В данной статье описываются как уже существующие возможности, так и новые дополнения в системе ПРОСТОР – программе, которая позволяет рассчитывать оптимальные способы перевозки грузов между пунктами. Целью работы было создать необходимые условия для более удобного для пользователей взаимодействия с программой. Для этого были предложены некоторые нововведения в работе программы. Также в статье для понимания контекста работы с системой ПРОСТОР и вызываемых трудностей и неточностей были описаны существующие возможности программы и особенности работы с ней.

 К новым аспектам развития системы были отнесены возможности по автоматическому преобразованию данных в соответствии с территориальным расположением транспортных узлов. Такое дополнение к программе позволяет любым ее пользователям самостоятельно определять размерность эксперимента транспортной задачи и решать его в программе.

Также программа была дополнена возможностью увеличения продуктовой размерности транспортной задачи. Это нововведение является необходимой мерой по увеличению точности создаваемого системой ПРОСТОР решения, поскольку соединяет оптимальные способы перевозки грузов между пунктами с реально сложившейся географической и продуктовой особенностью расположения этих пунктов между собой.

После введения этих возможностей в работу программы взаимодействие пользователей – исследователей, изучающих развитие транспортных систем, с системой ПРОСТОР становится более эффективным. Полученные результаты более точно описывают транспортную отрасль, а соответственно, дают более качественные прогнозы. Также такие изменения работы программы не только создают более точные результаты экспериментов, но и упрощают взаимодействие пользователя с системой. 

Рост сложности и масштабов сетевых атак обусловливает необходимость перехода от традиционных сигнатурных систем обнаружения вторжений (IDS) к более адаптивным подходам, основанным на методах машинного обучения. В настоящем исследовании представлен сравнительный анализ эффективности классических алгоритмов машинного обучения и фреймворка автоматизированного машинного обучения (AutoML) AutoGluon при решении задачи многоклассовой классификации сетевого трафика. В качестве экспериментальной базы использован общедоступный датасет CICIDS2017, включающий как легитимные соединения, так и различные типы атак, моделирующие реальные условия функционирования сетей. Проведен анализ сетевых характеристик и их дискриминативной способности, а также детальная оценка производительности моделей по метрикам общей точности (Accuracy), F1-меры и времени обучения. Результаты показали, что ансамблевые алгоритмы, в частности случайный лес (Random Forest) и AutoGluon, достигают наивысших показателей общей точности (более 99,5 %). Вместе с тем выявлена критически низкая эффективность обнаружения миноритарных классов атак, таких как SQL-инъекции (SQL Injection) и межсайтовый скриптинг (XSS). Установлено, что данная проблема обусловлена не только сильным дисбалансом данных, но и особенностями самих атак, которые часто маскируются под легитимный трафик и не формируют выраженных статистических аномалий.

Таким образом, исследование демонстрирует потенциал и ограничения применения AutoML-фреймворков в области кибербезопасности. Практическая значимость работы заключается в возможности сокращения времени разработки систем обнаружения вторжений (IDS) при сохранении высокой точности, а перспективы дальнейших исследований связаны с интеграцией методов балансировки классов и разработкой гибридных моделей для улучшения распознавания редких атак.

Работа посвящена разработке интеллектуальной геоинформационной системы для анализа инвестиционных проектов на основе автоматизированной обработки текстовой информации. Система интегрирует методы обработки естественного языка, машинного обучения и традиционные методы геопространственного анализа для структурирования информации об экономических объектах из разнородных открытых источников. Основной вклад работы состоит в разработке методологии многоэтапной обработки текстовых данных и реализации нейросетевой архитектуры на основе модели T5, которая обеспечивает одновременное решение задач классификации стадии проекта и предсказания его стоимости. Система демонстрирует высокий потенциал для практического применения в области инвестиционного анализа и управления проектными портфелями. Работа содержит рекомендации по совершенствованию системы, включая применение методов активного обучения, трансферного обучения (transfer learning) и развитие методов интерпретируемости результатов.

Рост киберугроз обусловливает необходимость совершенствования методов подготовки специалистов в области информационной безопасности. В статье предложена виртуальная лаборатория, основанная на технологии виртуальной реальности (Unity3D), для моделирования практических кейсов по защите информации на объекте информатизации. Лаборатория включает сценарии по противодействию утечкам по техническим каналам, защите сетевого периметра и физической безопасности. Разработаны алгоритмы интерактивного взаимодействия, система автоматизированной проверки корректности решений и обратной связи. Экспериментальное исследование подтвердило эффективность разработки: среднее количество верно установленных средств защиты информации при использовании только виртуальной лаборатории составило на 6 % больше, чем при использовании комбинированного подхода (виртуальная лаборатория совместно с методическими указаниями). 

Исследование посвящено разработке и реализации модуля генерации критических вопросов к текстам, содержащим аргументацию, с использованием схем аргументации Д. Уолтона и больших языковых моделей. В рамках исследования для проведения экспериментов было разработано два корпуса текстов: англоязычный корпус, состоящий из 200 аргументов, и русскоязычный корпус из 92 текстов, из которых 54 текста являются новостными статьями, а 38 текстов – эссе или аналитическими статьями. Для тестирования подхода к генерации критических вопросов было использовано несколько больших языковых моделей: mistralai/Mistral-7B-Instruct-v0.3, Qwen/ Qwen2.5-7B-Instruct и google/fl an-t5-large. Результаты исследования показали, что модель google/fl an-t5-large имеет лучшие результаты на англоязычном корпусе (совокупный балл – 0,361), а модель mistralai/Mistral-7BInstruct-v0.3 – на русскоязычном корпусе (совокупный балл – 0,285; BERTScore – 0,722). Реализованный модуль генерации критических вопросов может быть использован для построения компоненты интерпретации результатов анализа достоверности информации.