Распределение Райса применяется в качестве математической модели при исследовании различных проблем науки и техники. Основной задачей в приложениях является оценивание параметров распределения Райса по выборке измеренного сигнала и разделение по этим оценкам параметров детерминированного сигнала и шума. Оценивание параметров производится, в основном, методом наибольшего правдоподобия и методом моментов. Однако, как известно, оба метода зачастую приводят к решению систем уравнений, содержащих специальные функции, поэтому для решения используют дополнительные вычислительные ресурсы. Одним из методов, позволяющих обойти указанные трудности, является разработка простых в применении, но достаточно эффективных эмпирических формул (ЭФ), конкурирующих по точности с известными алгоритмами оценивания параметров распределения Райса. Настоящая работа посвящена решению этой задачи.

. В данной статье предлагается высокоскоростной алгоритм определения знака в системе остаточных классов на основе функции ядра Акушского. Метод использует набор модулей  для эффективного определения знака числа. Ключевые преимущества включают в себя уменьшение размеров операндов и замену вычислительно сложных операций по модулю эффективными побитовыми операциями. Экспериментальные результаты показывают, что алгоритм на основе функции ядра Акушского, превосходит классические методы, достигая среднего ускорения в 25.6%. Алгоритм демонстрирует стабильную производительность во всех протестированных разрядностях, что делает его подходящим для приложений, требующих высокоскоростной арифметики системы остаточных классов, таких как цифровая обработка сигналов и криптография.

В экосистеме тестирования ПО сетевых устройств крупной телекоммуникационной компании активно применяется фаззинг – подход к тестированию, где на вход тестируемой программе подаются случайные, неожиданные или некорректные входные данные. В связи с отсутствием в языке C динамических массивов как таковых для задач фаззинга C-функций оказывается полезной информация о массивах, которые принимаются на вход функциями. В данной работе предлагается специальный вид статического анализа для автоматического распознавания массивов, с которыми работают C-функции, а также определения их длины (аппроксимации). На основе предложенного метода был реализован предметно-ориентированный инструмент, нацеленный на конкретную кодовую базу компании, который при приемлемой производительности смог достичь значений метрик точности 79% и полноты 98% в распознавании массивов, при этом длина массива была правильно определена в 69% случаев. Интеграция нашего инструмента в экосистему тестирования компании позволила значительно улучшить качество фаззинга, увеличив метрику покрытия кодовой базы на 10%, а количество найденных ошибок – на 40%.

Сети Петри с данными (DPN) являются расширением классических сетей Петри, позволяющим моделировать процессы, где данные влияют на поток управления, обеспечивая комплексное представление о поведении системы и возможность обнаружения точек отказа, которые в противном случае были бы скрыты. Одним из критериев корректности для моделей процессов является бездефектность. Модель процесса называется бездефектной, если она всегда корректно завершается и каждое действие модели представлено хотя бы в одном исполнении процесса. В данной статье представлен новый метод проверки бездефектности DPN, который требует не более двух построений пространства состояний, что существенно ниже по сравнению с предложенными и реализованными ранее алгоритмами. Это усовершенствование делает проверку бездефектности и исправление дефектных моделей применимым к моделям достаточно больших размеров. Мы реализовали алгоритмы верификации и исправления, использующие этот метод, в DPN Verifier – универсальном инструменте, поддерживающем анализ моделей посредством различных структур пространств состояний и уровней абстракции. Инструментарий позволяет импортировать и экспортировать как DPN, так и структуры пространств состояний с использованием специальных форматов, предложенных в данной статье, и поставляется в виде настольного приложения, консольного приложения и библиотеки классов, что делает инструмент применимым как для академического, так и для промышленного использования. Результаты экспериментов демонстрируют более высокую скорость нашей реализации алгоритмов верификации и исправления для большинства DPN, описанных в литературе, по сравнению с существующими решениями, что подтверждает практическую ценность предложенного нами решения для реальных приложений.

В статье представлен метод рефакторинга исходного кода на основе интеграции большой языковой модели (LLM) и расширенной UML-модели программного кода. Предложенный подход позволяет выявлять проблемные участки кода с использованием функций тревожности и структурных метрик классов, а затем выполнять автоматизированный рефакторинг. Ключевой особенностью метода является использование LLM для генерации формальных спецификаций на языке OCL (Object Constraint Language), которые затем используются для автоматической верификации корректности преобразований через проверку инвариантов, пред- и постусловий. Расширение UML включает локальные переменные, действия методов и связи между ними, что обеспечивает низкоуровневый анализ и корректное преобразование кода. Экспериментальная проверка показала, что метод LLM + UML* обеспечивает высокую точность обнаружения дефектов, полное устранение функций тревожности, сохранение функциональности системы.

На рынок постепенно выходят высокоавтоматизированные и подключенные транспортные средства (ТС). В настоящее время предлагаются решения, позволяющие использовать эти технологии для совместного управления дорожным движением, что может значительно повысить его безопасность. В статье анализируются требования к интегрированной среде моделирования подключенных и высокоавтоматизированных ТС и совместной автоматизации управления дорожным движением с высокодетализированным учетом влияния окружающих объектов. Проанализированы существующие проблемы и практики. Рассмотрены инструменты CARLA, OpenCDA, SUMO, OMNeT++, Artery. Предложена архитектура интегрированной среды моделирования CAVISE с полным охватом предметной области с использованием перечисленных инструментов, которая позволяет создать интерфейс CAPI (CAVISE API) между существующими инструментами для моделирования подключенного и высокоавтоматизированного ТС и его программного обеспечения (ПО) в контролируемом окружении. Приводится подробное описание разработанного интерфейса и результаты его апробации для верификации ПО подключенных высокоавтоматизированных ТС с использованием алгоритмов совместного восприятия. Разработанный интерфейс позволяет впервые среди инструментов с открытым исходным кодом проводить моделирование подключенных высокоавтоматизированных ТС с учетом реальных алгоритмов и ПО машинного восприятия и обмена информацией по беспроводным каналам связи. Полученные выводы могут быть в дальнейшем использованы при исследовании и разработке технологий и ПО высокоавтоматизированных ТС.

В статье рассматривается новый архитектурный подход к быстрой навигации между связанными элементами программных проектов, написанных на разных языках. Приведен пример конкретной реализации архитектуры для языковой пары GraphQL и Go. Проблема навигации между фрагментами кода на разных языках решается за счет создания разметки проекта и автоматических переходов между соответствующими точками в коде. Подход ориентирован на повседневную деятельность разработчиков и сохраняет устойчивость по мере изменения кода. Метод основан на использовании легковесных грамматик и их синтаксических анализаторов для создания разметки проекта и установления связей между ее элементами. Введено определение нетривиального обработчика GraphQL-поля в Go как функции, содержащей вызовы или управляющие конструкции. Такие функции составляют основу разметки проекта на Go. Разработаны три специализированные легковесные грамматики, которые выделяют конструкции, однозначно характеризующие функцию на Go как нетривиальный обработчик поля. На этой базе построен алгоритм, который автоматически устанавливает соответствия между полями схемы языка запросов GraphQL и методами на Go. Алгоритм учитывает совокупность факторов: от соглашения об именовании методов до их синтаксических особенностей. Алгоритм при установке соответствия решает задачу ранжирования кандидатов на пару для данной точки. Рассчитаны метрики ранжирования MRR и hit@1. Показано, что новый подход обеспечивает медианное ускорение навигации по проекту примерно в 8 раз по сравнению с ручным поиском, а также полностью устраняет повторные переходы.

Обнаружение аномалий по журналам событий компьютерных систем имеет определяющее значение для поддержания надёжности технологических инфраструктур. В этом исследовании представлен новый подход, сочетающий машинное обучение с частичным привлечением учителя вместе с обработкой естественного языка для анализа журналов событий, направленный на раннее выявление потенциальных сбоев в компьютерных системах. В исследовании используется специализированный парсер журналов событий, основанный на семантических графах, наряду с контекстно-независимыми моделями векторного представления текста, с фокусом на коллективных, а не точечных аномалиях. Эксперименты проводились как на общедоступном наборе данных HDFS, так и на собственном из базы данных Vertica, содержащем более 1 113 миллионов журналов событий. Результаты показывают, что полученное решение, основанное на автокодировщиках со свёрточными слоями, может эффективно обнаруживать системные аномалии в сочетании с соответствующими методами предварительной обработки. Подход достиг впечатляющих результатов на наборе HDFS, особенно при использовании взвешивания токенов с помощью TF-IDF, с метриками Fault Detection Rate равной 0,982 и ROC AUC равной 0,811. Кроме того, тестирование на базе данных Vertica успешно выявило аномальные периоды, предшествующие системным сбоям. Результаты показывают, что подходы предиктивной диагностики, традиционно применяемые к техническому оборудованию, могут быть успешно адаптированы для компьютерных систем, позволяя проводить профилактическое вмешательство до возникновения критических сбоев и потенциально снижая значительные затраты, связанные с простоем системы.

Большие языковые модели (LLMs) быстро развиваются и всё активнее внедряются в различные сферы жизни. Тексты, создаваемые этими моделями, становятся всё менее отличимыми от написанных человеком, что создаёт серьёзные трудности при выявлении синтетического контента. В данной работе мы исследуем методы обнаружения человеческих правок и корректировок в аннотациях научных статей на русском языке, изначально сгенерированных различными LLM. Помимо построения мощной модели детектирования на основе энкодеров, использующей архитектуры BERT и RoBERTa с современными методами обучения, мы также сосредоточены на анализе устойчивости к смещению домена, стремясь к обобщению на модели, не встречавшиеся при обучении. Мы показываем, что наш подход превосходит базовые решения на основе LLM в режиме обучения по нескольким примерам даже на небольших выборках, и исследуем, в каких сценариях добавление слоя CRF улучшает метрики, а в каких – нет.

Исследование посвящено моделированию гидродинамики рыб. В программном комплексе OpenFOAM реализуется численная модель для описания пропульсивного волнообразного движения рыбоподобно пловца в вязкой несжимаемой жидкости. В исследовании предлагается метод совершения колебаний, основанный на деформации сетки, жестко связанной с телом. Для автоматического определения крейсерской скорости и мощности, затрачиваемой на движение, разработаны вспомогательные модули для OpenFOAM. Проводится верификация предложенной в работе модели путем сравнения с известными данными.

Статья посвящена изучению дневниковых записей Ибрагима Махмутова (1878-1916 гг.), где сосредоточена информация, касаемая истории села Варна, крупной общины тюрков-казаков Оренбургского казачьего войска, представленных татарами. Этот уникальный материал предоставляет ценные сведения о повседневной жизни и языковых особенностях мусульман татар-казаков конца XIX – начала XX веков. Используя программу обработки и анализа фонетических данных на платформе LingvoDoc, было получено полное описание фонетической системы. Текст дневника весьма близок современному татарскому языку, необходимо отметить, что процессы перехода в области гласных и согласных к этому периоду завершены. В анализируемом дневнике встречаются особенности: а) соответствие [у] вместо литературного [ы], б) делабиализация огубленного [ө]; в) характерный начальный [й]. Данные признаки не являются диагностической чертой нагайбакского говора, эти отличия сближают его с говорами западного диалекта татарского языка. Ибрагим Махмутов в своих дневниковых записях довольно устойчиво сохранил черты «материнского» говора. По употреблению [-ыв], [-ев] система дифтонга максимально приближена к современному говору нагайбаков. Языковая характеристика дневниковых записей жителя села Варна показывает, что к концу XIX – начала XX веков еще не завершилась нивелировка говора нагайбаков.

В статье рассматриваются лексемы для обозначения мясного бульона и супа в тюркских и финно-угорских языках Урало-Поволжья в сравнительно-историческом и лингвогеографическом аспектах. Выявлено, что названия двух блюд отражают специфику материальной культуры народов Урало-Поволжья: 1) во всех языках имеются исконные названия, восходящие к праформам, что свидетельствует о традиционном характере этих блюд у этих народов; 2) наличие заимствования в тюркских языках говорит о возможной трансформации блюд под влиянием персидской кухни; 3) фиксируются случаи контактогенной лексики между языками: так, чувашское влияние на марийский проявилось в заимствовании названия для бульона.

Автоматическая оценка коротких открытых ответов обучающихся упрощает работу преподавателя и позволяет быстро и эффективно оценить работу студента. Целью данной работы является сравнение методов классификации русскоязычных коротких ответов в зависимости от оценки. Анализируется применение нейросетевых языковых моделей и методов машинного обучения. Оценивание происходит на основе эталонного ответа по двум классам: верный/неверный, или трем: верный/частично верный/неверный ответ. Для проведения экспериментов авторы собрали четыре корпуса ответов на вопросы из различных дисциплин и предметных областей: корпус общих вопросов по ИТ-дисциплинам и высшей математике, корпус вопросов по базам данных, корпус вопросов по истории и корпус вопросов по разработке с помощью программного инструмента Qt. В процессе экспериментов с данными текстами сравнивались 11 предобученных языковых моделей, 2 способа обучения, 2 способа разбиения на обучающую и тестовую выборки и 7 классификаторов, чтобы проанализировать различные способы векторного представления и классификации русскоязычных текстов. Анализ результатов бинарной классификации показал, что не существует доминирующей пары «модель + классификатор», которая бы стабильно превосходила остальные на всех корпусах. F-меру более 0.9 показывали BERT-модели в комбинациях с центроидным классификатором, логистической регрессией или многослойным перцептроном. Для тернарной классификации лучшими комбинациями оказались модели rugpt3m, MiniLM-L12 и rubert-tiny2 в сочетании с категориальным бустингом и центроидным классификатором, F-мера составила 0.58. Повысить качество F-меры до 0.96 для бинарной и до 0.91 для тернарной классификации помогла аугментация на основе правил для рекомбинации реальных данных. Анализ ошибок показал, что основную сложность представляет отделение полностью верных ответов от частично верных. На основе результатов экспериментов была разработана и опубликована программная система для проведения контрольных мероприятий среди учащихся.

Статья направлена на исследование особенностей конструирования медиаобраза феномена «искусственного интеллекта» посредством выявления лексико-квантитативных маркеров в постах новостных Telegram-каналов за период январь-декабрь 2024 года. Зафиксирована частотность в упоминании слов в политической сфере. Выделено 39 семантических полей в новостях по теме искусственного интеллекта. Установлено, что формируется преимущественно положительный образ ИИ в исследуемых Telegram-каналах, реализуемый метафорой «искусственный интеллект – помощник».