Danyil Solskyi
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Research Subjects
Danyil Solskyi has a total of 27 co-authors. Here are the top co-authors by number of shared publications:
- Artem Antonenko
National University of Life and Environmental Sciences of Ukraine
6 shared publications - Юрій Валентинович Мішкур
Державний університет інформаційно-комунікаційних технологій
4 shared publications - Serhii Chechyk
State University Information and Communication Technologies
2 shared publications - А. О. Твердохліб
State University of Information and Communication Technologies
2 shared publications - Андрій Павлович Приходько
Міжрегіональна академія управління персоналом
2 shared publications - Andrii Balvak
State University of Information and Communication Technologies
1 shared publication
Latest Publications
- Open Access
- 26 March 2026
- Published by Khmelnytskyi National University in Herald of Khmelnytskyi National University. Technical sciences
- Vol. 363 (2) , 26-31
PROSPECTS FOR INTEGRATION OF ARTIFICIAL INTELLIGENCE IN CYBERSECURITY
The article defines artificial intelligence (AI) as a system that models aspects of human intelligence based on computer technology, mathematics, computer science and philosophy, with the aim of imitating perception, understanding and interaction with the environment. In the context of cybersecurity, AI is integrated into intrusion detection systems (IDS), where it increases efficiency through automated data analysis, threat prediction and adaptive response. The materials emphasize the relevance of such integration, especially in the context of increasing complexity of cyberattacks, including AI-driven threats such as autonomous malware and social engineering. Key research focuses on models such as IntruDTree - an ML-based system based on decision trees, which ranks security features, minimizes computational complexity and achieves high accuracy in intrusion detection, outperforming traditional methods (naive Bayes, logistic regression, etc.). The neuromorphic approach combines deep learning (DL) with neuromorphic processors, using autoencoders (AE) for unsupervised learning, discrete vector factorization (DVF) for weight transformation, and simulation on chips like IBM True North, achieving 90.12% accuracy in detecting malicious packets and 81.31% in classifying attacks. This provides energy-efficient, real-time detection in high-traffic networks. Machine learning is applied to analyze malware, detect zero-day attacks, anomalies, and traffic threats, with a focus on datasets like ADFA-LD, which are in line with current technologies for evaluating IDS. Risks include adversarial attacks on ML algorithms, requiring preventive measures. The AZ Safe Hacker Assets Portal collects data from hacker forums for proactive CTI, analyzing ML assets for search, navigation, and code comparison. Preventing AI attacks involves social engineering, where vulnerabilities are human-driven, but AI helps with education and mitigation. Bayesian methods enable quantitative risk assessment, situational awareness, and automation. Research (Gartner, Trend Micro) predicts that AI agents will dominate attacks and defenses, with a focus on quantum security, explainable AI, and autonomous systems, requiring a balance between innovation and risk.
- 26 March 2026
- Published by Khmelnytskyi National University in Herald of Khmelnytskyi National University. Technical sciences
- Vol. 363 (2) , 26-31
Open AccessPROSPECTS FOR INTEGRATION OF ARTIFICIAL INTELLIGENCE IN CYBERSECURITY
The article defines artificial intelligence (AI) as a system that models aspects of human intelligence based on computer technology, mathematics, computer science and philosophy, with the aim of imitating perception, understanding and interaction with the environment. In the context of cybersecurity, AI is integrated into intrusion detection systems (IDS), where it increases efficiency through automated data analysis, threat prediction and adaptive response. The materials emphasize the relevance of such integration, especially in the context of increasing complexity of cyberattacks, including AI-driven threats such as autonomous malware and social engineering. Key research focuses on models such as IntruDTree - an ML-based system based on decision trees, which ranks security features, minimizes computational complexity and achieves high accuracy in intrusion detection, outperforming traditional methods (naive Bayes, logistic regression, etc.). The neuromorphic approach combines deep learning (DL) with neuromorphic processors, using autoencoders (AE) for unsupervised learning, discrete vector factorization (DVF) for weight transformation, and simulation on chips like IBM True North, achieving 90.12% accuracy in detecting malicious packets and 81.31% in classifying attacks. This provides energy-efficient, real-time detection in high-traffic networks. Machine learning is applied to analyze malware, detect zero-day attacks, anomalies, and traffic threats, with a focus on datasets like ADFA-LD, which are in line with current technologies for evaluating IDS. Risks include adversarial attacks on ML algorithms, requiring preventive measures. The AZ Safe Hacker Assets Portal collects data from hacker forums for proactive CTI, analyzing ML assets for search, navigation, and code comparison. Preventing AI attacks involves social engineering, where vulnerabilities are human-driven, but AI helps with education and mitigation. Bayesian methods enable quantitative risk assessment, situational awareness, and automation. Research (Gartner, Trend Micro) predicts that AI agents will dominate attacks and defenses, with a focus on quantum security, explainable AI, and autonomous systems, requiring a balance between innovation and risk.
- Open Access
- 30 December 2025
- Published by Publishing House Helvetica (Publications) in Таврійський науковий вісник. Серія: Технічні науки
- No. 6,p. 3-14
УДОСКОНАЛЕННЯ МЕТОДІВ УПРАВЛІННЯ ТА ІНТЕГРАЦІЇ КОМПОНЕНТІВ В ІНФРАСТРУКТУРУ РОЗПОДІЛЕНИХ СИСТЕМ
У статті розглядаються сучасні платформи для потокового аналізу даних, що забезпечують реальний час обробки в розподілених системах. Серед ключових – Apache Kafka, Flink та Spark Streaming. Kafka функціонує як розподілений журнал змін (commit log), записуючи події в упорядковані стрічки для надійної доставки та відтворення історії. Логічна структура тем з партиціями дозволяє масштабувати потоки, розподіляючи їх між незалежними споживачами, досягаючи високої пропускної здатності в системах з багатьма джерелами. Flink забезпечує низькозатримкову обробку, підтримуючи об’єднання потоків, часові вікна та станоутримуючі обчислення. Гнучкість до джерел/приймачів та адаптивність до змін конфігурації без перезапуску, з checkpointing для збереження станів та автоматичного відновлення після збоїв, критична для довготривалих обчислень з цілісністю даних. Spark Streaming застосовує micro-batching, агрегуючи дані в інтервали для обробки як пакети, інтегруючи з механізмами Spark для поєднання потокової аналітики з історичними даними, ідеально для моніторингу та прогнозних моделей.Інфраструктура потокової обробки включає Kubernetes для автоматизованого розгортання контейнерів, динамічного масштабування вузлів за навантаженням, моніторингу стану та самовідновлення шляхом перезапуску. Балансування навантаження рівномірно розподіляє дані, запобігаючи перевантаженням у багатокомпонентних системах. Машинне навчання посилює адаптивність, прогнозуючи збої на основі історичних/поточних даних, виявляючи закономірності для проактивного реагування. Виклик concept drift – зміна характеристик даних – вирішується онлайн-навчанням, що оновлює моделі в потоці для збереження точності. Інтеграція з виявленням аномалій (пороги, кластеризація, Isolation Forest) дозволяє оперативно фіксувати загрози, збої чи атаки в розподілених середовищах з багатьма джерелами. ML оптимізує розподіл навантаження в хмарах, прогнозуючи та виділяючи ресурси для завантажених компонентів, мінімізуючи ризики та витрати. Потоковий аналіз забезпечує безперебійність, надаючи актуальну інформацію про компоненти та виявляючи відхилення проактивно. Інтеграція з резервуванням фіксує стани в реальному часі для швидкого відновлення, відтворюючи події для аналізу інцидентів. Консенсус RAFT синхронізує зміни між репліками, забезпечуючи узгодженість при асинхронних подіях та втратах вузлів. Резервне копіювання в потокових системах охоплює checkpoints для мінімальних втрат. У Kubernetes – знімки via Velero, включаючи дані, конфігурації, секрети для автоматичного відновлення в держреєстрах України (ЄДР, eHealth). Кластеризація в Kafka розподіляє партиції між брокерами з автопередачею при збоях. Горизонтальне масштабування реагує на пікові навантаження в держсистемах (податки, соціальні заявки). Моніторинг Prometheus/Grafana збирає метрики в реальному часі (навантаження, помилки), інтегруючись з Kafka via JMX для виявлення деградації. Попереджувальне обслуговування з ML прогнозує відмови за аномаліями, активуючи захист в кібербезпеці (сканування, підбір паролів). Оптимізація архітектури – дедуплікація, налаштування партицій, компактні формати (Avro/Protobuf), шифрування в Kafka для зменшення трафіку та ризиків витоку.
- 30 December 2025
- Published by Publishing House Helvetica (Publications) in Таврійський науковий вісник. Серія: Технічні науки
- No. 6,p. 3-14
Open AccessУДОСКОНАЛЕННЯ МЕТОДІВ УПРАВЛІННЯ ТА ІНТЕГРАЦІЇ КОМПОНЕНТІВ В ІНФРАСТРУКТУРУ РОЗПОДІЛЕНИХ СИСТЕМ
У статті розглядаються сучасні платформи для потокового аналізу даних, що забезпечують реальний час обробки в розподілених системах. Серед ключових – Apache Kafka, Flink та Spark Streaming. Kafka функціонує як розподілений журнал змін (commit log), записуючи події в упорядковані стрічки для надійної доставки та відтворення історії. Логічна структура тем з партиціями дозволяє масштабувати потоки, розподіляючи їх між незалежними споживачами, досягаючи високої пропускної здатності в системах з багатьма джерелами. Flink забезпечує низькозатримкову обробку, підтримуючи об’єднання потоків, часові вікна та станоутримуючі обчислення. Гнучкість до джерел/приймачів та адаптивність до змін конфігурації без перезапуску, з checkpointing для збереження станів та автоматичного відновлення після збоїв, критична для довготривалих обчислень з цілісністю даних. Spark Streaming застосовує micro-batching, агрегуючи дані в інтервали для обробки як пакети, інтегруючи з механізмами Spark для поєднання потокової аналітики з історичними даними, ідеально для моніторингу та прогнозних моделей.Інфраструктура потокової обробки включає Kubernetes для автоматизованого розгортання контейнерів, динамічного масштабування вузлів за навантаженням, моніторингу стану та самовідновлення шляхом перезапуску. Балансування навантаження рівномірно розподіляє дані, запобігаючи перевантаженням у багатокомпонентних системах. Машинне навчання посилює адаптивність, прогнозуючи збої на основі історичних/поточних даних, виявляючи закономірності для проактивного реагування. Виклик concept drift – зміна характеристик даних – вирішується онлайн-навчанням, що оновлює моделі в потоці для збереження точності. Інтеграція з виявленням аномалій (пороги, кластеризація, Isolation Forest) дозволяє оперативно фіксувати загрози, збої чи атаки в розподілених середовищах з багатьма джерелами. ML оптимізує розподіл навантаження в хмарах, прогнозуючи та виділяючи ресурси для завантажених компонентів, мінімізуючи ризики та витрати. Потоковий аналіз забезпечує безперебійність, надаючи актуальну інформацію про компоненти та виявляючи відхилення проактивно. Інтеграція з резервуванням фіксує стани в реальному часі для швидкого відновлення, відтворюючи події для аналізу інцидентів. Консенсус RAFT синхронізує зміни між репліками, забезпечуючи узгодженість при асинхронних подіях та втратах вузлів. Резервне копіювання в потокових системах охоплює checkpoints для мінімальних втрат. У Kubernetes – знімки via Velero, включаючи дані, конфігурації, секрети для автоматичного відновлення в держреєстрах України (ЄДР, eHealth). Кластеризація в Kafka розподіляє партиції між брокерами з автопередачею при збоях. Горизонтальне масштабування реагує на пікові навантаження в держсистемах (податки, соціальні заявки). Моніторинг Prometheus/Grafana збирає метрики в реальному часі (навантаження, помилки), інтегруючись з Kafka via JMX для виявлення деградації. Попереджувальне обслуговування з ML прогнозує відмови за аномаліями, активуючи захист в кібербезпеці (сканування, підбір паролів). Оптимізація архітектури – дедуплікація, налаштування партицій, компактні формати (Avro/Protobuf), шифрування в Kafka для зменшення трафіку та ризиків витоку.
- Open Access
- 4 December 2024
- Published by Publishing House Helvetica (Publications) in Таврійський науковий вісник. Серія: Технічні науки
- No. 4,p. 15-30
ОПТИМІЗАЦІЯ ПРОДУКТИВНОСТІ ВЕБ-СЕРВЕРА APACHE
У цій статті досліджуються підходи до онлайн-оптимізації веб-сервер Apache, зосереджуючись на параметрі MaxClients. З використанням емпіричних та аналітичних методів дослідники доводять, що MaxClients має великий вплив на час відгуку, і рекомендують використовувати стратегії для підняття на гору для визначення оптимального значення MaxClients. Дослідження включає аналіз двох оптимізаторів, що використовують різні підходи, такі як метод Ньютона і нечітке керування, а також евристику, яка базується на зв’язку між використанням ресурсів та часом відгуку. Загалом, методи онлайн-оптимізації дозволяють скоротити час відповіді у 10 або більше разів порівняно зі статичним значенням за замовчуванням, хоча це може вимагати деяких компромісів між різними підходами. Дослідження можливостей покращення швидкості та часу реакції веб-сервера Apache за допомогою різноманітних технік і налаштувань, таких як оптимізація налаштувань сервера, використання кешування, стиснення даних, оптимізація маршрутизації запитів та інших, дійсно має велике значення у сучасному Інтернет-середовищі. Мета дослідження полягає в поліпшенні продуктивності та швидкості відповіді веб-сервера Apache, що може бути корисним для розробників та адміністраторів веб-додатків та сервісів. Швидкість та час відповіді серверів є важливими факторами для задоволення потреб користувачів та досягнення бізнес-цілей веб-додатків та сервісів. Оскільки Apache є одним з найпоширеніших веб-серверів у світі, оптимізація часу відповіді сервера Apache є важливим завданням для багатьох фахівців у галузі веб-розробки та адміністрування. В даному дослідженні розглянуті різні підходи та техніки для оптимізації часу відповіді Apache веб-сервера, включаючи налаштування параметрів сервера, використання кешування, стиснення даних, оптимізацію маршрутизації запитів та інші. Результати дослідження можуть бути корисними для розробників та адміністраторів веб-додатків та сервісів, які працюють з Apache веб-сервером. Оптимізація часу відповіді Apache серверу може суттєво покращити продуктивність та ефективність веб-додатків та сервісів, що, в свою чергу, може призвести до задоволення користувачів та досягнення бізнес-цілей.
- 4 December 2024
- Published by Publishing House Helvetica (Publications) in Таврійський науковий вісник. Серія: Технічні науки
- No. 4,p. 15-30
Open AccessОПТИМІЗАЦІЯ ПРОДУКТИВНОСТІ ВЕБ-СЕРВЕРА APACHE
У цій статті досліджуються підходи до онлайн-оптимізації веб-сервер Apache, зосереджуючись на параметрі MaxClients. З використанням емпіричних та аналітичних методів дослідники доводять, що MaxClients має великий вплив на час відгуку, і рекомендують використовувати стратегії для підняття на гору для визначення оптимального значення MaxClients. Дослідження включає аналіз двох оптимізаторів, що використовують різні підходи, такі як метод Ньютона і нечітке керування, а також евристику, яка базується на зв’язку між використанням ресурсів та часом відгуку. Загалом, методи онлайн-оптимізації дозволяють скоротити час відповіді у 10 або більше разів порівняно зі статичним значенням за замовчуванням, хоча це може вимагати деяких компромісів між різними підходами. Дослідження можливостей покращення швидкості та часу реакції веб-сервера Apache за допомогою різноманітних технік і налаштувань, таких як оптимізація налаштувань сервера, використання кешування, стиснення даних, оптимізація маршрутизації запитів та інших, дійсно має велике значення у сучасному Інтернет-середовищі. Мета дослідження полягає в поліпшенні продуктивності та швидкості відповіді веб-сервера Apache, що може бути корисним для розробників та адміністраторів веб-додатків та сервісів. Швидкість та час відповіді серверів є важливими факторами для задоволення потреб користувачів та досягнення бізнес-цілей веб-додатків та сервісів. Оскільки Apache є одним з найпоширеніших веб-серверів у світі, оптимізація часу відповіді сервера Apache є важливим завданням для багатьох фахівців у галузі веб-розробки та адміністрування. В даному дослідженні розглянуті різні підходи та техніки для оптимізації часу відповіді Apache веб-сервера, включаючи налаштування параметрів сервера, використання кешування, стиснення даних, оптимізацію маршрутизації запитів та інші. Результати дослідження можуть бути корисними для розробників та адміністраторів веб-додатків та сервісів, які працюють з Apache веб-сервером. Оптимізація часу відповіді Apache серверу може суттєво покращити продуктивність та ефективність веб-додатків та сервісів, що, в свою чергу, може призвести до задоволення користувачів та досягнення бізнес-цілей.
- Open Access
- 28 November 2024
- Published by Khmelnytskyi National University in Measuring and computing devices in technological processes
- No. 4,p. 394-400
ASPECTS OF APPLICATION OF NEURON NETWORK IN CRYPTOGRAPHY
The article analyzes the possibilities of using neural networks in cryptography to increase the security of encryption keys. The authors focus on growing cyber threats and the importance of implementing modern technologies for information protection. The main goal of the research is to evaluate the effectiveness of the neural network in the exchange of encryption keys, based on the achievements in the field of neural cryptography, as well as the development of new methods of protection against cyber threats. The authors created a neural model that is based on the concept of a parity tree and is used for the exchange of encryption keys. At the preparatory stage, a detailed analysis of existing models of neural networks was performed to assess their compliance with the main goal of the project. Using knowledge from similar studies, the authors developed a special neural model in the Python programming language that implements the theoretical foundations. The next stage included the creation of a test environment that allowed for thorough evaluations, guaranteeing the stability and reliability of the neural network in various conditions. The proposed neural network model can become a secure alternative to the traditional Diffie-Hellman key exchange method. In addition, its expected resistance to quantum decryption takes an important step in strengthening cryptographic protocols against new threats in the age of quantum computing. The model shows high efficiency even in simple configurations. The ability of neural networks to quickly adapt to new threats is especially emphasized, which is critically important for ensuring security in conditions of change. The study also shows that the depth of synaptic connections in a neural network makes it much more difficult for attackers to break the key, reducing the chances of success. The findings highlight the wide range of potential applications of neural networks in areas such as cybersecurity, telecommunications, and financial forecasting. Despite certain difficulties associated with algorithms and high requirements for computing resources, neural networks show significant potential for improving cryptographic systems.
- 28 November 2024
- Published by Khmelnytskyi National University in Measuring and computing devices in technological processes
- No. 4,p. 394-400
Open AccessASPECTS OF APPLICATION OF NEURON NETWORK IN CRYPTOGRAPHY
The article analyzes the possibilities of using neural networks in cryptography to increase the security of encryption keys. The authors focus on growing cyber threats and the importance of implementing modern technologies for information protection. The main goal of the research is to evaluate the effectiveness of the neural network in the exchange of encryption keys, based on the achievements in the field of neural cryptography, as well as the development of new methods of protection against cyber threats. The authors created a neural model that is based on the concept of a parity tree and is used for the exchange of encryption keys. At the preparatory stage, a detailed analysis of existing models of neural networks was performed to assess their compliance with the main goal of the project. Using knowledge from similar studies, the authors developed a special neural model in the Python programming language that implements the theoretical foundations. The next stage included the creation of a test environment that allowed for thorough evaluations, guaranteeing the stability and reliability of the neural network in various conditions. The proposed neural network model can become a secure alternative to the traditional Diffie-Hellman key exchange method. In addition, its expected resistance to quantum decryption takes an important step in strengthening cryptographic protocols against new threats in the age of quantum computing. The model shows high efficiency even in simple configurations. The ability of neural networks to quickly adapt to new threats is especially emphasized, which is critically important for ensuring security in conditions of change. The study also shows that the depth of synaptic connections in a neural network makes it much more difficult for attackers to break the key, reducing the chances of success. The findings highlight the wide range of potential applications of neural networks in areas such as cybersecurity, telecommunications, and financial forecasting. Despite certain difficulties associated with algorithms and high requirements for computing resources, neural networks show significant potential for improving cryptographic systems.
- Open Access
- 30 September 2023
- Published by Ukrainian Research and Design Institute of Building Materials and Products in European Science
- No. sge32-02,p. 106-133
DESIGN OF PROTECTED SERVER ROOMS BASED ON CISCO EQUIPMENT IN CLASS A OFFICE BUILDINGS
- 30 September 2023
- Published by Ukrainian Research and Design Institute of Building Materials and Products in European Science
- No. sge32-02,p. 106-133
Open AccessDESIGN OF PROTECTED SERVER ROOMS BASED ON CISCO EQUIPMENT IN CLASS A OFFICE BUILDINGS