首页 > 最新文献

Системи управління, навігації та зв’язку. Збірник наукових праць最新文献

英文 中文
ЦИФРОВІ ПРЕДСТАВЛЕННЯ TELEGRAM-КАНАЛІВ 电报通道的数字表示
S. Shapovalova, A. Sofiienko
Предметом дослідження цієї статті є цифрові представлення текстових інформаційних ресурсів на прикладі Telegram-каналів. Мета роботи – визначити оптимальний для подальшої тематичної класифікації метод формування цифрових представлень Telegram-каналів. У статті вирішуються наступні завдання: означення підходів до формування вхідного вектору; визначення етапів обробки текстових даних для цифрового представлення Telegramканалу; створення датасету цифрових представлення Telegram-каналів; розмітка датасету для розв’язання задачі класифікації; визначення гіперпараметрів оптимальних моделей класифікації. Отримано такі результати: створений датасет цифрових представлень Telegram-каналів, сформованих на основі мережі SBERT, за трьома підходами: агрегація векторів публікацій, конкатенація ключових слів за методом TF-IDF та поєднання перших двох підходів; визначено, що підхід конкатенації ключових слів за методом TF-IDF та поєднання перших двох підходів до формування цифрових представлень Telegram-каналів на основі текстових публікацій є найбільш ефективним для подальшої класифікації за тематикою; визначено оптимальні за точністю гіперпараметри моделей тематичної класифікації: Logistic Regressio та нейромережі глибокого навчання. Перспективним напрямком подальших досліджень є оцінювання застосування запропонованих цифрових представлень до задач кластеризації та пошуку.
本文的主题是以 Telegram 频道为例对文本信息资源进行数字表示。研究的目的是确定对 Telegram 频道的数字表征进行进一步主题分类的最佳方法。文章解决了以下任务:定义形成输入向量的方法;确定 Telegram 频道数字表示的文本数据处理阶段;创建 Telegram 频道数字表示的数据集;标记数据集以解决分类问题;确定最佳分类模型的超参数。结果如下:在 SBERT 网络的基础上,使用三种方法创建了 Telegram 频道数字表示数据集:结果表明,使用 TF-IDF 方法和前两种方法组合形成基于文本出版物的 Telegram 频道数字表示的关键词串联方法对进一步按主题分类最有效;主题分类模型的超参数在准确性方面被确定为最优:Logistic Regressio 和深度学习神经网络。进一步研究的一个有前途的方向是评估所提出的数字表示法在聚类和搜索任务中的应用。
{"title":"ЦИФРОВІ ПРЕДСТАВЛЕННЯ TELEGRAM-КАНАЛІВ","authors":"S. Shapovalova, A. Sofiienko","doi":"10.26906/sunz.2024.1.158","DOIUrl":"https://doi.org/10.26906/sunz.2024.1.158","url":null,"abstract":"Предметом дослідження цієї статті є цифрові представлення текстових інформаційних ресурсів на прикладі Telegram-каналів. Мета роботи – визначити оптимальний для подальшої тематичної класифікації метод формування цифрових представлень Telegram-каналів. У статті вирішуються наступні завдання: означення підходів до формування вхідного вектору; визначення етапів обробки текстових даних для цифрового представлення Telegramканалу; створення датасету цифрових представлення Telegram-каналів; розмітка датасету для розв’язання задачі класифікації; визначення гіперпараметрів оптимальних моделей класифікації. Отримано такі результати: створений датасет цифрових представлень Telegram-каналів, сформованих на основі мережі SBERT, за трьома підходами: агрегація векторів публікацій, конкатенація ключових слів за методом TF-IDF та поєднання перших двох підходів; визначено, що підхід конкатенації ключових слів за методом TF-IDF та поєднання перших двох підходів до формування цифрових представлень Telegram-каналів на основі текстових публікацій є найбільш ефективним для подальшої класифікації за тематикою; визначено оптимальні за точністю гіперпараметри моделей тематичної класифікації: Logistic Regressio та нейромережі глибокого навчання. Перспективним напрямком подальших досліджень є оцінювання застосування запропонованих цифрових представлень до задач кластеризації та пошуку.","PeriodicalId":509548,"journal":{"name":"Системи управління, навігації та зв’язку. Збірник наукових праць","volume":"50 9","pages":""},"PeriodicalIF":0.0,"publicationDate":"2024-02-09","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"139964947","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
引用次数: 0
PERSONALIZATION OF VISUAL CONTENT OF INTERACTIVE ART IN AUGMENTED REALITY BASED ON INDIVIDUAL USER PREFERENCES 基于个人用户偏好的增强现实互动艺术视觉内容的个性化定制
Аndrii Kuliahin
Topicality. In connection with the development of AR technologies and their use in interactive art, there is a growing need to develop methods of personalizing visual content, focused on the individual preferences of users. Research methods. Neural collaborative filtering method, generalized matrix factorization method, mood analysis on video. The purpose of the article: Researching the possibilities of improving the personalization of visual content in interactive art by evaluating the emotional reactions of users and their implicit feedback. The results obtained. The application of neural collaborative filtering and generalized matrix factorization to create adapted visual content in interactive art in AR was considered, which will significantly increase the relevance and immersion of users in interactive works. Conclusion. The considered approach can be used to improve immersiveness and personalization during user interaction with interactive art in AR.
主题性。随着 AR 技术的发展及其在互动艺术中的应用,人们越来越需要开发针对用户个人喜好的个性化视觉内容的方法。研究方法。神经协同过滤法、广义矩阵因式分解法、视频情绪分析法。文章的目的通过评估用户的情绪反应及其隐性反馈,研究改进互动艺术中视觉内容个性化的可能性。研究结果考虑应用神经协同过滤和广义矩阵因式分解在 AR 互动艺术中创建适配的视觉内容,这将显著提高用户在互动作品中的相关性和沉浸感。结论。所考虑的方法可用于在用户与 AR 中的互动艺术进行交互时提高沉浸感和个性化。
{"title":"PERSONALIZATION OF VISUAL CONTENT OF INTERACTIVE ART IN AUGMENTED REALITY BASED ON INDIVIDUAL USER PREFERENCES","authors":"Аndrii Kuliahin","doi":"10.26906/sunz.2024.1.115","DOIUrl":"https://doi.org/10.26906/sunz.2024.1.115","url":null,"abstract":"Topicality. In connection with the development of AR technologies and their use in interactive art, there is a growing need to develop methods of personalizing visual content, focused on the individual preferences of users. Research methods. Neural collaborative filtering method, generalized matrix factorization method, mood analysis on video. The purpose of the article: Researching the possibilities of improving the personalization of visual content in interactive art by evaluating the emotional reactions of users and their implicit feedback. The results obtained. The application of neural collaborative filtering and generalized matrix factorization to create adapted visual content in interactive art in AR was considered, which will significantly increase the relevance and immersion of users in interactive works. Conclusion. The considered approach can be used to improve immersiveness and personalization during user interaction with interactive art in AR.","PeriodicalId":509548,"journal":{"name":"Системи управління, навігації та зв’язку. Збірник наукових праць","volume":"44 15","pages":""},"PeriodicalIF":0.0,"publicationDate":"2024-02-09","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"139964982","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
引用次数: 0
ОГЛЯД ЗАСОБІВ ЕФЕКТИВНОЇ СЕГМЕНТАЦІЇ ЗОБРАЖЕНЬ З ВИКОРИСТАННЯМ МЕТОДІВ КЛАСТЕРИЗАЦІЇ ДАНИХ 使用数据聚类方法的有效图像分割工具概述
D. Zaitsev, T. Filimonchuk, A. Huk, Halyna Maistrenko
Актуальність. Протягом багатьох десятиліть люди мріяли створити машини, які могли б зрівнятись по характеристикам з людським інтелектом та мислити й діяти як люди. Однією з найцікавіших ідей було дати комп’ютерам можливість «бачити» та інтерпретувати навколишній світ у зручний для розуміння комп’ютером. Завдяки прогресу в галузі штучного інтелекту, інноваціям в області deep learning та нейронних мережах ця сфера змогла зробити значний стрибок за останні роки та перевершити людей у деяких задачах, пов’язаних із виявленням та маркуванням об’єктів. Метою даної роботи є розгляд та порівняльний аналіз існуючих засобів сегментації зображень, зокрема, з використанням методів кластеризації. Об’єктом дослідження виступають алгоритми сегментації зображень, які є ключовими у сфері комп'ютерного зору для розпізнавання та аналізу об'єктів. Предметом дослідження є конкретне використання методів кластеризації в цих алгоритмах, їх ефективність та точність. Результати. У даній роботі проведено розгляд та порівняльний аналіз основних методів кластеризації даних. Виявлено 3 найпоширеніші та найперспективніші для покращення алгоритми. Для кожного з них описано принцип роботи, виділено їх головні переваги та недоліки. Висновок. Серед розглянутих методів немає найкращого універсального вибору, оскільки ефективність кожного з них залежить від конкретної задачі. Описані алгоритми плануються бути використані для їх подальших досліджень та модифікацій.
相关性。几十年来,人们一直梦想着创造出能与人类智能相媲美、像人类一样思考和行动的机器。其中一个最有趣的想法就是让计算机有能力 "看到 "并以计算机易于理解的方式解释周围的世界。得益于人工智能的进步、深度学习和神经网络的创新,这一领域近年来取得了长足的进步,并在一些与物体检测和标记相关的任务中超越了人类。本文旨在回顾和比较现有的图像分割工具,特别是使用聚类方法的工具。研究对象是图像分割算法,它是计算机视觉领域中物体识别和分析的关键。研究主题是聚类方法在这些算法中的具体使用、其效率和准确性。研究结果本文对数据聚类的主要方法进行了回顾和比较分析。确定了 3 种最常见、最有希望改进的算法。对每种算法的工作原理进行了描述,并强调了它们的主要优缺点。结论。在所考虑的方法中没有最佳的通用选择,因为每种方法的有效性都取决于具体的任务。所述算法计划用于进一步研究和修改。
{"title":"ОГЛЯД ЗАСОБІВ ЕФЕКТИВНОЇ СЕГМЕНТАЦІЇ ЗОБРАЖЕНЬ З ВИКОРИСТАННЯМ МЕТОДІВ КЛАСТЕРИЗАЦІЇ ДАНИХ","authors":"D. Zaitsev, T. Filimonchuk, A. Huk, Halyna Maistrenko","doi":"10.26906/sunz.2024.1.077","DOIUrl":"https://doi.org/10.26906/sunz.2024.1.077","url":null,"abstract":"Актуальність. Протягом багатьох десятиліть люди мріяли створити машини, які могли б зрівнятись по характеристикам з людським інтелектом та мислити й діяти як люди. Однією з найцікавіших ідей було дати комп’ютерам можливість «бачити» та інтерпретувати навколишній світ у зручний для розуміння комп’ютером. Завдяки прогресу в галузі штучного інтелекту, інноваціям в області deep learning та нейронних мережах ця сфера змогла зробити значний стрибок за останні роки та перевершити людей у деяких задачах, пов’язаних із виявленням та маркуванням об’єктів. Метою даної роботи є розгляд та порівняльний аналіз існуючих засобів сегментації зображень, зокрема, з використанням методів кластеризації. Об’єктом дослідження виступають алгоритми сегментації зображень, які є ключовими у сфері комп'ютерного зору для розпізнавання та аналізу об'єктів. Предметом дослідження є конкретне використання методів кластеризації в цих алгоритмах, їх ефективність та точність. Результати. У даній роботі проведено розгляд та порівняльний аналіз основних методів кластеризації даних. Виявлено 3 найпоширеніші та найперспективніші для покращення алгоритми. Для кожного з них описано принцип роботи, виділено їх головні переваги та недоліки. Висновок. Серед розглянутих методів немає найкращого універсального вибору, оскільки ефективність кожного з них залежить від конкретної задачі. Описані алгоритми плануються бути використані для їх подальших досліджень та модифікацій.","PeriodicalId":509548,"journal":{"name":"Системи управління, навігації та зв’язку. Збірник наукових праць","volume":"47 19","pages":""},"PeriodicalIF":0.0,"publicationDate":"2024-02-09","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"139964824","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
引用次数: 0
МОДЕЛІ ГЛИБОКОГО НАВЧАННЯ ДЛЯ ПРОГНОЗУВАННЯ ЧАСОВИХ РЯДІВ 用于时间序列预测的深度学习模型
Heorhii Ivashchenko, D. Tymoshenko, Oleksandr Blyzniuk, O. Kononenko
Актуальність. Прогнозування часових рядів є одним із важливих інструментів для різних сфер людської діяльності, оскільки воно дозволяє аналізувати минулі тенденції, розуміти динаміку подій та приймати обґрунтовані рішення на основі попередньо зібраних історичних даних. За останні роки моделі штучних нейронних мереж глибокого навчання показали значний потенціал у сфері прогнозування часових рядів. Метою даної роботи є аналіз використання моделей глибокого навчання для короткострокового прогнозування часових рядів різного походження та з можливою наявністю викривлень. Об’єктом дослідження є процес прогнозування часових рядів. Предметом дослідження є використання моделей глибокого навчання на основі CNN, RNN, TCNN та LSTM архітектур для прогнозування часових рядів. Результати. Експериментальні дослідження показали, що прогнози нестаціонарних часових рядів за допомогою штучної нейронної мережи на основі архітектури LSTM виявились найближчими до реальних даних, порівняно з іншими моделями глибокого навчання. Висновок. Отримані результати у більшості випадків підтверджують перевагу використання моделей на основі LSTM перед іншими розглянутими моделями глибокого навчання для прогнозування часових рядів
相关性。时间序列预测是人类活动各个领域最重要的工具之一,因为它可以分析过去的趋势,了解事件的动态,并根据以前收集的历史数据做出明智的决策。近年来,深度学习人工神经网络模型在时间序列预测方面显示出巨大潜力。本文旨在分析如何利用深度学习模型对不同来源和可能失真的时间序列进行短期预测。研究对象是时间序列预测过程。研究对象是基于 CNN、RNN、TCNN 和 LSTM 架构的深度学习模型在时间序列预测中的应用。研究结果实验研究表明,与其他深度学习模型相比,基于 LSTM 架构的人工神经网络对非平稳时间序列的预测最接近真实数据。结论在大多数情况下,所获得的结果证实了在时间序列预测中使用基于 LSTM 的模型比使用其他深度学习模型更有优势。
{"title":"МОДЕЛІ ГЛИБОКОГО НАВЧАННЯ ДЛЯ ПРОГНОЗУВАННЯ ЧАСОВИХ РЯДІВ","authors":"Heorhii Ivashchenko, D. Tymoshenko, Oleksandr Blyzniuk, O. Kononenko","doi":"10.26906/sunz.2024.1.082","DOIUrl":"https://doi.org/10.26906/sunz.2024.1.082","url":null,"abstract":"Актуальність. Прогнозування часових рядів є одним із важливих інструментів для різних сфер людської діяльності, оскільки воно дозволяє аналізувати минулі тенденції, розуміти динаміку подій та приймати обґрунтовані рішення на основі попередньо зібраних історичних даних. За останні роки моделі штучних нейронних мереж глибокого навчання показали значний потенціал у сфері прогнозування часових рядів. Метою даної роботи є аналіз використання моделей глибокого навчання для короткострокового прогнозування часових рядів різного походження та з можливою наявністю викривлень. Об’єктом дослідження є процес прогнозування часових рядів. Предметом дослідження є використання моделей глибокого навчання на основі CNN, RNN, TCNN та LSTM архітектур для прогнозування часових рядів. Результати. Експериментальні дослідження показали, що прогнози нестаціонарних часових рядів за допомогою штучної нейронної мережи на основі архітектури LSTM виявились найближчими до реальних даних, порівняно з іншими моделями глибокого навчання. Висновок. Отримані результати у більшості випадків підтверджують перевагу використання моделей на основі LSTM перед іншими розглянутими моделями глибокого навчання для прогнозування часових рядів","PeriodicalId":509548,"journal":{"name":"Системи управління, навігації та зв’язку. Збірник наукових праць","volume":"45 16","pages":""},"PeriodicalIF":0.0,"publicationDate":"2024-02-09","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"139965056","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
引用次数: 0
ПРОТОКОЛ СПІЛЬНИХ ДІЙ СУБ’ЄКТІВ ЗАБЕЗПЕЧЕННЯ КІБЕРБЕЗПЕКИ ПІД ЧАС РЕАГУВАННЯ НА КІБЕРІНЦИДЕНТИ, А ТАКОЖ ПРИ УСУНЕННІ ЇХ НАСЛІДКІВ 网络安全实体应对网络事件和消除其后果的联合行动协议
Y. Zhyvylo, I. Romashko
Кіберпростір разом з іншими фізичними просторами визнано одним з театрів воєнних дій. Набирає сили тенденція зі створення кібервійськ (Дорожня карта створення Кібервійськ Збройних Сил України – наказ Генерального штабу Збройних Сил України, від 22.04.2022 №48) до завдань яких належить не лише забезпечення захисту критичної інформаційної інфраструктури держави від кібератак, а й проведення превентивних наступальних кібердій (проведення кібероперацій) у кіберпросторі, що включає порушення сталого функціонування критично важливих об’єктів інфраструктури противника шляхом руйнування електронно-комунікаційних систем, які управляють такими об’єктами. Прогнозується зростання інтенсивності міждержавного протиборства і розвідувально-підривної діяльності у кіберпросторі. Розширюється коло держав, які намагаються сформувати власну кіберрозвідку, оволодіти сучасними технологіями розвідувально-підривної діяльності у кіберпросторі, посилюють державний контроль за національними сегментами мережі Інтернет. Зважаючи на досвід ведення бойових дій під час введення правового режиму воєнного стану та враховуючи невизначеність суб’єктів та об’єктів, їх функцій та завдань для дій в певних сферах, в тому числі і у сфері кібербезпеки, в мирний час, призвів до незлагодженості та неузгодженості цих дій суб’єктами забезпечення кібербезпеки держави. А враховуючи, що з введенням правового режиму воєнного стану певні суб’єкти міняють своє місцезнаходження, переміщують інформаційні активи та обладнання на нові місця дислокації з використанням хмарних сервісів, зазначене доволі сильно ускладнює процес узгодження та координації дій щодо реагування на кіберінциденти, а також усунення їх наслідків. Це призводить до вимушеного перерозподілу завдань та функцій по виконанню заходів кіберзахисту на різних об’єктах. За цих умов, на постійній чи тимчасовій основі створюються нові суб’єкти кіберзахисту, що потребує часу на набуття ними спроможностей для виконання завдань за призначенням. У такій ситуації Україна має бути здатною забезпечити свій соціально-економічний розвиток у цифровому світі, що вимагає набуття спроможності ефективно стримувати деструктивні дії в кіберпросторі, сталого реагування на загрози в кібернетичному просторі, досягнення кіберстійкості на всіх рівнях та взаємодії складових сектору безпеки і оборони щодо забезпечення кібербезпеки в рамках кібероборони держави. Отже, виходячи з необхідності наукового обґрунтування інституційних засад постає необхідним чітко визначити: “перелік суб’єктів забезпечення кібербезпеки щодо виконання дій, встановлених цим Протоколом”, як в мирний час так і в умовах правового режиму воєнного стану; зазначеним вище суб’єктам їх роль та місце, перелік та порядок дій під час реагування на кіберінциденти та усунення їхніх наслідків, як в мирний час так і в умовах правового режиму воєнного стану. При цьому, наукова новизна очікуваних результатів полягає в теоретичному обґрунтуванні та наданні практичних рекомендацій щодо вдосконалення механізмі
网络空间与其他物理空间一样,是公认的战场之一。建立网络部队的趋势正在加强(乌克兰武装部队网络部队创建路线图--乌克兰武装部队总参谋部命令,2022 年 4 月 22 日,第 48 号),其任务不仅包括确保国家重要信息基础设施免受网络攻击,而且还包括在网络空间开展预防性进攻网络行动(网络行动),其中包括通过破坏电子和通信系统来破坏敌方重要基础设施的稳定运行,这些系统管理着国家的重要信息基础设施。预计国家间在网络空间的对抗、侦察和颠覆活动将更加激烈。试图形成自己的网络情报、掌握网络空间侦察和颠覆活动的现代技术、加强国家对互联网国家部分的控制的国家范围正在扩大。考虑到戒严法律制度实行期间的战争经验,并鉴于和平时期在包括网络安全在内的某些领域采取行动的主体和客体及其职能和任务的不确定性,这导致国家网络安全主体的这些行动不一致和不连贯。而且,鉴于戒严令的实施,某些实体会改变其所在地点,利用云服务将信息资产和设备转移到新的地点,这使应对网络事件并消除其后果的协调和配合行动的过程大大复杂化。这导致在不同设施实施网络防御措施的任务和职能被迫重新分配。在这种情况下,需要长期或临时建立新的网络安全实体,这就需要时间来获得执行预定任务的能力。在这种情况下,乌克兰必须能够确保其在数字世界中的社会经济发展,这就需要获得有效遏制网络空间破坏行动的能力,可持续地应对网络空间的威胁,实现各级网络复原力,以及安全和国防部门各组成部分的互动,以确保国家网络防御框架内的网络安全。因此,基于对体制框架进行科学论证的需要,有必要明确界定在和平时期和戒严状态下,"负责执行本议定书规定行动的网络安全实体清单";在和平时期和戒严状态下,上述实体、其作用和地位、应对网络事件和消除其后果的清单和程序。同时,预期成果的科学新颖性在于:在规划国家网络防御准备工作时,为改进安全和防卫部门各组成部分(x)的管理和互动机制提供理论依据和实用建议,采取措施消除和积极应对国家网络空间中的网络威胁。
{"title":"ПРОТОКОЛ СПІЛЬНИХ ДІЙ СУБ’ЄКТІВ ЗАБЕЗПЕЧЕННЯ КІБЕРБЕЗПЕКИ ПІД ЧАС РЕАГУВАННЯ НА КІБЕРІНЦИДЕНТИ, А ТАКОЖ ПРИ УСУНЕННІ ЇХ НАСЛІДКІВ","authors":"Y. Zhyvylo, I. Romashko","doi":"10.26906/sunz.2024.1.066","DOIUrl":"https://doi.org/10.26906/sunz.2024.1.066","url":null,"abstract":"Кіберпростір разом з іншими фізичними просторами визнано одним з театрів воєнних дій. Набирає сили тенденція зі створення кібервійськ (Дорожня карта створення Кібервійськ Збройних Сил України – наказ Генерального штабу Збройних Сил України, від 22.04.2022 №48) до завдань яких належить не лише забезпечення захисту критичної інформаційної інфраструктури держави від кібератак, а й проведення превентивних наступальних кібердій (проведення кібероперацій) у кіберпросторі, що включає порушення сталого функціонування критично важливих об’єктів інфраструктури противника шляхом руйнування електронно-комунікаційних систем, які управляють такими об’єктами. Прогнозується зростання інтенсивності міждержавного протиборства і розвідувально-підривної діяльності у кіберпросторі. Розширюється коло держав, які намагаються сформувати власну кіберрозвідку, оволодіти сучасними технологіями розвідувально-підривної діяльності у кіберпросторі, посилюють державний контроль за національними сегментами мережі Інтернет. Зважаючи на досвід ведення бойових дій під час введення правового режиму воєнного стану та враховуючи невизначеність суб’єктів та об’єктів, їх функцій та завдань для дій в певних сферах, в тому числі і у сфері кібербезпеки, в мирний час, призвів до незлагодженості та неузгодженості цих дій суб’єктами забезпечення кібербезпеки держави. А враховуючи, що з введенням правового режиму воєнного стану певні суб’єкти міняють своє місцезнаходження, переміщують інформаційні активи та обладнання на нові місця дислокації з використанням хмарних сервісів, зазначене доволі сильно ускладнює процес узгодження та координації дій щодо реагування на кіберінциденти, а також усунення їх наслідків. Це призводить до вимушеного перерозподілу завдань та функцій по виконанню заходів кіберзахисту на різних об’єктах. За цих умов, на постійній чи тимчасовій основі створюються нові суб’єкти кіберзахисту, що потребує часу на набуття ними спроможностей для виконання завдань за призначенням. У такій ситуації Україна має бути здатною забезпечити свій соціально-економічний розвиток у цифровому світі, що вимагає набуття спроможності ефективно стримувати деструктивні дії в кіберпросторі, сталого реагування на загрози в кібернетичному просторі, досягнення кіберстійкості на всіх рівнях та взаємодії складових сектору безпеки і оборони щодо забезпечення кібербезпеки в рамках кібероборони держави. Отже, виходячи з необхідності наукового обґрунтування інституційних засад постає необхідним чітко визначити: “перелік суб’єктів забезпечення кібербезпеки щодо виконання дій, встановлених цим Протоколом”, як в мирний час так і в умовах правового режиму воєнного стану; зазначеним вище суб’єктам їх роль та місце, перелік та порядок дій під час реагування на кіберінциденти та усунення їхніх наслідків, як в мирний час так і в умовах правового режиму воєнного стану. При цьому, наукова новизна очікуваних результатів полягає в теоретичному обґрунтуванні та наданні практичних рекомендацій щодо вдосконалення механізмі","PeriodicalId":509548,"journal":{"name":"Системи управління, навігації та зв’язку. Збірник наукових праць","volume":"47 8","pages":""},"PeriodicalIF":0.0,"publicationDate":"2024-02-09","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"139964714","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
引用次数: 0
期刊
Системи управління, навігації та зв’язку. Збірник наукових праць
全部 Acc. Chem. Res. ACS Applied Bio Materials ACS Appl. Electron. Mater. ACS Appl. Energy Mater. ACS Appl. Mater. Interfaces ACS Appl. Nano Mater. ACS Appl. Polym. Mater. ACS BIOMATER-SCI ENG ACS Catal. ACS Cent. Sci. ACS Chem. Biol. ACS Chemical Health & Safety ACS Chem. Neurosci. ACS Comb. Sci. ACS Earth Space Chem. ACS Energy Lett. ACS Infect. Dis. ACS Macro Lett. ACS Mater. Lett. ACS Med. Chem. Lett. ACS Nano ACS Omega ACS Photonics ACS Sens. ACS Sustainable Chem. Eng. ACS Synth. Biol. Anal. Chem. BIOCHEMISTRY-US Bioconjugate Chem. BIOMACROMOLECULES Chem. Res. Toxicol. Chem. Rev. Chem. Mater. CRYST GROWTH DES ENERG FUEL Environ. Sci. Technol. Environ. Sci. Technol. Lett. Eur. J. Inorg. Chem. IND ENG CHEM RES Inorg. Chem. J. Agric. Food. Chem. J. Chem. Eng. Data J. Chem. Educ. J. Chem. Inf. Model. J. Chem. Theory Comput. J. Med. Chem. J. Nat. Prod. J PROTEOME RES J. Am. Chem. Soc. LANGMUIR MACROMOLECULES Mol. Pharmaceutics Nano Lett. Org. Lett. ORG PROCESS RES DEV ORGANOMETALLICS J. Org. Chem. J. Phys. Chem. J. Phys. Chem. A J. Phys. Chem. B J. Phys. Chem. C J. Phys. Chem. Lett. Analyst Anal. Methods Biomater. Sci. Catal. Sci. Technol. Chem. Commun. Chem. Soc. Rev. CHEM EDUC RES PRACT CRYSTENGCOMM Dalton Trans. Energy Environ. Sci. ENVIRON SCI-NANO ENVIRON SCI-PROC IMP ENVIRON SCI-WAT RES Faraday Discuss. Food Funct. Green Chem. Inorg. Chem. Front. Integr. Biol. J. Anal. At. Spectrom. J. Mater. Chem. A J. Mater. Chem. B J. Mater. Chem. C Lab Chip Mater. Chem. Front. Mater. Horiz. MEDCHEMCOMM Metallomics Mol. Biosyst. Mol. Syst. Des. Eng. Nanoscale Nanoscale Horiz. Nat. Prod. Rep. New J. Chem. Org. Biomol. Chem. Org. Chem. Front. PHOTOCH PHOTOBIO SCI PCCP Polym. Chem.
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
0
微信
客服QQ
Book学术公众号 扫码关注我们
反馈
×
意见反馈
请填写您的意见或建议
请填写您的手机或邮箱
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
现在去查看 取消
×
提示
确定
Book学术官方微信
Book学术文献互助
Book学术文献互助群
群 号:481959085
Book学术
文献互助 智能选刊 最新文献 互助须知 联系我们:info@booksci.cn
Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。
Copyright © 2023 Book学术 All rights reserved.
ghs 京公网安备 11010802042870号 京ICP备2023020795号-1