Проблема трансляции базы данных из одного формата в другой периодически появляется в разных организациях по разным причинам. Сегодня хорошо отработан механизм смены формата реляционных баз данных. Но с появлением новых типов баз данных, таких как NoSql, проблема трансляции вновь стала очень актуальной в связи с радикальным отличием способов организации данных в различных базах данных. В статье рассматривается формализованный метод, основанный на теории множеств, по выбору числа и состава коллекций для базы данных типа ключ-документ. Исходными данными являются свойства объектов, информация о которых хранится в базе данных, и совокупность запросов, которые наиболее часто выполняются. Рассмотренный метод можно применять не только при создании новой базы данных типа ключ-документ, но также при трансформации существующей, при переходе от реляционных баз данных к NoSql, при консолидации баз данных. С. 15-28.

The work of transforming a database from one format periodically appears in different organizations for various reasons. Today, the mechanism for changing the format of relational databases is well developed. However, with the advent of new types of databases, such as NoSQL, this problem is prevalent due to the radically different ways of data organization at the various databases. This article discusses a formalized method based on set theory, at the choice of the number and composition of collections for a key-value type database. The initial data are the properties of objects, about which information is stored in the database, and the set of queries that are most frequently executed. The considered method can be applied not only when creating a new keyvalue database, but also when transforming an existing one, when moving from relational databases to NoSQL, when consolidating databases.

В данной работе рассмотрены различные подходы к генерации синтетических сигналов, имитирующих электрокардиограмму (ЭКГ) человека, с акцентом на нестационарность временного ряда и наличие разнообразных форм волны сигнала. Предлагаются результаты анализа трех подходов к генерации синтетических нестационарных ЭКГ-подобных сигналов, включающих: 1) правило-ориентированный подход, при котором модель ЭКГ строится на основе суммы гауссовых функций, каждая из которых моделирует характерную волну (где P – волна предсердной деполяризации, QRS – комплекс желудочковой деполяризации, T – волна реполяризации); 2) стохастические модели с использованием Марковских цепей для эмуляции переходов между различными физиологическими состояниями; 3) нейросетевые генераторы, не основанные на жестко заданных правилах (например, рекуррентная LSTM с случайными весами). Показано, как модель ЭКГ-сигнала, полученную при каждом из подходов, можно модифицировать для внесения нестационарности, в частности вариации длительности сердечных циклов, переключения состояний) и добавления локальных артефактов записи, например зашумлённых участков. Предложенные подходы могут быть использованы при тестировании алгоритмов кластеризации и анализа временных рядов, когда необходимо проверить устойчивость методов к шумам, редким событиям и смене состояний. С. 24-35.

In this paper, various approaches to the generation of synthetic signals simulating a human electrocardiogram (ECG) are considered, with an emphasis on non-stationarity and the presence of various waveforms. Three main types of methods are proposed: 1) rule-based, based on the sum of Gaussians for modeling waves P, Q, R, S, T; 2) stochastic models based on Markov chains, allowing to emulate transitions between different physiological states; 3) neural network generators without strict rules (for example, a recurrent LSTM network with random weights). It is shown how each of the models can be modified to introduce nonstationarity (variations in the duration of cardiac cycles, switching states) and adding local recording artifacts (noisy areas). The proposed methods can be used in testing clustering and time series analysis algorithms when it is necessary to test the methods' resistance to noise, rare events, and state changes.

Понимание пользовательских предпочтений играет важную роль в персонализированных сервисах и интеллектуальных системах. Достигается это понимание путем организации обратной связи в разных формах, наиболее предпочтительной из которых является форма естественного языка. Но в этом случае необходимо точное определение ключевых признаков пользовательской обратной связи и динамическая оптимизация значимости (весов) этих признаков для повышения точности принятия решений системой. Сегодня существуют значительные ограничения у традиционных методов в области извлечения ключевых признаков обратной связи из текстов на естественном языке и адаптивности распределения весов. В данной работе рассматривается новый метод извлечения ключевых признаков пользовательской обратной связи и распределения их весов на основе предварительного многоитерационного взаимодействия пользователя и системы ИИ. Данный метод интегрирует четыре основных модуля: извлечения признаков на основе модели YAKE, персонализированного моделирования весов с помощью модели TF-IDF, семантического слияния векторных представлений с классификацией признаков и динамического распределения весов по ключевым признакам. Таким образом создается механизм прямого отображения пользовательской обратной связи на совокупность весов признаков, участвующих в построении модели для принятия решений в системах ИИ. Новизна метода заключается в разработке алгоритма извлечения ключевых слов YAKE с улучшенной семантической и признаковой плотностью; алгоритма расчета весов TF-IDF с интеграцией исторических пользовательских предпочтений и персонализацией весов; механизма классификации признаков на основе семантического сходства; оптимизации процессов извлечения признаков и распределения весов по признакам. Для тестирования метода использовалась система прогнозирования эмоционального состояния с непрерывным сбором данных от 16 пользователей в течение 30 дней. Результаты показали, что предложенный метод достигает точности прогнозирования эмоций 78,4 %, что на 23 % выше базовых методов. Отмечается значительное повышение удовлетворенности пользователей прогнозами системы и существенное сокращение времени достижения стабильного распределения весов признаков. С. 57--73.

Understanding user preferences plays a crucial role in personalized services and intelligent systems. This understanding is achieved through feedback mechanisms in various forms, with natural language being the most preferred format. However, this approach requires precise identification of key features from user feedback and dynamic optimization of feature weights to enhance system decision-making accuracy. Traditional methods face significant limitations in extracting key feedback features from natural language texts and adapting weight distribution effectively. This paper presents a novel method for extracting key features from user feedback and optimizing their weights through preliminary multi-iterative user-AI system interactions. The proposed method integrates four core modules: YAKE-based feature extraction, personalized weight modeling using TF-IDF, semantic fusion of vector representations with feature classification, and dynamic weight distribution for key features. This creates a direct mapping mechanism from user feedback to feature weight sets used in AI decision-making models. The method’s novelty lies in developing an enhanced YAKE keyword extraction algorithm with improved semantic and feature density; a TF-IDF weight calculation algorithm incorporating historical user preferences and personalized weighting; a feature classification mechanism based on semantic similarity; and optimized processes for feature extraction and weight distribution. The method was tested using an emotion prediction system with continuous data collection from 16 users over 30 days. Results demonstrate that the proposed method achieves 78.4 % emotion prediction accuracy, representing a 23 % improvement over baseline methods. Significant enhancements in user satisfaction with system predictions and substantial reduction in time to achieve stable feature weight distribution were observed.

Проблема трансляции базы данных из одного формата в другой периодически появляется в разных организациях по разным причинам. Сегодня хорошо отработан механизм смены формата реляционных баз данных. Но с появлением новых типов баз данных, таких как NoSql, проблема трансляции вновь стала очень актуальной в связи с радикальным отличием способов организации данных в различных базах данных. В статье рассматривается формализованный метод, основанный на теории множеств, по выбору числа и состава коллекций для базы данных типа ключ-документ. Исходными данными являются свойства объектов, информация о которых хранится в базе данных, и совокупность запросов, которые наиболее часто выполняются. Рассмотренный метод можно применять не только при создании новой базы данных типа ключ-документ, но также при трансформации существующей, при переходе от реляционных баз данных к NoSql, при консолидации баз данных. С. 15-28.

The work of transforming a database from one format periodically appears in different organizations for various reasons. Today, the mechanism for changing the format of relational databases is well developed. However, with the advent of new types of databases, such as NoSQL, this problem is prevalent due to the radically different ways of data organization at the various databases. This article discusses a formalized method based on set theory, at the choice of the number and composition of collections for a key-value type database. The initial data are the properties of objects, about which information is stored in the database, and the set of queries that are most frequently executed.
The considered method can be applied not only when creating a new keyvalue database, but also when transforming an existing one, when moving from relational databases to NoSQL, when consolidating databases.

Данная статья является продолжением исследований, которые посвящены своевременному выявлению и оперативному реагированию на аномалии в работе компьютерной сети при помощи системы мониторинга сети с модулем дополнительной диагностики аномалий. Приведена многоуровневая архитектура системы мониторинга сети с модулем дополнительной диагностики аномалий, в которой учитывается модульный способ организации работы такой информационной системы. Описаны ситуации, в которых предлагаемая архитектура может применяться, приведены ее преимущества и недостатки. Также описывается процесс формирования рабочих сценариев при обработке аномалии в функционировании компьютерной сети с учетом приведенной архитектуры системы мониторинга с модулем дополнительной диагностики аномалий такой сети. Рассмотрены подходы к формированию входных и выходных данных при создании рабочего сценария. С. 55-73.

This article is a continuation of research that focuses on the timely detection and rapid response to anomalies in the computer network with a network monitoring system with additional anomaly diagnostics module. The multi-level architecture of the network monitoring system with the module of additional anomaly diagnostics, which takes into account the modular way of organizing such an information system. Described situations in which the proposed architecture can be applied, listed its advantages and disadvantages. Process of forming of working scenarios at processing of anomaly in functioning of computer network with the account of the given architecture of monitoring system with a module of additional diagnostics of anomalies of such network is also described. Approaches to the formation of input and output data when creating a work scenario are considered.

В данной работе предложена модель оценки эмоционального состояния человека, основанная на данных о его взаимодействии с компьютерной клавиатурой. Модель интегрирует механизм обратной связи, что значительно повышает точность прогнозирования эмоциональных состояний человека. Путем системного анализа динамики изменения параметров использования клавиатуры пользователем и наблюдения за индивидуальными факторами окружающей среды, предлагаемый подход позволяет не только предсказывать состояние пользователя клавиатуры, но и адаптируется к изменениям в его поведении. Результаты тестирования модели с помощью специально разработанного программного обеспечения подтвердили ее эффективность. Системы на основе моделей с обратной связью позволяют улучшить взаимодействие человека с интеллектуальными системами, способствуют развитию интеллектуальных систем и человека. Полученные результаты подтверждают необходимость и направление для улучшения человеко-машинного интерфейса и являются основой для будущей их интеграции в более сложные системы оценки психофизиологического состояния человека. C. 66-78.

This paper proposes a model for assessing a person’s emotional state based on their interaction with a computer keyboard. The model integrates a feedback mechanism, which significantly improves the accuracy of predicting a person’s emotional states. Through systematic analysis of the dynamics of keyboard usage activity and observation of individual environmental factors, the proposed approach not only predicts the state of the keyboard user but also adapts to changes in their behavior. The results of testing the model using specially developed software confirmed its effectiveness. Feedback-based systems improve human interaction with intelligent systems, contribute to the development of intelligent systems and humans. The obtained results confirm the necessity and direction for improving the human-machine interface and serve as a basis for their future integration into more complex systems for assessing the psycho-physiological state of a person.