Computer systems and information technologies

КІБЕРБЕЗПЕКА: ДОСЛІДЖЕННЯ МЕТОДІВ ВИЯВЛЕННЯ DDOS-АТАК

2024-02-05T09:07:35+00:00

У цій статті розглядається проблема DDoS-атак, аналізується їх природа та наслідки. Стаття охоплює поширені типи DDoS-атак, такі як SYN-flood, ICMP-flood, UDP-flood. Розглядаються існуючі методи виявлення атак з літератури, включаючи методи машинного навчання, такі як штучні нейронні мережі, метод опорних векторів та дерева прийняття рішень. У статті представлено модель машинного навчання на основі дерева прийняття рішень для автоматичного виявлення DDoS-атак. Модель навчена та протестована на загальнодоступному наборі даних. Набір даних складається з 104345 рядків даних, де кожен рядок містить 23 поля, такі як IP-адреса джерела, IP-адреса призначення, номер порту, кількість байтів, переданих із порту комутатора тощо. Подібний набір характеристик можна отримати на реальному мережевому обладнанні за допомогою простих розрахунків, що дає можливість наблизити оцінку моделі до реальних умов можливої експлуатації. Типи атак SYN-flood, ICMP-flood, UDP-flood присутні в даних, а також наявний легітимний трафік. Щоб уникнути ефекту перенавчання, використовувалися лише деякі поля, а такі поля, як IP-адреси, були відкинуті. Поле «label» в кожному рядку набору даних містить 0 або 1, де 0 відповідає легітимному трафіку, а 1 — зловмисному. Тому проблема виявлення DDoS-атаки формально зводиться до здійснення бінарної класифікації кожного рядка з набору даних. Побудована модель досягає середньої точності класифікації 0,94 зі стандартним відхиленням на рівні 0,06 при виявленні зазначених типів атак. Щоб об’єктивно оцінити ефективність моделі та уникнути спотворення результатів, була використана стратифікована 5-fold кросс-валідація. Розроблена модель може бути застосована в реальному мережевому обладнанні для фільтрації шкідливих пакетів або як інструмент для попередження адміністратора про атаку. Це дослідження покращує сферу кібербезпеки, розширюючи методи виявлення DDoS-атак.

ОБРОБКА ДАНИХ ПРО РЕЦИДИВИ РАКУ МОЛОЧНОЇ ЗАЛОЗИ ДЛЯ БІЛЬШ НАДІЙНОГО ПРОГНОЗУ

2023-11-30T13:16:48+00:00

Рак молочної залози у жінок – глобальна проблема, яка впливає на генофонд. Ця хвороба стала основною онкологічною загрозою для українських жінок, а її раннє виявлення та профілактика значно підвищують шанси на виживання, знижуючи вартість лікування. Контроль рецмдивів та їх прогнозування є життєво важливими ділянками цієї проблеми.

Ця стаття стосується даних, які дозволяють за допомогою машинного навчання виявляти рецидиви раку молочної залози у пацієнтів, які проходять терапію. Оновлений набір даних, представлений у цій статті, містить 252 випадки, з яких 206 не мали рециливів, але 46 мали їх. Цей набір даних є вдосконаленою версією відомого набору про рак молочної залози створеного в Любляні 1988 року.

Метою є підвищення надійності клінічних прогнозів рецидиву раку молочної залози за допомогою оновленого та вдосконаленого LBCD. Перелік завдань, що супроводжують досягнення цієї мети, є наступним: Оцінка рангів релевантності для атрибутів LBCD; Оцінка рівнів шуму для атрибутів, головним чином для атрибуту класу; Скорочення набору даних шляхом видалення нерелевантних і зашумлених даних; Обчислення (відновлення) пропущених значень для атрибуту класу; Порівняння продуктивності для початкового та оновленого набору даних.

Наш оновлений набір даних має менше екземплярів (252 замість 286) і менше атрибутів (шість замість десяти), окрім мого атрибут класу очищено від шуму, і його пропущені значення відновлено. У результаті продуктивність оновленого набору даних набагато краща, ніж у прототипу, особливо щодо випадків рецидиву раку. Це дозволяє клініцистам проводити більш надійну діагностику рецидиву раку молочної залози за допомогою машинного навчання та найвідоміших класифікаторів.

Використаний набір даних є корисним для розробки моделей машинного навчання, які повинні класифікувати, виявляти та прогнозувати ймовірність рецидивів раку молочної залози в клініках. Розроблений набір даних забезпечує значно вищу продуктивність алгоритмів машинного навчання, ніж початковий прототип. Порівняно з прототипом, набір даних є більш компактним: 252 екземпляри замість 286 та 6 атрибутів замість 10. Атрибут класу (категорії) цього набору даних повністю очищений від шуму.

МОДЕЛЮВАННЯ ТА ОПРАЦЮВАННЯ ІНФОРМАЦІЙНИХ ПОТОКІВ ОСВІТНЬОГО ПРОЦЕСУ ЗДОБУВАЧІВ МЕДИЧНИХ СПЕЦІАЛЬНОСТЕЙ З ВИКОРИСТАННЯМ КАРТ ДУМОК

2023-12-14T08:41:55+00:00

The fundamental principle of medical education today should be the formation of a highly qualified competitive medical professional who can conduct innovative activities and has the skills of continuous professional development, as well as increasing the transparency and clarity of the educational process for students and building confidence in achieving effective results. The creation of a modern innovative educational environment involves ensuring optimal conditions for the development and self-development of a student, which can be created, among other things, through the use of modern digital resources by both lecturers and students. Thus, the task of digitalizing the educational process of medical students is currently relevant. The purpose of this study is to model and process the information flows of the educational process of medical students.

Digitalization and visualization of the educational process at the Department of Histology of National Pirogov Memorial Medical University (Vinnytsya, Ukraine) by developing mind maps revolutionizes education, improves the teaching process, significantly increases the efficiency, effectiveness and quality of the educational process through the development of cognitive, productive, reproductive thinking in students, compliance with the intellectual capabilities of higher education students, increasing the level of involvement of students, developing digital competence in students, and so on.

The modeling and processing of information flows of the educational process of medical students has shown that students' knowledge is largely determined by the characteristics of information sources, and in order to maximize the coincidence of information flows of information sources and information flows learned by students, it is worthwhile and expedient to digitalize and visualize educational content using mind maps. It has been empirically confirmed that the use of mind maps in the study of the educational component "Histology" has increased the coincidence of information flows of information sources and information flows learned by students from one quarter to three quarters.

КОНЕКЦІОНІСТСЬКО-МЕТАЕВРИСТИЧНИЙ ПІДХІД ДО АНАЛІЗУ ПОКАЗНИКІВ ІНВЕСТИЦІЙНОГО СЕРЕДОВИЩА СВІТОВОЇ ЕКОНОМІКИ

2023-11-30T13:15:02+00:00

У дослідженні використано коннекціоністсько-метаевристичний підхід в ході використання нових підходів до аналізу прямих іноземних інвестицій та макроекономічних показників, що впливають на обсяги їх залучення до тієї чи іншої країни світової економіки. Запропонований коннекціоністсько-метаевристичний підхід дає змогу підвищити якість апроксимації за рахунок: спрощення структурної ідентифікації за рахунок використання лише одного прихованого шару нейромережевих моделей; зниження обчислювальної складності параметричної ідентифікації та забезпечення гарної масштабованості за рахунок використання пакетного режиму для неповторних моделей нейронних мереж і багатоагентних метаевристик для рекурентних моделей нейронних мереж; описів нелінійних залежностей за допомогою нейромережевих моделей; високої точності апроксимації за рахунок використання рекурентних нейромережевих моделей; стійкості до неповноти даних і шуму даних за рахунок використання метаевристик для параметричної ідентифікації рекурентних моделей нейронних мереж; відсутності вимог щодо знання розподілу, однорідності, слабкої кореляції та вибору оптимальних факторів. У ході використання графічного процесора запропоновано вибрати нейронну мережу на основі LSTM, яка має найвищу точність апроксимації. Для LSTM коефіцієнт детермінації за допомогою градієнтного методу становить 0,785, а за допомогою метаевристики (модифікована оптимізація колонії ос) – 0,835. Запропонований підхід дає змогу розширити сферу застосування методів апроксимації на основі штучних нейронних мереж і метаевристик, що підтверджується його адаптацією до економічної задачі, та сприяє підвищенню ефективності інтелектуальних комп’ютерних систем загального та спеціального призначення.

ОСОБЛИВОСТІ ВИКОРИСТАННЯ ІНФОРМАЦІЙНИХ ТА КОМУНІКАЦІЙНИХ ТЕХНОЛОГІЙ ДЛЯ СУПРОВОДУ ПРОЄКТНИХ ПРОЦЕСІВ У РОЗПОДІЛЕНИХ КОМАНДАХ

2023-12-12T12:27:41+00:00

У дослідженні представлено глибокий аналіз ролі інформаційних та комунікаційних технологій (ІКТ) у контексті управління проєктними процесами в розподілених командах. Основна увага приділена класифікації та оцінці ефективності комунікаційних та інформаційних технологій як інструментів, які значно підвищують продуктивність та сприяють оптимізації робочих процесів у таких розподілених командах. Наведено основні трактування поняття розподіленості в проєктних командах.

Методологічний підхід статті базується на комплексному аналізі існуючих проблем комунікації та інформаційного обміну в розподілених командах. Використано системний підхід для структурування і визначення головних каналів комунікації, заснованих на ієрархічній діаграмі, розробленій на основі експертних оцінок та аналізу робочих процесів.

У результатах дослідження представлено детальний порівняльний аналіз широко застосовуваних платформ для управління проєктами, таких як Trello, Asana, Jira, Microsoft Project, і ін., з акцентом на їх функціональні можливості, сфери застосування й моделі управління проєктами та призначення в розрізі розподіленості в проєктних командах.

Автори здійснили комплексне порівняння комунікаційних та інформаційних систем, в результаті виявлено ряд основних тенденцій використання ІКТ у проєктному менеджменті за останні чотири роки. Особливу увагу приділено найбільш популярним інструментам, визначенню їх унікальних особливостей та потенціалу застосування у різноманітних проєктах. Також розглянуто інноваційні підходи до автоматизації проєктних процесів в контексті платформ управління проєктами для розподілених команд, з пропозицією нового алгоритму їх імплементації.

Проведений аналіз у роботі вносить важливий вклад у розуміння того, як інформаційні та комунікаційні технології можуть бути застосовані для покращення ефективності та продуктивності розподілених команд, зокрема в аспектах супроводу проєктних процесів. Дослідження сприяє глибокому розумінню ключових факторів, що впливають на успішну інтеграцію розглянутих технологій в сучасні проєктні практики.

АНАЛІЗ МЕТРИК ДЛЯ ОЦІНКИ GAN МЕРЕЖ

2023-11-30T13:05:02+00:00

Генеративно-змагальні мережі стали досить популярними в останні роки. Загалом ці мережі побудовані на основі згорткових нейронних мереж, що застосовуються у завданнях класифікації. В останні роки дослідниками запропоновано та розроблено дуже багато варіацій самих архітектур GAN мереж та технік для їх оптимізації, оскільки процес навчання є досить складним та нестабільним. Незважаючи на великі теоретичні успіхи в покращенні даних мереж, оцінка та порівняння GAN залишається складним завданням. Не дивлячись на те, що було введено кілька метрик для оцінки цих мереж, наразі немає консенсусу щодо того, яка метрика найкраще відображає сильні сторони та обмеження моделей і повинна використовуватися для порівняння моделей та оцінки синтезованих зображень. У даній роботі розглянуто дві найпопулярніші метрики Inception Score (IS) та Frechet Inception Distance (FID), які застосовуються для оцінки GAN мереж.

Оскільки дані метрики базуються на використанні попередньо підготовленої моделі Google Inception, яка застосовується в якості класифікатора для метрики IS та екстрактора ознак для метрики FID, то метою роботи є розробка програмного модуля для порівняння даних метрик із використанням базової моделі (Inception) та користувацьких моделей.

Наукова новизна полягає в тому, що дані метрики вперше застосовано для порівняння цитологічних зображень з використанням моделі, що відрізняється від запропонованої авторами - Google Inception.

Практичним значенням роботи є розробка програмного модуля для обчислення даних метрик для GAN мереж, що застосовуються для синтезу цитологічних зображень.

В результаті було розроблено дві базові моделі (BioCNN-1 та BioCNN-2) та модуль на мові Python для обчислення метрик IS та FID для цитологічних зображень. Розроблений модуль працює із кольоровими зображеннями роздільною здатністю 64 x 64 пікселі. Здійснено порівняння метрик на основі базової моделі та на основі розроблених моделей для оцінки GAN мереж для синтезу цитологічних зображень.

Метрики на основі розроблених моделей показують кращі результати. Значення метрики FID зменшилося з 31.20 до 0.034, а значення метрики IS збільшилося з 3.52 до 3.81. Також загальний час обчислення метрик зменшився з 2 хвилин до 15 секунд.

НЕЙРОМЕРЕЖЕВА АРХІТЕКТУРА ДЛЯ ДЕКОДУВАННЯ ТЕКСТУ ЗА РУХОМ ГУБ СПІКЕРА

2023-11-30T13:23:31+00:00

У статті проаналізовано вплив використання інтерфейсу безмовного доступу (SSI), який забезпечує визначення початкової фази звукового ряду, що асоціюється з початком мовлення, на основі аналізу візерунків, на точність розпізнавання голосових команд у різних звукових середовищах. Аналіз методів розпізнавання мовного патерну диктора показав, що останні дослідження базуються на використанні нейромережевих архітектур (CNN, LSTM) для аналізу заздалегідь визначеної області інтересу - рота диктора.

У роботі протестовано систему розпізнавання команд з SSI-підходом та проведено ряд експериментів над сучасними рішеннями на основі ALR інтерфейсів. Головною метою було покращення точності розпізнавання мови у таких випадках, коли немає можливості використрвувати незашумлений аудіоряд спікера, наприклад на великій відстані від того, хто говорить, або у шумному оточенні. Отримані результати показали, що тренування нейронної мережі на графічному прискорювачі дозволило скоротити час навчання у 26,2 рази, використовуючи навчальну вибірку із високої роздільної здатності та розміром виділеної зони рота, що становить 150 × 100 пікселів. Результати аналізу обраних метрик оцінки якості розпізнавання мови (послівна точність розпізнавання (WRR), послівна помилка розпізнавання (WER) та посимвольна помилка розпізнавання (CER)) показав, що максимальна точність послівного розпізнавання промови спікера становить 96,71% та досягається після 18 епох навчання. Якщо оцінювати посимвольну точність розпізнавання візем, то найвищий показник можна отримати після 13 епохи навчання. Майбутні дослідження будуть зосереджені на використанні камер глибини та методів стереозору із збільшеною частотою кадрів задля подальшого збільшення точності декодування голосової команди в умовах великого фонового зашумлення.

Для подальшого розвитку цієї роботи можна застосувати алгоритми шумозаглушення до аудіосигналу або вирішити проблему виявлення виразів обличчя в умовах низької яскравості або іншого кута нахилу обличчя.

ФОРМАЛЬНА СПЕЦИФІКАЦІЯ ЦИФРОВОГО ДВІЙНИКА МУЛЬСЕМЕДІЙНОГО ОБ’ЄКТА НА ОСНОВІ КІЛЬКІСНИХ ВІДНОШЕНЬ ДИСКРЕТНИХ ІНТЕРВАЛІВ

2023-11-30T13:21:45+00:00

У статті запропоновано модифікацію відношень дискретних інтервалів, яка дає змогу формально визначати зв’язок між наборами темпоральних даних різних модальностей для формального опису моделі цифрового двійника мульсемедійного об’єкта. Під мульсимедійним об’єктом розуміється фізичний об’єкт, стан якого фіксується за допомогою набору сенсорів для формування темпорального мультимодального цифрового опису, який комплексно визначає об’єкт подібно до того, як він сприймається людиною через органи чуття. Цифровий двійник мульсемедійного об’єкта є складеною програмною моделлю цього об’єкта, яка призначена для прогнозування можливих станів та поведінки мульсемедійного об’єкта. Формальний опис мульсемедійного об’єкта відбувається на основі даних, що отримуються з набору сенсорів, кожен з яких фіксує інформацію певної модальності. Для об’єднання цих даних у єдину специфікацію об’єкта між ними потрібно встановити темпоральний зв’язок, оскільки дані різних модальностей можуть реєструватися та мати сенс для дослідження у різні періоди спостереження об’єкта. Якісне визначення темпорального зв’язку між наборами даних може бути виконане за допомогою відношень між дискретними інтервалами («передує», «настає після», «збігається» та інші), проте кількісне визначення (наприклад, «наскільки передує») за допомогою існуючих відношень дискретних інтервалів неможливе. Тому у статті запропоновано вважати наявні відношення дискретних інтервалів якісними відношеннями, натомість ввести їхню модифікацію – кількісні відношення дискретних інтервалів. Використання кількісних відношень дискретних інтервалів дасть змогу спростити розроблення програмного забезпечення технології цифрових двійників за рахунок підвищення якості формальної специфікації структур даних, які комплексно відображають взаємопов’язані набори темпоральних мультимодальних даних, що отримуються у процесі моніторингу мульсемедійних об’єктів.

АНСАМБЛЕВА ТЕХНОЛОГІЯ БЕЗ ВЧИТЕЛЯ-З ВЧИТЕЛЕМ З НЕІТЕРАТИВНИМ АЛГОРИТМОМ НАВЧАННЯ ДЛЯ АНАЛІЗУ КОРОТКИХ НАБОРІВ БІОМЕДИЧНИХ ДАНИХ

2023-11-30T12:57:19+00:00

Підвищення точності інтелектуального аналізу даних є важливою задачею в різних прикладних областях. Існуючі методи машинного навчання не завжди забезпечують достатній рівень точності класифікації для їх використання на практиці. Саме тому, в останні роки почали розвиватися гібридні ансамблеві методи інтелектуального аналізу. В їх основі покладено сумісне використання процедур кластеризації та класифікації. Такий підхід забезпечує підвищення точності класифікатора на основі машинного навчання за рахунок розширення простору вхідних даних задачі результатами роботи кластеризатора.

У цій роботі розглядаються завдання модифікації та удосконалення подібної технології аналізу коротких даних. В основі модифікації покладено використання кластеризації з виходом на першому кроці методу для підвищення точності роботи усього методу. Незважаючи на високу точність роботи, такий підхід вимагає суттєвого розширення входів фінального лінійного класифікатора (до початкових входів додаються мітки отриманих кластерів). З метою уникнення цього недоліку, у статті запропоновано удосконалення, в основі якого покладено введеня нової процедури класифікації на першому кроці методу та використання результатів її рботи для заміни усіх початкових входів задачі. Паралельно з нею виконується кластеризації з врахуванням вихідного атрибуту, результати якої додаються до вихода класифікатора першого кроку. Таким чином відбувється формування розширеного набору даних суттєво меншої вимірності в порівнянні із існуючим методом (тут вже немає великої кількості початкових ознак, що характерно для задач біомедичної нженерії). Це зменшує час роботи методу і збільшує його генералізаційні властивості.

Моделювання роботи методу відбувалося на основі використання корткого набору даних, який міститься у відкритому репозиторії. Після процедур попереднього опрацювання, набір даних налічував лише 294 вектори кожен з яких характеризувався 18 атрибутами. Класифікація даних відбувалася із використанням SGTM neural-like structure. Цей лінійний класифікатор забезпечує високу точність роботи. Окрім цього він не передбачає виконання ітераційної процедури навчання та додаткового налаштування параметрів роботи. Кластеризація даних відбувалася із використанням методу k-means. Такий вибір обумовлено як простотю так і швидкодією його роботи.

Пошук оптимальної кількості кластерів методу k-means відбувався із використанням 4 різних методів. Усі вони продемонстрували різні результати. Саме тому, у статті проведено експерименти щодо оцінки впливу різної кількості кластерів (від 3 до 7) на точність роботи усіх 4 алгоритмів розробленої технології. Експериментальним шляхом встановлено підвищення точності роботи запропонованої технолоігї у порівнянні з лінійним класифікатором та існучим гібридним методом. Окрім цього, за рахунок зменшення входів фінального класифікатора, розроблена технологія зменшує тривалість процедури навчання в порівнянні з базовим методм. Все це забезпечує можливість використання запропонованої технології під час розвязання різноманітних прикладних задач медичної діагностики, зокрема на основі аналізу коротких наборів даних..

Ключові слова: підхід до малих даних, неітеративне навчання, ансамблеве навчання, технологія без вчителя-з вчителем, біомедична інженерія.

ДОСЛІДЖЕННЯ НА ОСНОВІ КОМП’ЮТЕРНОЇ МОДЕЛІ ПРОЦЕСУ НАГРІВУ СТАЛІ З МЕТОЮ ЗНИЖЕННЯ РЕСУРСОВИТРАТ

2023-12-12T12:18:44+00:00

Сталь – один з найважливіших матеріалів у сучасному світі, який використовується в різних галузях промисловості та будівництві. Виробництво сталі починається з нагрівання металевого розплаву в сталерозливних ковшах – обладнанні, що використовується в металургійній промисловості для виробництва різних видів сталі. Ковш відіграє ключову роль у цьому процесі, оскільки саме в ньому відбувається нагрівання металевого розплаву. Пошук раціональних технологічних схем, що забезпечують економне використання матеріальних і енергетичних ресурсів при виробництві високоякісної металопродукції, є актуальним науково-технічним завданням, що стоїть перед інженерно-технічним персоналом сталеплавильного виробництва і якісної конкурентоспроможної металопродукції. Випадкові підвищення і зниження температури сталі можуть призвести до погіршення якості сталі, прискореної ерозії вогнетривких матеріалів і підвищених енерговитрат. Теплові втрати сталі залежать від теплового стану ковша, теплофізичних властивостей металевого розплаву та шлаку. Тепловий стан і теплофізичні властивості розплавленої сталі та шлаку необхідно визначати кількісно, щоб краще контролювати виробничий процес, кінцевий склад розплаву і бажану температуру розливання.

БАГАТОКРИТЕРІАЛЬНА ОЦІНКА ПРАВИЛЬНОСТІ ПРИЙНЯТИХ РІШЕНЬ У ЗАДАЧАХ ІНФОРМАЦІЙНОЇ БЕЗПЕКИ

2023-12-21T09:57:13+00:00

Теоретичні оптимізаційні моделі передбачають наявність одного критерію, тому розв’язання задачі методом векторної
(багатокритеріальної) оптимізації становить певний інтерес в задачах кібербезпеки та інформаційної безпеки. Особливо коли потрібно оцінити правильність прийнятих рішень (ППР). У статті запропоновано вирішення цієї задачі, яке дозволяє стверджувати, що рішення прийнято правильно в даному конкретному випадку при забезпеченні інформаційної безпеки конкретного об’єкту.

ВИБІР КОМПОНЕНТУ ШТУЧНОГО ІНТЕЛЕКТУ ДЛЯ КОНСУЛЬТАТИВНО-ДІАГНОСТИЧНОЇ ІНФОРМАЦІЙНОЇ ТЕХНОЛОГІЇ ДІАГНОСТУВАННЯ ГЛАУКОМИ

2023-12-14T11:40:25+00:00

Найбільш важливі області застосування консультативно-діагностичних систем – невідкладні та загрозливі для життя стани, що характеризуються дефіцитом часу, обмеженими можливостями обстеження і консультацій і нерідко малою клінічною симптоматикою при високому рівні загрози для життя хворого і швидких темпах розвитку процесу. Досвід використання консультативно-діагностичних систем доводить суттєве підвищення якості діагностики, що не лише зменшує невиправдані втрати, але і дозволяє більш ефективно використовувати ресурси допомоги, регламентувати об’єм необхідних досліджень, і нарешті, підвищити професійний рівень лікарів, для яких така система слугує одночасно і навчальною. В офтальмології наразі рідко та недостатньо ефективно використовуються консультативно-діагностичні системи та технології, хоча галузь офтальмології в цілому та діагностування глаукоми зокрема дуже їх потребують.

Наразі проблема використання штучного інтелекту для проблеми аналізу глаукоми полягає в тому, що самі нейромережі та методи їх використання є мало придатними для масового використання, зі складністю розробки для певних моделей, з недоступністю для масового використання та важкістю збору даних для навчання нейронних моделей через “конфіденційність” даних. Також є проблема вартості та можливості діагностики — наявність кваліфікованого спеціаліста, засіб для збору даних та час, необхідний для пацієнта, щоб отримати діагностику.

Подальші дослідження авторів будуть спрямовані на створення самої нейромережі для діагностики глаукоми з різними підходами від наявних типів даних для кожного окремого випадку, а також створення програм та інструкцій для розгортання такої нейромережі на місцях використання та використання її з мінімальними вимогами та потребами в ресурсах. В порівнянні з іншими подібними продуктами це буде таке впровадження штучного інтелекту, яке дозволить втілити весь наявний досвід у невелику кількість рядків коду і буде відрізнятись бюджетністю та масовістю використання.