Розглянуто основні існуючі системи аналізу даних та їх класифікації та проаналізовано вимоги, що до них ставляться. На основі аналізу приходимо до висновку, що найповніше справляється із поставленою задачею система на основі нейронних мереж. Запропонований підхід задовольняє більшість вимог до систем, а саме обробка великих об'ємів даних, які до того ж можуть бути зашумленими, а також містить єдиний математичний апарат, що не потребує спеціальних знань користувача.

Зростання кількості послуг для абонентів у мережах мобільного зв'язку призводить до зростання кількості однакових функцій, які дублюються на вузлах серверів, що обслуговують ці послуги. Ці фактори, а також потреба в інтеграції сервісів, що комбінують гетерогенні медіа-середовища, обумовлюють актуальність задачі уніфікації платформи побудови послуг. Досліджені передумови виникнення концепції IP Multimedia Subsystem (IMS), визначені стратегія та концепція розвитку IMS різними операторами як стільникового, так і проводового зв'язку в залежності від профілю їх бізнесу та інших умов. Проведено аналіз актуальних послуг, які доцільно реалізовувати на платформі IMS та впроваджувати на мережах операторів. Визначено, що перспективним напрямком розвитку операторів мобільного зв'язку є конвергенція. Зокрема, в межах надання послуг та сервісів конвергенція проводиться з метою мінімізації відтоку телефонного трафіку в інші мережі та запуску нових послуг мультимедіа, в межах оптимізації інфраструктури - з метою зменшення експлуатаційних витрат, розширення номенклатури послуг у сторону мультимедіа. Визначено характеристики трафіку, який генерується різними мультимедійними послугами, загальний підхід до параметризації мультимедійного трафіку. Використовується представлення мультимедійного трафіку деякої послуги у вигляді випадкового процесу. Виділено параметри, які можна використати для опису відповідного сервісу протягом одного сеансу зв'язку з абонентом сервісу: максимальна кількість блоків інформації, яку відповідний сервіс генерує за одиницю часу, пікове значення трафіку, мінімальне значення трафіку, коефіцієнт пакетності трафіку, середня тривалість піка. Ці параметри можна використовувати для опису сервісу протягом одного сеансу зв'язку з абонентом сервісу. Побудована математична модель, яка описує трафік, визначено ключові залежності.

Розглянуто означення та основні положення інтернету речей. Актуальність теми зумовлена перспективністю напрямку, що виражається значним збільшенням кількості підключених пристроїв. Серверне рішення, яке забезпечить роботу Інтернету речей, повинне бути готовим виконувати ряд задач, а саме: прийняття, зберігання та обробка даних, автентифікація та безпека, передавання адміністративних даних, моніторинг тощо. На основі цього було зроблено аналіз, у процесі якого сформовано типову архітектуру системи у сфері інтернету речей та досліджено функціональні можливості серверних рішень, які забезпечують їх роботу. У результаті виділено ряд вимог, які хмарна платформа для Інтернету речей повинна задовольняти.

Розглянуто означення та основні положення інтернету речей. Актуальність теми зумовлена перспективністю напрямку, що виражається значним збільшенням кількості підключених пристроїв. Серверне рішення, яке забезпечить роботу Інтернету речей, повинне бути готовим виконувати ряд задач, а саме: прийняття, зберігання та обробка даних, автентифікація та безпека, передавання адміністративних даних, моніторинг тощо. На основі цього було зроблено аналіз, у процесі якого сформовано типову архітектуру системи у сфері інтернету речей та досліджено функціональні можливості серверних рішень, які забезпечують їх роботу. У результаті виділено ряд вимог, які хмарна платформа для Інтернету речей повинна задовольняти.

Розглянуто методи організації прав користувачів у GNU\Linux системах, зокрема надання прав кожному користувачу окремо та об'єднання користувачів з однаковими або подібними правами у групи. Сформовано поняття користувача операційної системи та суперкористувача. Визначено переваги об'єднання користувачів у групи за рівнем доступу. Проаналізовано критерії поділу користувачів на групи залежно від формату використання комп'ютера, структури організації, яка володіє конкретним комп'ютером, та від кількості та посад людей, що будуть працювати з ним. Розглянуто формат збереження прав на файл або каталог та механізм перевірки доступу до файла або каталогу.

Розглянуто штучну нейронну мережу - багатошаровий персептрон, а також мережу Кохонена як методи розпізнавання візуальних зображень. Проаналізовано основні функціональні завдання, які можуть розв'язувати вибрані нами нейронні мережі з максимальною ефективністю та доцільністю. Також досліджено дані нейронні мережі як інструменти первинного аналізу візуальних зображень для подальшого їх використання як в наукових цілях, так і для предметного впровадження в сферах бізнесу, де нейронні мережі найбільш застосовні та будуть давати максимальний ефект для звичайних користувачів.

TensorFlow - це механізм машинного навчання та глибокого навчання з відкритим кодом, який є зручним та гнучким для побудови поточної загальноприйнятої моделі глибинного навчання. Нейронна мережа - це класична модель глибинного навчання, перевага якої полягає у її потужних можливостях вилучення конволюційних блоків. Нейронна мережа в найпростішому випадку - математична модель, яка складається з кількох шарів елементів, що виконують паралельні обчислення. Спочатку таку архітектуру було створено за аналогією з дрібними обчислювальними елементами людського мозку - нейронами. Мінімальні обчислювальні елементи штучної нейронної мережі теж називаються нейронами. Нейронні мережі, зазвичай, складаються з трьох або більше шарів: вхідного шару, прихованого шару (або шарів) і вихідного шару. Важливою особливістю нейронної мережі є її вміння навчатися на прикладах, це називається навчанням з учителем. Нейронна мережа навчається на великій кількості прикладів, що складаються з пар вхід-вихід (відповідні один одному вхід і вихід). У задачах розпізнавання об'єктів такою парою буде вхідне зображення і відповідний йому лейбл - назва об'єкта. Навчання нейронної мережі - ітеративний процес, що зменшує відхилення виходу мережі від заданого ("відповіді вчителя") - лейбла, яке відповідає даному зображенню. Цей процес охоплює кроки, названі епохами навчання (вони зазвичай обчислюються тисячами), на кожному з яких відбувається підгонка "ваг" нейронної мережі - параметрів прихованих шарів мережі. Після завершення процесу навчання якість роботи нейронної мережі переважно досить гарна для виконання завдання, під яке її було навчено, хоча оптимальний набір параметрів, котрі ідеально розпізнають усі зображення, часто підібрати неможливо. На основі платформи TensorFlow побудовано модель нейронної мережі з двома згортковими шарами. Модель пройшла навчання та тестування за допомогою набору даних MnisT. Показник точності тесту може досягати 99,15 % і порівняно з коефіцієнтом 98,69 % у моделі з однією згорткою шару показує, що модель нейронної мережі з двома згортаннями має кращу здатність щодо виокремлення ознак і класифікації прийняття рішень.

Розглянуто стандартну бібліотеку для створення графічних інтерфейсів мовою Python. Проаналізовано актуальність засобів створення графічних інтерфейсів, значення графічного інтерфейсу у сприйнятті користувачем програми, останні дослідження і публікації, що пов'язані з бібліотекою Tkinter. Досліджено історію розвитку бібліотеки, основні віджети та менеджери геометрії. Визначено всі функції, що відповідають за розміщення елементів графічного інтерфейсу у вікні та зроблено висновки щодо недоліків і переваг даної бібліотеки.

Інтернет речей (IoT) в логістиці набув широкого поширення в останнє десятиліття переважно у вигляді пристроїв стеження. Але це ще не все, що IoT може запропонувати цій галузі. Технологія є інструментом забезпечення плавності і неперервності процесу доставляння. Уможливлює відстеження тих параметрів у роботі техніки, які недоступні людині або потребують великої кількості уваги і часу. Упровадження рішень IoT дає змогу координувати рух, розподіляти місця для паркування тощо. Така система моніторингу транспортних засобів дає можливість не тільки вдосконалити транспортну інфраструктуру, а й створити всі необхідні передумови для її зростання.

З розвитком індустріального Інтернету речей (IIoT) спостерігається постійне зростання обсягу інформації. Проте недоцільно зберігати всі необроблені дані в пристроях IIoT, оскільки енергія кінцевих пристроїв не є невичерпною, а додаткові приміщення жорстко обмежені. Мережі IoT розширюють можливості присвоєного асортименту інформації та розподіленого сховища, незалежно від штучної природи IoT. Існує низка невизначених гарантій для проблем IoT та інтеграції у хмару. Хмарні обчислення є високоефективними, зберігання стає дедалі актуальнішим, і деякі групи зараз пересилають свої дані з власних записів у центри постачальників хмарних обчислень. Інтенсивні програми IoT для робочих навантажень і даних можуть спричинити труднощі під час використання розподілених обчислювальних апаратів. Досліджено IoT та хмарні обчислення, а також розглянуто сумісні з хмарою проблеми та обчислювальні техніки для сприяння стабільному переходу програм IoT до хмари.

Мікросервіси - це стиль архітектури, в якому одна програма створюється як набір невеликих програм, кожна з яких працює у своєму власному процесі та взаємодіє з іншими за допомогою простих і швидких протоколів передавання даних. Крім безлічі переваг цей спосіб проєктування архітектури має важливий недолік: якщо в системі запущено багато окремих сервісів, будь-який програмний вузол може вийти з ладу, спричинюючи каскад помилок. Щоб запобігти поширенню каскадного завершення мікросервісів, застосовують Circuit Breaker - бібліотеку відмовостійкості, що описує стратегію запобігання каскадному збою на різних рівнях програми та відстежує методи невдалих викликів відповідних служб. Описано схеми використання Circuit Breaker та рекомендації щодо їх коректної роботи.

Розглянуто види біометричної автентифікації для запобігання інсайдерським атакам, здійснено їх порівняльний аналіз. Біометричні інновації є рішенням, що дає змогу надати достатній рівень безпеки, зручність роботи користувачів та оптимізацію бізнес-процесів. Біометричні технології полягають у вимірі та використанні унікальних фізичних рис чи поведінки людей для розрізнення їх один від одного. Біометричне розпізнавання формує міцний зв'язок між людиною та її особистістю як біометричною ознакою. Його не можна відокремити від людини, втратити чи дублювати. Отже, біометричне розпізнавання - це стійкіший до атак соціальної інженерії метод захисту порівняно з консервативними методами розпізнавання (паролями, токенами тощо). Запропоновано підхід до ідентифікації людських осіб та опис системи їх розпізнавання, що працює в режимі, близькому до реального часу, що дає змогу відстежувати голову суб'єкта, а потім розпізнає його, порівнюючи вихідні риси обличчя з раніше розпізнаними.