать подход структурированной аннотации.

Discrete and Continuous Models and Applied Computational Science. 2025;33(1):5-9
pages 5-9 views

Информатика и вычислительная техника

Моделирование и оптимизация очереди M/M/1/K с одиночным рабочим отпуском, обратной связью и таймерами нетерпимости в рамках N-политики

Кади А., Буалем М., Туш Н., Дехими А.

Аннотация

Этот труд представляет собой интенсивное исследование модели очереди с одним сервером и конечной ёмкостью, с таймерами нетерпимости, зависящими от состояний сервера, с обратной связью и политикой одиночного рабочего отпуска, функционирующей в рамках дисциплины \(N\)-политики. Мы рассматриваем сценарий, при котором сервер должен дождаться, пока количество клиентов не достигнет \(N\), чтобы начать обычный рабочий период; в противном случае сервер начнёт рабочий отпуск или перейдёт в неактивное состояние, если количество клиентов увеличится. С помощью метода Марковской рекурсии были получены вероятности в установившемся состоянии. Различные показатели производительности были визуально изображены для оценки различных конфигураций параметров системы. После построения ожидаемой функции стоимости модели используется алгоритм Оптимизация серых волков (GWO) для определения оптимальных значений коэффициентов обслуживания \(\mu^{}\) и \(\mu\_{v}^{}\). Приведены числовые примеры для проверки теоретических выводов, что позволяет глубже понять эту сложную систему.

Discrete and Continuous Models and Applied Computational Science. 2025;33(1):10-26
pages 10-26 views

Статистические и плотностные методы кластеризации в задачах обнаружения аномалий сетевых систем: сравнительный анализ

Баклашов А.С., Кулябов Д.С.

Аннотация

В современном мире количество данных, хранящихся в электронном виде и передающихся по сети, непрерывно растёт. Это создаёт потребность в разработке эффективных методов защиты информации, передающейся в виде сетевого трафика. Выявление аномалий играет ключевую роль в обеспечении безопасности сетей и защите информации от кибератак. Цель данной работы заключается в проведении обзора статистических и плотностных методов кластеризации, применяемых для определения аномалий в сетевых системах, и проведении их сравнительного анализа на конкретной задаче. Для достижения цели исследования использовались методы анализа существующих подходов к обнаружению аномалий с помощью методов кластеризации. В исследовании рассматривались различные алгоритмы и методы кластеризации, применяемые в сетевых системах. Результаты проведённого сравнительного анализа продемонстрировали высокую эффективность методов кластеризации в задачах обнаружения аномалий сетевого трафика, что позволяет рекомендовать их для интеграции в системы обнаружения вторжений с целью повышения уровня информационной безопасности. Был проведён сравнительный анализ различных методов, выявлены их общие черты, различия, достоинства и недостатки. Полученные результаты могут быть использованы для улучшения систем обнаружения вторжений и повышения уровня защиты информации в сетевых системах.

Discrete and Continuous Models and Applied Computational Science. 2025;33(1):27-45
pages 27-45 views

Математическое моделирование

Символьный алгоритм решения СЛАУ с многодиагональными матрицами коэффициентов

Венева М.

Аннотация

Системы линейных алгебраических уравнений с многодиагональными матрицами коэффициентов возникают во многих прикладных и теоретических задачах науки и техники, а также в задачах вычислительной линейной алгебры, где их решение представляет собой одну из ключевых проблем. В данной работе представлен обобщённый символьный алгоритм решения систем линейных алгебраических уравнений с многодиагональными матрицами коэффициентов. Алгоритм приведён в виде псевдокода. Сформулирована и доказана теорема, определяющая условие корректности алгоритма. Получена формула, описывающая вычислительную сложность соответствующего численного алгоритма для многодиагональных систем.

Discrete and Continuous Models and Applied Computational Science. 2025;33(1):46-56
pages 46-56 views

Об устойчивом приближённом решении некорректно поставленной краевой задачи для уравнения Лапласа с однородными условиями второго рода на краях при неточных данных на приближённо заданной границе

Ланеев Е.Б., Климишин А.В.

Аннотация

В работе рассматривается некорректно поставленная задача продолжения гармонических функций с неточно заданной границы в цилиндрической области с однородными краевыми условиями второго рода на боковых гранях. Значение функции и её нормальной производной (условия Коши) - известны приближённо на приближённо заданной поверхности произвольного вида, ограничивающей цилиндр. В данном случае задача Коши для уравнения Лапласа обладает свойством неустойчивости по отношению к погрешности в данных Коши, т. е. является некорректно поставленной. На основе представлений о функции источника исходной задачи, точное решение представляется в виде суммы двух функций, одна из которых явно зависит от условий Коши, вторая может быль получена как решение интегрального уравнения Фредгольма первого рода в виде ряда Фурье по собственным функциям второй краевой задачи для уравнения Лапласа. Для получения приближённого устойчивого решения интегрального уравнения применён метод регуляризации Тихонова, когда решение получается как экстремаль функционала Тихонова. Для приближённо заданной поверхности рассматривается вычисление нормали к этой поверхности и её сходимость к точному значению в зависимости от погрешности, с которой задана исходная поверхность. Доказывается сходимость полученного приближённого решения к точному решению при сопоставлении параметра регуляризации с ошибками в данных как по неточно заданной границе, так и по значению исходной функции на этой границе. Проводится численный эксперимент, который демонстрирует эффективность предложенного подхода для частного случая - для плоской границы и конкретного исходного источника тепла (набора точеных источников).

Discrete and Continuous Models and Applied Computational Science. 2025;33(1):57-73
pages 57-73 views

Аналитическая проективная геометрия для компьютерной графики

Геворкян М.Н., Королькова А.В., Кулябов Д.С., Севастьянов Л.А.

Аннотация

Мотивом к написанию данной работы послужила разработка авторами курса по компьютерной геометрии для студентов физико-математических специальностей. Под термином «компьютерная геометрия» здесь и далее понимаются математические основы машинной графики. Важно отдельно подчеркнуть, что разрабатываемый курс должен быть рассчитан на студентов второго года обучения и, следовательно, от них можно требовать лишь предварительное знание стандартного курса алгебры и математического анализа. Это накладывает определённые ограничения на излагаемый материал. При изучении тематической литературы было выяснено, что стандартом де факто в современной компьютерной графике стало использование проективного пространства и однородных координат. Однако авторы столкнулись с проблемой методологического характера - практически полным отсутствием подходящей учебной литераторы как на русском, так и на английском языках. Для представления собранной авторами информации по данному вопросу и была написана данная работа.

Discrete and Continuous Models and Applied Computational Science. 2025;33(1):74-102
pages 74-102 views

Письма

О методах минимизации рисков внедрения искусственного интеллекта в финансовый бизнес компании

Щетинин Е.Ю., Севастьянов Л.А., Демидова А.В., Велиева Т.Р.

Аннотация

Эффективное применение моделей искусственного интеллекта (ИИ) в различных областях в сфере финансовых рисков позволяет повысить скорость обработки данных, углубить степень их анализа и снизить трудозатраты, тем самым эффективно повышая эффективность контроля финансовых рисков. Применение ИИ в сфере управления финансовыми рисками выдвигает новые требования к конфигурации системы и режиму работы финансового надзора. В условиях быстрого роста компьютерных и сетевых технологий, увеличения частоты рыночных операций, диверсификации источников данных, а также развития и применения больших данных это создает новые проблемы для управления финансовыми рисками на основе больших данных. В данной статье анализируется роль искусственного интеллекта в содействии реформированию и росту финансовой отрасли, а также предлагаются контрмеры по рациональному использованию ИИ в сфере управления финансовыми рисками.

Discrete and Continuous Models and Applied Computational Science. 2025;33(1):103-111
pages 103-111 views

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».