Ілля Сергійович Гарбуз
Ілля Сергійович Гарбуз has a total of 21 co-authors. Here are the top co-authors by number of shared publications:
- Альберт Катунін
Харківський національний університет Повітряних Сил імені Івана Кожедуба
2 shared publications - Володимир Комаров
Полтавський військовий інститут зв'язку
2 shared publications - Олексій Коломійцев
Національний технічний університет "Харківський політехнічний інститут
2 shared publications - Іван Шульга
Національний технічний університет України ""Київський політехнічний інститут імені Ігоря Сікорського"
1 shared publication - Анатолій Григорович Мокряк
Харківський національний університет Повітряних Сил імені Івана Кожедуба
1 shared publication Борис Вікторович Гайбадулов
Харківський національний університет Повітряних Сил імені Івана Кожедуба
1 shared publication
Latest Publications
- Open Access
- 13 November 2026
- Published by European Scientific Platform (Publications) in Grail of Science
- No. 79,p. 615-641
АНАЛІЗ ОСОБЛИВОСТЕЙ РОЗПОДІЛЕНИХ ХМАРНИХ СИСТЕМ ОБРОБКИ ВЕЛИКИХ ОБСЯГІВ ДАНИХ РИНКУ ПРАЦІ
В статті проведено аналіз особливостей розподілених хмарних систем обробки великих обсягів даних ринку праці. Розглянуто методи машинного навчання для аналізу текстів вакансій і резюме. Проведено систематизацію способів подання текстів, методів виділення навичок, графів навичок та методи зіставлення вакансій і резюме. Визначено, яких властивостей бракує відомим рішенням для двомовних даних українського ринку праці. Відмічено, що документи змішаномовні, а лексичний збіг охоплює лише частину тексту. Розглянуті методи порівняно за ознаками: які враховують подання, які дані потрібні для навчання, або нормалізуються навички до таксономії, або можливо обчислити вектори кандидатів заздалегідь, скільки обчислень потребує один документ. Лексичні подання TF-IDF і BM25 дешеві й точно враховують назви технологій, а багатомовні щільні енкодери враховують зміст, але потребують графічних процесорів і пам’яті. Навички виділяють розміткою фрагментів тексту, класифікацією за таксономією ESCO і великими мовними моделями; мовні моделі не потребують розмітки, але дорожчі і в розмітці фрагментів поки поступаються навченим моделям. Графи навичок будують за спільною появою навичок, переважно за накопиченим масивом даних. Методи зіставлення розвиваються від сіамських енкодерів до двовежових моделей, графових нейронних мереж і мовних моделей як ранжувальників. Графові моделі зіставлення спираються на історію взаємодій закритих платформ. Аудити фіксують упередженість ранжування за статтю і расою. Запропоновано правила вибору методів за наявними даними. Сформульовано невирішені проблемні питання для відкритих двомовних даних без історії взаємодій: вартість подань за великої кількості пар, зміни структури навичок під час криз, окремий внесок графа навичок у якість зіставлення, поєднання якості з часткою переглянутих кандидатів, оцінювання без даних про наймання.
- 13 November 2026
- Published by European Scientific Platform (Publications) in Grail of Science
- No. 79,p. 615-641
Open AccessАНАЛІЗ ОСОБЛИВОСТЕЙ РОЗПОДІЛЕНИХ ХМАРНИХ СИСТЕМ ОБРОБКИ ВЕЛИКИХ ОБСЯГІВ ДАНИХ РИНКУ ПРАЦІ
В статті проведено аналіз особливостей розподілених хмарних систем обробки великих обсягів даних ринку праці. Розглянуто методи машинного навчання для аналізу текстів вакансій і резюме. Проведено систематизацію способів подання текстів, методів виділення навичок, графів навичок та методи зіставлення вакансій і резюме. Визначено, яких властивостей бракує відомим рішенням для двомовних даних українського ринку праці. Відмічено, що документи змішаномовні, а лексичний збіг охоплює лише частину тексту. Розглянуті методи порівняно за ознаками: які враховують подання, які дані потрібні для навчання, або нормалізуються навички до таксономії, або можливо обчислити вектори кандидатів заздалегідь, скільки обчислень потребує один документ. Лексичні подання TF-IDF і BM25 дешеві й точно враховують назви технологій, а багатомовні щільні енкодери враховують зміст, але потребують графічних процесорів і пам’яті. Навички виділяють розміткою фрагментів тексту, класифікацією за таксономією ESCO і великими мовними моделями; мовні моделі не потребують розмітки, але дорожчі і в розмітці фрагментів поки поступаються навченим моделям. Графи навичок будують за спільною появою навичок, переважно за накопиченим масивом даних. Методи зіставлення розвиваються від сіамських енкодерів до двовежових моделей, графових нейронних мереж і мовних моделей як ранжувальників. Графові моделі зіставлення спираються на історію взаємодій закритих платформ. Аудити фіксують упередженість ранжування за статтю і расою. Запропоновано правила вибору методів за наявними даними. Сформульовано невирішені проблемні питання для відкритих двомовних даних без історії взаємодій: вартість подань за великої кількості пар, зміни структури навичок під час криз, окремий внесок графа навичок у якість зіставлення, поєднання якості з часткою переглянутих кандидатів, оцінювання без даних про наймання.
- 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.