Олександр Камишинський
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Олександр Камишинський has a total of 20 co-authors. Here are the top co-authors by number of shared publications:
- Альберт Катунін
Харківський національний університет Повітряних Сил імені Івана Кожедуба
3 shared publications - Володимир Георгійович Рикун
Харківський національний університет Повітряних Сил імені Івана Кожедуба
3 shared publications - Олег Юрійович Слободяник
Національний технічний університет «Харківський політехнічний інститут
3 shared publications - Олексій Коломійцев
Національний технічний університет "Харківський політехнічний інститут
3 shared publications - Сергій Хабоша
Харківський національний університет Повітряних Сил імені Івана Кожедуба
3 shared publications - Володимир Комаров
Полтавський військовий інститут зв'язку
2 shared publications
Latest Publications
- Open Access
- 30 October 2026
- Published by European Scientific Platform (Publications) in Grail of Science
- No. 78,p. 540-565
МАСШТАБУВАННЯ СЕРВІСІВ ТА РОЗПОДІЛ ЗАДАЧ У ХМАРНИХ СИСТЕМАХ ОБРОБКИ ВЕЛИКИХ ДАНИХ В УМОВАХ ВІДКЛЮЧЕНЬ ЖИВЛЕННЯ
В статті розглянуто керування обчислювальними ресурсами розподілених хмарних систем обробки великих даних, зокрема, конвеєрів обробки даних ринку праці, з погляду двох рішень: скільки реплік сервісу тримати в кожен момент і на який вузол направити кожну задачу. Мета огляду – систематизувати платформи і шаблони конвеєрів, методи автомасштабування і методи розміщення задач між периферійними, туманними і хмарними вузлами та з’ясувати, наскільки вони придатні для роботи за різких сплесків навантаження і відключень живлення, характерних для України 2022– 2024 рр. Методи порівняно за чотирма ознаками: вхідні дані рішення, урахування часу на запуск реплік, невизначеності прогнозу та відключень живлення. На відкритих трасах Azure Functions 2019 (102 HTTP-сервіси) у половини сервісів навантаження в 1 % хв за наступні 5 хв зростає щонайменше на 124 %, а в типового сервісу 29 % хв мають зростання понад 25 %. Отже, рішення, яке запізнюється на декілька хвилин, застає вже інше навантаження. За погодинними переглядами української Вікіпедії в дні масованих ударів 10.10.2022 та 23.11.2022 активність користувачів падала до 0,48 та 0,51 від звичайного рівня. Показано, що реактивні механізми Kubernetes та механізми за довжиною черги не містять часу запуску реплік у правилі рішення. Час на запуск враховують сталим запасом ємності, прогрівом за ймовірністю виклику, штрафом холодного старту в оптимізації, окремою затримкою запуску в дискретній оптимізації або випередженням прогнозу. Онлайн-калібрування прогнозу – поправку межі прогнозу після кожного кроку за тим, як часто фактичне навантаження її перевищувало, – серед розглянутих праць запропоновано лише в препринті 2026 р. Методи розміщення враховують гетерогенність вузлів та стан каналів, а відключення живлення – після того, як вони сталися, як випадковий процес або у постановці розкладу з наперед відомими інтервалами. Сформульовано відкриті проблемні питання: узгодження горизонту і запасу масштабування з часом на запуск і допустимим часом на очікування, контроль частоти недооцінки навантаження за кризових зсувів, онлайн-розміщення з урахуванням майбутньої доступності вузлів, спільна втрата живлення і зв’язку, брак відкритих трас відключень.
- 30 October 2026
- Published by European Scientific Platform (Publications) in Grail of Science
- No. 78,p. 540-565
Open AccessМАСШТАБУВАННЯ СЕРВІСІВ ТА РОЗПОДІЛ ЗАДАЧ У ХМАРНИХ СИСТЕМАХ ОБРОБКИ ВЕЛИКИХ ДАНИХ В УМОВАХ ВІДКЛЮЧЕНЬ ЖИВЛЕННЯ
В статті розглянуто керування обчислювальними ресурсами розподілених хмарних систем обробки великих даних, зокрема, конвеєрів обробки даних ринку праці, з погляду двох рішень: скільки реплік сервісу тримати в кожен момент і на який вузол направити кожну задачу. Мета огляду – систематизувати платформи і шаблони конвеєрів, методи автомасштабування і методи розміщення задач між периферійними, туманними і хмарними вузлами та з’ясувати, наскільки вони придатні для роботи за різких сплесків навантаження і відключень живлення, характерних для України 2022– 2024 рр. Методи порівняно за чотирма ознаками: вхідні дані рішення, урахування часу на запуск реплік, невизначеності прогнозу та відключень живлення. На відкритих трасах Azure Functions 2019 (102 HTTP-сервіси) у половини сервісів навантаження в 1 % хв за наступні 5 хв зростає щонайменше на 124 %, а в типового сервісу 29 % хв мають зростання понад 25 %. Отже, рішення, яке запізнюється на декілька хвилин, застає вже інше навантаження. За погодинними переглядами української Вікіпедії в дні масованих ударів 10.10.2022 та 23.11.2022 активність користувачів падала до 0,48 та 0,51 від звичайного рівня. Показано, що реактивні механізми Kubernetes та механізми за довжиною черги не містять часу запуску реплік у правилі рішення. Час на запуск враховують сталим запасом ємності, прогрівом за ймовірністю виклику, штрафом холодного старту в оптимізації, окремою затримкою запуску в дискретній оптимізації або випередженням прогнозу. Онлайн-калібрування прогнозу – поправку межі прогнозу після кожного кроку за тим, як часто фактичне навантаження її перевищувало, – серед розглянутих праць запропоновано лише в препринті 2026 р. Методи розміщення враховують гетерогенність вузлів та стан каналів, а відключення живлення – після того, як вони сталися, як випадковий процес або у постановці розкладу з наперед відомими інтервалами. Сформульовано відкриті проблемні питання: узгодження горизонту і запасу масштабування з часом на запуск і допустимим часом на очікування, контроль частоти недооцінки навантаження за кризових зсувів, онлайн-розміщення з урахуванням майбутньої доступності вузлів, спільна втрата живлення і зв’язку, брак відкритих трас відключень.
- Open Access
- 29 May 2026
- Published by European Scientific Platform (Publications) in Grail of Science
- No. 69,p. 1163-1181
УДОСКОНАЛЕНИЙ МЕТОД ГЛИБИННОГО НАВЧАННЯ ДЛЯ АВТОМАТИЗОВАНОГО ВИЯВЛЕННЯ ТИПОВИХ ШАБЛОНІВ У PQ-ДАНИХ ПОКАЗНИКІВ ЯКОСТІ ЕЛЕКТРОЕНЕРГІЇ
У статті представлено удосконалений метод глибинного навчання для автоматизованого виявлення типових шаблонів у PQ-даних показників якості електроенергії. Метод поєднує глибинний автоенкодер для автоматичного виділення ознак із великих масивів вимірювань та подальшу кластеризацію отриманих ознак для групування схожих добових варіацій показників якості електроенергії. Він працює у режимі навчання без вчителя (не потребує розмічених даних) та здатний виявляти приховані закономірності і типові профілі змін показників напруги або струму. Розкрито архітектуру методу, етапи попередньої обробки даних та нормалізації. Доведено особливості навчання автоенкодера, алгоритму кластеризації ознак, а також підходів до інтерпретації отриманих результатів.
- 29 May 2026
- Published by European Scientific Platform (Publications) in Grail of Science
- No. 69,p. 1163-1181
Open AccessУДОСКОНАЛЕНИЙ МЕТОД ГЛИБИННОГО НАВЧАННЯ ДЛЯ АВТОМАТИЗОВАНОГО ВИЯВЛЕННЯ ТИПОВИХ ШАБЛОНІВ У PQ-ДАНИХ ПОКАЗНИКІВ ЯКОСТІ ЕЛЕКТРОЕНЕРГІЇ
У статті представлено удосконалений метод глибинного навчання для автоматизованого виявлення типових шаблонів у PQ-даних показників якості електроенергії. Метод поєднує глибинний автоенкодер для автоматичного виділення ознак із великих масивів вимірювань та подальшу кластеризацію отриманих ознак для групування схожих добових варіацій показників якості електроенергії. Він працює у режимі навчання без вчителя (не потребує розмічених даних) та здатний виявляти приховані закономірності і типові профілі змін показників напруги або струму. Розкрито архітектуру методу, етапи попередньої обробки даних та нормалізації. Доведено особливості навчання автоенкодера, алгоритму кластеризації ознак, а також підходів до інтерпретації отриманих результатів.
- Open Access
- 15 May 2026
- Published by European Scientific Platform (Publications) in Grail of Science
- No. 68,p. 1046-1062
АНАЛІЗ ДАНИХ ПОКАЗНИКІВ ЯКОСТІ ЕЛЕКТРОЕНЕРГІЇ В УМОВАХ ЦИФРОВІЗАЦІЇ ЕНЕРГОСИСТЕМ
В статті представлено результати аналізу даних показників якості електроенергії в умовах цифровізації енергосистем. Встановлено, що цифровізація енергосистем зумовлює формування великих, різнорідних та подієво насичених масивів даних про показники якості електроенергії, що вимагає великої архітектури зберігання, індексації та потокової обробки, а також формалізованого контролю якості отриманих даних. Розкрито необхідність у поєднанні основних стандартних індикаторів з методами навчання без вчителя, самонавчанням та інтерпретованими моделями, здатними працювати за неповної розмітки, витримувати дрейф режимів та надавати пояснювані висновки для інженерного застосування.
- 15 May 2026
- Published by European Scientific Platform (Publications) in Grail of Science
- No. 68,p. 1046-1062
Open AccessАНАЛІЗ ДАНИХ ПОКАЗНИКІВ ЯКОСТІ ЕЛЕКТРОЕНЕРГІЇ В УМОВАХ ЦИФРОВІЗАЦІЇ ЕНЕРГОСИСТЕМ
В статті представлено результати аналізу даних показників якості електроенергії в умовах цифровізації енергосистем. Встановлено, що цифровізація енергосистем зумовлює формування великих, різнорідних та подієво насичених масивів даних про показники якості електроенергії, що вимагає великої архітектури зберігання, індексації та потокової обробки, а також формалізованого контролю якості отриманих даних. Розкрито необхідність у поєднанні основних стандартних індикаторів з методами навчання без вчителя, самонавчанням та інтерпретованими моделями, здатними працювати за неповної розмітки, витримувати дрейф режимів та надавати пояснювані висновки для інженерного застосування.