http://repository.enu.kz/handle/enu/2527 2026-04-04T08:42:27Z 2026-04-04T08:42:27Z Темиргалиев, Н. Абикенова, Ш.К. Ажгалиев, Ш.У. Нурмолдин, Е.Е. Таугынбаева, Г.Е. Жубанышева, А.Ж. http://repository.enu.kz/handle/enu/4302 2025-06-13T22:46:45Z 2023-01-01T00:00:00Z

Эквивалентное сведение задач Компьютерной томографии к разработанной задаче восстановления функций в виде конечной свертки в нормах «гибких» гильбертовых пространств Соболева и Соболева-Радона по схеме Компьютерного (вычислительного) поперечника Темиргалиев, Н.; Абикенова, Ш.К.; Ажгалиев, Ш.У.; Нурмолдин, Е.Е.; Таугынбаева, Г.Е.; Жубанышева, А.Ж. Компьютерную томографию составляет жизненная потребность без разрушения оболочки знать строение внутренности тела по информации, полученной от его просвечивания. Представленный здесь формат решения этой массово понятной и вездесуще потребной задачи, которая может быть только теоретико-математической с последующей инженерной реализацией, принципиально выражен в установленной авторами в 2019 году приближенной формуле на плоскости с двумерной Декартовой системой координат. В данной статье этот прорыв для всех размерностей доведен до полной неожиданности в эквивалентности фундаментальных задач Компьютерной томографии и как широко известных, так и разработанных в новых содержаниях продолжений задач восстановления функций операторами вида конечной свертки числовых значений сканирования в узлах сетки со специально конструируемыми ядрами. Как это принято в Математике (в других науках тоже), всякая заявка на прорыв должна быть продемонстратирована в результатах принципиального значения. В полученной эквивалентности рабочая часть оказалась в состоянии достаточной для иллюстративных и, надеемся, фундаментальных выводов готовности по предложенному в 1996 году первым (по списку) автором и наполненному в Казахстане далеко не тривиальным содержанием Компьютерному (вычислительному) поперечнику (К(В)П). Именно, широкий спектр разработок в теории К(В)П мгновенно автоматически приводит к новым теоретического и прямого практического применения продвижениям в Компьютерной томографии, включая аналитическую выразимость в явных формулах вычислительного агрегата Томографии через сканированные величины. Среди них также находится вывод о том, что в Компьютерной томографии не существует метода сканирования лучшего, чем преобразование Радона.

2023-01-01T00:00:00Z Сатыбалдина, Д.Ж. Бисенбаева, Н.К. Сейткулов, Е.Н. Сексенбаева, А.К. http://repository.enu.kz/handle/enu/2529 2025-06-14T09:57:34Z 2023-01-01T00:00:00Z

Детектирование и классификация сетевых атак с помощью Splunk Machine Learning Toolkit Сатыбалдина, Д.Ж.; Бисенбаева, Н.К.; Сейткулов, Е.Н.; Сексенбаева, А.К. В современных условиях внедрения цифровых технологий в различные отрасли экономики, цифровизации государственного управления, сфер здравоохранения, образования и науки, роста числа интернет-услуг и используемых мобильных устройств становятся все более актуальными вопросы обеспечения безопасности систем сотовой связи. Становится все труднее обнаруживать многочисленные и сложные угрозы кибербезопасности по мере развития и расширения источников и методов реализации кибератак. Классические подходы обнаружения сетевых атак, которые в значительной степени полагаются на статическое сопоставление, такие как сигнатурный анализ, черные списки или шаблоны регулярных выражений, ограничены в гибкости и являются малоэффективными для раннего выявления аномалий и оперативного реагирования на инциденты информационной безопасности. Для решения данной проблемы предлагается использование алгоритмов машинного обучения, которые могут обеспечить новые подходы и более высокие показатели обнаружения вредоносной активности в сети. В данной работе используется платформа анализа данных Splunk Enterprisе с использованием расширения и дополнительный инструментарий машинного обучения Splunk Machine Learning Toolkit для создания, обучения, тестирования и проверки классификатора сетевых атак. Производительность предложенной модели была оценена с использованием четырех алгоритмов машинного обучения, таких как дерево решений (a decision tree), метод опорных векторов (a support vector machine), случайный лес (a random forest) и двойной случайный лес (a double random forest). Экспериментальные результаты показывают, что все использованные алгоритмы машинного обучения могут эффективно использоваться для обнаружения сетевых атак, а метод двойного случайного леса имеет наилучшую точность обнаружения атак типа «отказ в обслуживании».

2023-01-01T00:00:00Z