https://er.chdtu.edu.ua/handle/ChSTU/12 Fri, 02 Oct 2026 00:09:04 GMT 2026-10-02T00:09:04Z https://er.chdtu.edu.ua/handle/ChSTU/10013 Title: Models of information situations of decision-making under conditions of risk, uncertainty, and fuzzy information Authors: Maksymov, Anton; Tryus, Yuriy; Максимов, Антон Євгенійович; Триус, Юрій Васильович Abstract: The relevance is conditioned by the need to create mathematical support for a conceptual approach that would allow systematising information situations of decision-making under conditions of risk, uncertainty, fuzzy information, and provide a reasonable choice of methods for solving practical decision-making problems in these situations. The goal was to develop mathematical models of information situations of decision-making under conditions of risk, uncertainty, fuzzy information, and their possible combinations, and to build a model of the decision-making process based on them, which provides for the possibility of applying several methods of choosing alternatives and aggregating their results to improve the efficiency of decision-making. The research methodology was based on a systematic approach using set theory, probability theory, fuzzy set theory, decision theory and methods, and mathematical modelling to formalise information situations of decision-making. Mathematical models of information situations of decision-making under conditions of risk (Risk, R), complete uncertainty (Uncertainty, U), fuzzy information (Fuzzy, F), and possible combinations of situations were developed: R-U, R-F, U-F, R-U-F. The generalised model of information situation of decision-making R-U-F (MISDMRUF) was interpreted as a model of a decision-making problem that formalises the process of choosing an alternative in conditions of simultaneous presence of risk, uncertainty, and fuzzy information. This allowed using existing and creating new decision-making methods depending on the characteristics of the information situation of decisionmaking. A model of the decision-making process under conditions of risk, uncertainty and fuzzy information (MDMPRUF) was proposed, its tasks, main stages of implementation, and key features, in particular, versatility, flexibility, and integrativity, were defined. The results showed that the proposed MISDMRUF and MDMPRUF models were consistent with a number of studies in decision theory, but simultaneously fill in the existing gaps, providing a systematic, integrated approach to classifying information situations of decision-making and selecting decision methods under complex conditions of risk, uncertainty, and fuzzy information. The proposed mathematical models and an appropriate approach to solving decision-making problems can become the basis for creating information technologies for decision support under complex conditions.; Актуальність зумовлена потребою у створенні математичного забезпечення концептуального підходу, який би дозволив систематизувати інформаційні ситуації прийняття рішень в умовах ризику, невизначеності, нечіткої інформації та забезпечив обґрунтований вибір методів для розв’язання практичних задач прийняття рішень у цих ситуаціях. Мета полягала в розробці математичних моделей інформаційних ситуацій прийняття рішень в умовах ризику, невизначеності, нечіткої інформації та їх можливих комбінацій, а також у побудові на їх основі моделі процесу прийняття рішень, що передбачає можливість застосування кількох методів вибору альтернатив і агрегування їх результатів для підвищення ефективності прийняття рішень. Методологія дослідження ґрунтувалася на системному підході із застосуванням теорії множин, теорії ймовірностей, теорії нечітких множин, теорії і методів прийняття рішень, математичного моделювання для формалізації інформаційних ситуацій прийняття рішень. Розроблено математичні моделі інформаційних ситуацій прийняття рішень в умовах ризику (Risk, R), повної невизначеності (Uncertainty, U), нечіткої інформації (Fuzzy, F), а також можливих комбінацій ситуацій: R-U, R-F, U-F, R-U-F. Узагальнену модель інформаційних ситуацій прийняття рішень R-U-F (MISDMRUF) інтерпретовано як модель задачі прийняття рішень, що формалізує процес вибору альтернативи в умовах одночасної наявності ризику, невизначеності та нечіткої інформації. Це дозволило використовувати наявні та створювати нові методи прийняття рішень залежно від характеристик інформаційної ситуації прийняття рішень. Запропоновано модель процесу прийняття рішень в умовах ризику, невизначеності та нечіткої інформації (MDMPRUF), визначено її завдання, основні етапи реалізації та ключові особливості, зокрема універсальність, гнучкість та інтегративність. Результати засвідчили, що запропоновані моделі MISDMRUF та MDMPRUF узгоджуються з рядом досліджень у теорії прийняття рішень, але водночас заповнюють наявні прогалини, забезпечуючи системний, інтегрований підхід до класифікації інформаційних ситуацій прийняття рішень та вибору методів прийняття рішень у складних умовах ризику, невизначеності й нечіткої інформації. Запропоновані математичні моделі та відповідний підхід до розв’язання задач прийняття рішень можуть стати основою для створення інформаційних технологій підтримки прийняття рішень у складних умовах. Thu, 01 Jan 2026 00:00:00 GMT https://er.chdtu.edu.ua/handle/ChSTU/10013 2026-01-01T00:00:00Z https://er.chdtu.edu.ua/handle/ChSTU/10012 Title: Integration of security testing into QA pipelines using adversarial ML Authors: Husakovskyi, Anatolii; Гусаковський, Анатолій Abstract: The study aimed to theoretically systematise approaches to improving the resilience of machine learning systems in cyber defence by integrating resilience testing into the security process. The methodology covered the systematisation of machine learning areas in cyber defence, analysis of strategies to counter adversarial attacks, and a case study of integration into quality assurance and machine learning operations. The study found that the use of machine learning technologies in cyber defence enables the automation of threat detection and response (network anomalies, behavioural analysis, anti-phishing, anti-fraud, malware classification). The main advantages are scalability, response speed, predictability, and effectiveness in complex environments, while the key risks include dependence on data quality, false positives, vulnerability to adversarial and poisoning attacks, as well as privacy and explainability issues. The study determined that adversarial machine learning distinguishes between three attack scenarios (white-box, black-box, grey-box) and their classes (evasion, data poisoning, privacy/inference, model extraction, generative artificial intelligence. The study emphasised that adversarial machine learning encompasses not only technical but also regulatory and ethical dimensions related to the principles of privacy, fairness, and transparency in the use of artificial intelligence. Multi-level protection strategies were presented, integrated into the machine learning model lifecycle at the data level, during training, after training, at the deployment and inference stages. Practical cases demonstrated the feasibility of applying machine learning and anti-money laundering in various domains, from network security and security operations centres to development and operations/continuous integration/continuous delivery, the financial sector, stress testing machine learning pipelines, as well as quality assurance and machine learning operations. The practical significance lies in the ability of cybersecurity specialists, financial analysts, and machine learning operations engineers to use the results to improve the efficiency of security operations centres, integrate adversarial testing, and ensure the stability of machine learning models in production environments.; Метою дослідження була теоретична систематизація підходів до підвищення стійкості машинного навчання систем у кіберзахисті через інтеграцію тестування на стійкість у процесі забезпечення захисту. Методологія охоплювала систематизацію машинного навчання – напрямів у кіберзахисті, аналіз стратегій протидії ворожим атакам та case study інтеграції в забезпечення якості та операції з машинного навчання. Встановлено, що використання технологій машинного навчання у кіберзахисті забезпечує автоматизацію виявлення та реагування на загрози (аномалії у мережах, поведінковий аналіз, антифішинг, антифрод, класифікація malware). Основними перевагами є масштабованість, швидкість реагування, предиктивність та ефективність у складних середовищах, тоді як ключові ризики охоплюють залежність від якості даних, хибні спрацювання, вразливість до adversarial- та poisoning-атак, а також проблеми приватності й пояснюваності. Виявлено, що у змагальному машинному навчання виділено три сценарії атак (white-box, black-box, gray-box) та їх класи, отруєння даних, конфіденційність/висновок, вилучення моделі, генеративний штучний інтелект. Підкреслено, що змагальне машинне навчання охоплює не лише технічний, а й нормативний та етичний виміри, пов’язані з принципами конфіденційності, справедливості та прозорості у використанні штучного інтелекту. Представлено багаторівневі стратегії захисту, інтегровані в життєвий цикл моделей машинного навчання – на рівні даних, під час навчання, після навчання, на етапах розгортання та інференції. Практичні кейси продемонстрували доцільність застосування машинного навчання та протидії відмиванню коштів у різних доменах – від мережевої безпеки та центру операцій безпеки до розроблення та експлуатації / безперервної інтеграції / безперервного постачання, фінансового сектору, стрес-тестування конвеєрів машинного навчання, а також забезпечення якості й експлуатації машинного навчання. Практична значущість полягає в можливості використання отриманих результатів фахівцями з кібербезпеки, фінансовими аналітиками та інженерами з експлуатації машинного навчання для підвищення ефективності центру операцій безпеки, інтеграції змагального тестування та забезпечення стійкості моделей машинного навчання у виробничих середовищах. Thu, 01 Jan 2026 00:00:00 GMT https://er.chdtu.edu.ua/handle/ChSTU/10012 2026-01-01T00:00:00Z https://er.chdtu.edu.ua/handle/ChSTU/10011 Title: Mesh architectures and immune-inspired mechanisms in defending critical infrastructure Authors: Semerenska, Viktoriia; Семеренська, Вікторія Abstract: Critical infrastructure increasingly operates in interconnected, software-defined environments and is simultaneously subject to targeted cyberattacks that disrupt key services. Traditional perimeter approaches are proving insufficient as they allow attackers to remain in systems for long periods of time and leave recovery mechanisms vulnerable. The article explored the applicability of the principles of mesh cybersecurity architecture and digital immune systems, which have been developed in cloud environments, to the public and industrial sectors. The aim of the study was to evaluate the transfer of mesh and immune approaches to the water supply, energy, and municipal services sectors and to demonstrate their impact on resilience in real incidents. The methodology combined a review of cloud security patterns, comparative case studies, and threat scenario modeling. Two events were considered: a cyberattack on the municipal infrastructure of a large US city and a transnational campaign against operational technologies in the water and gas sector. In the first case, the lack of segmentation allowed the virus to spread unhindered between network segments, while in the second, the lack of automated monitoring led to a delay in detecting the intrusion. For each event, the progression of the attack was compared with control points where distributed control nodes, identity-based segmentation, and feedback loops could limit the impact and initiate automated recovery. The results confirmed that mesh combined with immune-like responses provided faster isolation, controlled degradation, and recovery based on behavioral signals such as abnormal commands or configuration changes. Simulation modeling showed that the average system recovery time was reduced by 35-40% in scenarios with a mesh architecture, and the spread of the attack was limited to one segment instead of four. The practical value of this work lies in providing a roadmap for the gradual improvement of monitoring systems without a complete redesign, which is useful for operators of critical infrastructure and industrial enterprises.; Критична інфраструктура дедалі більше функціонує у взаємопов’язаних, програмно-орієнтованих середовищах і водночас зазнає цілеспрямованих кібератак, що зупиняють ключові сервіси. Традиційні периметральні підходи виявляються недостатніми, оскільки дозволяють атакувальникам перебувати в системах тривалий час і залишають вразливими механізми відновлення. Метою дослідження було оцінювання перенесення mesh- та immune-підходів у сфери водопостачання, енергетики та муніципальних послуг і демонстрація їхнього впливу на стійкість у реальних інцидентах. Методологія поєднувала огляд шаблонів безпеки у хмарі, порівняльний аналіз кейсів та сценарне моделювання загроз. Було розглянуто дві події: кібератаку на муніципальну інфраструктуру великого міста США та транснаціональну кампанію проти операційних технологій у сфері води й газу. У першому випадку відсутність сегментації дозволила вірусу безперешкодно поширитися між мережевими сегментами, тоді як у другому брак автоматизованого моніторингу призвів до затримки у виявленні вторгнення. Для кожної події прогресія атаки була зіставлена з контрольними точками, де розподілені вузли контролю, сегментація на основі ідентичності та петлі зворотного зв’язку могли б обмежити наслідки та ініціювати автоматизоване відновлення. Отримані результати підтвердили, що mesh у поєднанні з імуноподібними реакціями забезпечував швидшу ізоляцію, контрольовану деградацію та відновлення на основі поведінкових сигналів, таких як аномальні команди чи зміни конфігурацій. Симуляційне моделювання показало, що середній час відновлення системи скорочувався на 35-40 % у сценаріях із сітчастою архітектурою, а поширення атаки обмежувалося одним сегментом замість чотирьох. Практична цінність роботи полягає у наданні дорожньої карти для поступового вдосконалення систем моніторингу без повного редизайну, що є корисним для операторів критичної інфраструктури та промислових підприємств. Thu, 01 Jan 2026 00:00:00 GMT https://er.chdtu.edu.ua/handle/ChSTU/10011 2026-01-01T00:00:00Z https://er.chdtu.edu.ua/handle/ChSTU/10010 Title: Integration of artificial intelligence and blockchain technologies in computer systems of virtual healthcare Authors: Khrulov, Mykola; Myroniuk, Tetiana; Хрульов, Микола Васильович; Миронюк, Тетяна Василівна Abstract: he purpose of the study was to provide a theoretical justification for the integration of artificial intelligence and blockchain technologies in computer systems of virtual healthcare, in particular to clarify how the combination of artificial intelligence, oriented towards personalised diagnostics, with blockchain technologies for the protection of medical data could form a new model of digital medicine. In the course of the study, analytical, synthetic, systemic and comparative-legal methods were used, which made it possible to analyse in a comprehensive way the scientific approaches, international standards and technical frameworks related to the organisation of digital healthcare. A five-level architecture of an integrated virtual-medicine system was considered, which includes analytical, verification, communication, security, and user levels. At the analytical level, clinical data are processed and personalised treatment forecasts are formed; at the verification level, immutability and traceability of records are ensured through the use of blockchain mechanisms; at the communication level, information exchange is implemented through standardised interfaces; the security level guarantees the protection of personal data and the legal authenticity of all actions; the user level forms transparent interaction between patients, doctors and medical institutions. Within the theoretical model, the concept of “trust-by-design” is substantiated, which defines trust as a systemic characteristic of digital medicine embedded in the architecture already at the development stage. The result of the study was the identification of the structural and functional foundations for building a secure and personalised virtual healthcare system, in which the analytical power of artificial intelligence is combined with the proven reliability of blockchain technologies. The main principles of building the system cover a multi-level architecture with analytical, verification, communication, security and user levels, which ensure the accuracy of analytics, data immutability, standardised exchange, protection of confidentiality and transparent interaction between the participants in digital medicine. The practical significance of the results obtained lies in the possibility of using the developed model as a conceptual basis for creating national and international digital-medicine platforms that ensure lawfulness, confidentiality, and user trust in modern information solutions in the field of healthcare.; Мета дослідження полягала у теоретичному обґрунтуванні інтеграції технологій штучного інтелекту та блокчейну в комп’ютерні системи віртуальної охорони здоров’я, зокрема у з’ясуванні, як поєднання штучного інтелекту, орієнтованого на персоналізовану діагностику, із блокчейн-технологіями для захисту медичних даних може сформувати нову модель цифрової медицини. У процесі дослідження використано аналітичний, синтетичний, системний і порівняльно-правовий методи, що дозволило комплексно проаналізувати наукові підходи, міжнародні стандарти та технічні фреймворки, пов’язані з організацією цифрової охорони здоров’я. Розглянуто п’ятирівневу архітектуру інтегрованої системи віртуальної медицини, що включає аналітичний, верифікаційний, комунікаційний, безпековий та користувацький рівні. На аналітичному рівні здійснюється обробка клінічних даних і формування персоналізованих прогнозів лікування; на верифікаційному рівні забезпечується незмінність та простежуваність записів завдяки використанню блокчейн-механізмів; на комунікаційному рівні реалізується обмін інформацією через стандартизовані інтерфейси; безпековий рівень гарантує захист персональних даних і правову автентичність усіх дій; користувацький рівень формує прозору взаємодію між пацієнтами, лікарями та медичними установами. У межах теоретичної моделі обґрунтовано концепцію «довіра за проєктом», що визначає довіру як системну характеристику цифрової медицини, закладену в архітектуру ще на етапі розроблення. Результатом дослідження стало визначення структурних і функціональних засад побудови безпечної та персоналізованої системи віртуальної охорони здоров’я, у якій аналітична потужність штучного інтелекту поєднується з перевіреною надійністю блокчейн-технологій. Основні засади побудови системи охоплюють багаторівневу архітектуру з аналітичним, верифікаційним, комунікаційним, безпековим і користувацьким рівнями, які забезпечують точність аналітики, незмінність даних, стандартизований обмін, захист конфіденційності та прозору взаємодію між учасниками цифрової медицини. Практична значущість отриманих результатів полягає у можливості використання розробленої моделі як концептуальної основи для створення національних і міжнародних платформ цифрової медицини, що забезпечують законність, конфіденційність і довіру користувачів до сучасних інформаційних рішень у сфері охорони здоров’я. Thu, 01 Jan 2026 00:00:00 GMT https://er.chdtu.edu.ua/handle/ChSTU/10010 2026-01-01T00:00:00Z