Програма кафедри СП з підготовки аспірантів (PhD) і магістрів
Підготовка аспірантів і магістрів проводиться в галузі технологій інтелектуальних розподілених обчислень (Intelligent Computing Technologies, InCT), яка є важливою складовою комп’ютерних наук (ComputerScience) і включає наступне: - Сервіс-орієнтовані обчислення іархітектури і (Service–orientedComputingand Architectures, SOC and SOA)
- Туманні обчислення (FogComputing, FC)
- Розподілені грід-хмарні обчислення (DistributedGrid-CloudComputing)
- Технологіїблокчейнів (Blockchain) длярозподілених баз даних з правами багаторазового читання і однократного запису
- Контентно-керовані адаптивні обчислення
- Онтології, мікросервіси , контейнери і програмніінтерфейси APIв технологіях інтелектуальних обчислень(Ontologies, Microservices, Containers , APIinInCT)
- Пошук сервісів, їх оркестровка, хореографія і композиція (ServiceDiscovery, OrchestrationandComposition)
- Агенти і багатоагентні системи (AgentsandMulti-agentSystems)
- Набір практик DevOps взаємодії розробників сервіс-орієнтованих додатків для Європейської відкритої науково-дослідницької хмари (DevOpsinApplicationdevelopmentforEuropeanOpenScienceCloudforResearch, EOSCR)
- Застосування типу Infrastructure as a Service (IaaS),Platforma as a Service (PaaS), Software as a Service (SaaS), Data as a Service (DaaS), Knowledge as a Service (KaaS), Application as a Service (AaaS)
- Безсерверні обчислення (Function as a Service,or Serverless Computing)
- Сервісні і туманні обчислення в Інтернеті речей (SOCandFCinInternetofThings)
- Інтелектуальні обчислення для великих даних (IntelligentComputingforBigData)
- Сучасні прикладні застосування інтелектуальних обчислень (SmartCities,SmartHealthcare, IntelligentTransportation)
- Розподілене моделювання складних об’єктів і систем в обчислювальному середовищі.
Теми досліджень, для аспірантів 2017-2019рр вступу
На 2018 навчальний рік аспірантам пропонуються наступні теми:
- Розроблення медичних додатків в середовищі Інтернету речей (науковий керівник проф. Петренко А.І.)
Сутність досліджень: Досліджуються шляхи створення інтегрованої платформи iPaaS з альтерна-тивними варіантами сервісів мобільної медицини від різних провайдерів, в якійзадіяні семантичні веб-сервіси з контейнер-ною організацією їх взаємодії і реалізована мікросервісна адаптивна система пошуку сервісів за вимогами до їх функціональних і нефункціональних властивостей.
- Особливості створення і застосування комп’ютерних ігор в навчальних дисциплінах з комп’ютерних наук(науковий керівник проф. Петренко А.І.)
Сутність досліджень: Комп’ютерні ігри - це інструменти електронного навчання, які мають унікальні освітні характеристики. Ці характеристики дозволяють педагогам створювати справжні навчальні ситуації та контексти,які сприяютьрозвитку мислення і навичок на вищому рівні. Дослідженню підлягають методологія і сервісний інструментарій навчаннюсучасним технологіям моделюван-ня складних об’єктів і систем.
- Самоналагоджувальна індексна структура бази великих даних, базована на методах машинного навчання (науковий керівник проф. Петренко А.І.)
Сутність досліджень: Досліджується можливість заміни існуючих індексних систем (збалансованих дерев B-Trees, хеш-таблиць Hash-Maps, фільтрів Блума тощо)на інший типмоделей, базованих на глибинних моделях навчання. Основна ідея полягає в тому, що така модель може вивчати порядок сортування або структуру ключів пошуку та використову-вати ці сигнали для ефективного прогнозу-ванняположення або наявність записів даних.
- Аналіз неструктурованих та слабо структурованих даних на основі методології глибокого машинного навчання (науковий керівник – проф. Рогоза В.С.)
Сутність досліджень: Неструктуровані та слабо структуровані дані (наприклад, такі, як текстові дані) стають одним з важливих об’єктів досліджень в зв’язку з розвитком семантичних мереж нових поколінь. Невирішеною проблемою на шляху до ефективної реалізації вказаних мереж є неоднозначна інтерпретація даних системами, які їх обробляють(полісемія) та принципова неповнота словників, на базі яких згадана ця інтерпретація здійснюється. Дослідження по даній темі мають підтвердити гіпотезу про те, що зазначена проблема може бути вирішена завдяки використанню методів глибокого машинного навчання (deeplearning).
- Методи глибокого машинного навчання на великих масивах даних (науковий керівник – проф.Рогоза В.С.)
Сутність досліджень: Всі алгоритми аналізу даних призначені для побудови корисних узагальнень представлення даних, на основі якого можна приймати рішення. Методи машинного навчання будують моделі даних, завдяки яким з даних можна отримати корисні знання про об’єкт досліджень. Якщо даних дуже багато і вони упорядковані за різними ознаками, відомі методи машинного навчання стають непридатними. Методи глибокого навчання відрізняються від згаданих звичайних методів навчання ієрархічною організацією процесу навчання, завдяки якій структуризація даних відбувається безпосередньо в часі їх отримання системою. Гіпотеза, яка має бути досліджена в рамках вказаної теми, полягає в доведенні тези про те, що застосування методів глибокого навчання значно розширює можливості систем оброблення даних і сприяє суттєвому підвищенню їх ефективності.
- Розв’язання задач data-mining на великих масивах данихз використаннямметодівглибокогомашинного навчання (науковий керівник – проф.Рогоза В.С.)
Сутність досліджень: Класичні задачі data-mining, такі, як класифікація об’єктів, їх кластеризація, пошук асоціативних правил, побудова дерев розв’язань та інші, були створені з орієнтацією на використання баз даних, які вміщуються в пам’яті комп’ютера. Якщо масиви даних дуже великі, наприклад, такі, які і вже не можуть бути розміщені в пам’яті комп’ютера, то виникає потреба в застосуванні спеціальних методів їх аналізу, типових для технологій оброблення великих масивів даних (наприклад, розділення великих масивів даних на частини, їх паралельна обробка, маркування спеціальними ключами, хешування тощо). Суть пропонованої теми полягає в розвитку таких методів для побудови нових систем розв’язання задач data-mining.
- Знаходження співтовариств сайтів академічних організацій за науковими інтересами (науковий керівник — доцент Кисельов Г.Д.)
Сутність досліджень: Дослідження методів знаходження співтовариств за науковими інтересами на графі інтернет інфраструктур, який будується автоматично, з використанням теорії графів і штучного інтелекту. Пошук функцій переваги для пар вершин графу і кластерізація вершин з максимальними функціями переваги. Розробка алгоритмів пошуку стабільного розбиття на кластери, оцінка складності цих алгоритмів.
- Інформаційна мікросервісна платформа для створення і надання тематичних сервісів дистанційного навчання (науковий керівник — доцент Кисельов Г.Д.)
Сутність досліджень: Досліджується технології створення тематичних сервісів, які забезпечують підтримку прийняття рішень з оцінки рівня знань слухачів, надання рекомендацій з можливої спеціалізації, пошуку вакансій на ринку праці, найбільш притаманних користувачу.
- Автоматичний пошук інтонаційно виділених слів і речень в текстах на природній мові (науковий керівник — доцент Кисельов Г.Д.)
Сутність досліджень: Дослідження методів автоматичного передбачення найбільш важливої інформації в текстах. Пошук лексичних, синтаксичних і семантичних маркерів в виразах природної мови. Розробка алгоритмів синтезу текстів за результатами визначеної семантики вхідного тексту.
Теми досліджень, що проводяться аспірантами 2016-2017рр вступу
-
-
Мета і завдання дослідження
Метою даної роботи є дослідження технологій дистанційного навчального процесу та створення середовища, що збільшить ефективність та якість навчання студентів, за допомогою збору даних із LMS та соціальних мереж і подальшого інтелектуального аналізу цих даних.
Під час попередніх досліджень були розглянуті задачі контейнеризації бекенду платформ дистанційного навчання за допомогою Kubernetes та імплементації системи дистанційного навчання LonCAPA на ресурсах кафедри системного проектування Київського політехнічного інституту, як альтернативи Moodle, та легкої міграції між іншими LMS. У якості продовження пропонується визначити інформаційну модель процесу навчання, створити інструменти супроводження навчання, оцінки знання студента, контролю чесності студента та контролю його практичних навичок з використанням технології мікросервісів, методів автоматизації програмування та методів штучного інтелекту.
Дослідницькі запитання
- Визначити структуру робочого процесу навчання, що використовував би таку систему
- Визначення критерій оцінювання студента із точки зору системи
- Сформувати список необхідних метрик
- Визначити метод аналізу
- Визначити інженерну потребу до створення архітектури
- Побудувати систему для збору даних
- Побудувати клієнт серверне рішення для паралелізації запитів
- Визначити критерії прийняття лабораторної роботи
- Визначити технології для побудови архітектури
- Створити архітектуру для прийняття лабораторної роботи
- Визначити взаємодію між системами
- Визначити структуру робочого процесу навчання
-
Мета і завдання дослідження
Дослідженню підлягають шляхи реалізації безсерверної технології для хмарних сервіс-орієнтованих прикладних додатків на основі використання веб-сервісів і контейнерів.
Практичне значення очікуваних наукових результатів
Тема є природнім продовженням наукової тематики з сервіс-орієнтованих обчислень і архітектур, яка притаманна кафедрі СП. Базою її виконання може бути дербюджетний проект 2022- п «Проектування сучасних систем сервісів на прикладі мобільної медичної системи для мешканців прифронтових селищ в зоні АТО»
-
Мета і завдання дослідження
Метою дослідження є всеохоплюючий глибокий аналіз технології туманних обчислень, спираючись на відомі переваги та недоліки хмарних обчислень та концепції Інтернету речей.
Для досягнення поставленої мети необхідне рішення наступних завдань: -
Дослідження існуючих матеріалів в галузі cloud computing та IoT.
-
Розгляд технології fog computing як конвергенції IoT та хмар.
-
Створення тестового стенду для детального тестування моделі туманних обчислень, виявлення її характерних особливостей.
-
Аналіз отриманих результатів, дослідження можливих нових варіантів застосування моделі.
-
Підбивання висновків щодо можливостей використання туманних обчислень, співставлення з концепціями cloud computing та IoT.
Практичне значення очікуваних наукових результатів
В якості результату дослідження буде проведено детальний аналіз технології туманних обчислень з точки зору поєднання переваг cloud computing та IoT, а також виявлено свої окремі переваги та недоліки, що покаже найкращі варіанти імплементації моделі в сучасних обчислювальних системах. Збагативши світовий досвід в галузі даної технології, результати дослідження можна використовувати в подальшому для збільшення продуктивності роботи систем, побудованих з використанням моделі туманних обчислень.
-
Мета і завдання дослідження
Метою дослідження є аналіз сучасного стану методології і засобів проавтивного обслуговування розподілених мереж і адаптація їх до задачі виявлення залежностей і зв'язків контролюємих параметрів мережі з ціллю прогнозування її поведінки за допомогою машиного навчання та нейронних мереж. Дослідженню підлягають:
- Дослідження необхідної множини показників КРІ, адекватно описуючих функціонування системи.
-
Дослідження статистики для значень вибраних КРІ, в кореляційних зав’язків ніж ними.
-
Побудова моделі функціонування системи з вибраними КРІ як її аргументами на основі доменної онтології прикладної задачі.
-
Обґрунтування вибору множини сервісів, що реалізують вирішувану задачу, враховуючи вимоги до інтерфейсу користувача.
-
Впровадження отриманих результатів на прикладі прикладного додатку проактивного моніторингу використання пам’яті гіпервізором віртуальних машин, побудованих на базі сервераю.
Практичне значення очікуваних наукових результатів
Довести теоретично і практично можливість реалізації систем прогнозування, які мають можливість до самостійного встановлення взаємозв’язків у великому наборі даних і на їх основі будувати прогноз подальшого розвитку стану системи, на прикладі задачі виртуалізації обчислювальних ресурсів.
-
Мета і завдання дослідження
Метою даної роботи є дослідження технологій MapReduce та подібних до неї (наприклад, Spark) для їх використання у вирішення задач обробки великих масивів даних та створення моделей, що базуються на цих технологіях для розв’язку задач інтелектуального аналізу даних у мультиагентних системах. Результатом проведених досліджень передбачається налаштована для розв’язку задач інтелектуального аналізу мультиагентна система, продуктивність роботи якої є значно вищою за сучасні засоби обробки великих даних.
Практичне значення очікуваних наукових результатів
За останні роки обсяг збережених даних став занадто великим для того, щоб була можлива їх обробка традиційними алгоритмами. Відповідно, кількість даних зростає і паралельно із цим розвиваються алгоритми для їх швидкої обробки з використанням сучасного технічного забезпечення.
Тому практичним значенням очікуваних наукових результатів є створення експерементальної мультиагентної системи для розв'язку задач інтелектуального аналізу з високою продуктивністю, яка буде перевищувати продуктивність досі створених систем цього типу, а також – створення рекомендацій по налаштуванню та впровадженню цієї системи у сучасні сфери людської діяльності.
|