Выпуск 7

Смирнов Александр Сергеевич

Современные вычислительные комплексы и операционные системы функционируют в условиях непрерывного роста динамической нагрузки и высокого уровня неопределенности входящих запросов. Классические алгоритмы планирования процессов и распределения оперативной памяти, основанные на жестко детерминированных правилах и статических приоритетах, исчерпывают свою эффективность при масштабировании распределенных и облачных инфраструктур. В данной исследовательской работе осуществляется глубокий теоретический и практический анализ интеграции моделей машинного обучения в ядро операционных систем для реализации интеллектуального и адаптивного управления физическими и виртуальными ресурсами. Ключевой акцент сделан на преодолении проблемы «черного ящика» глубоких нейронных сетей с помощью методов объяснимого искусственного интеллекта (Explainable AI, XAI). В работе детально исследуются подходы к интерпретации решений планировщика ресурсов в режиме реального времени, анализируются механизмы минимизации задержек при вычислении вкладов признаков и доказана эффективность использования аддитивных интерпретаций для обеспечения стабильности и безопасности операционной среды.

Григорьев Дмитрий Александрович

В представленном фундаментальном исследовании осуществляется всеобъемлющий теоретический и практический анализ интеграции интерактивных и высокоточных моделей глубокого машинного обучения в критические узлы ядер высокопроизводительных операционных систем. Рассматривается проблема преодоления барьера нелинейной непрозрачности алгоритмов предсказания динамического профиля нагрузки на процессоры и подсистемы виртуальной памяти. Предложена оригинальная архитектурная концепция гибридного планировщика, сочетающая высокую прогностическую способность глубоких нейронных сетей с механизмами обеспечения прозрачности принятых решений в режиме реального времени на основе постхок- методов интерпретируемости. Проведен подробный анализ влияния накладных расходов на вычисление локальных объяснений на общую пропускную способность суперкомпьютерного узла. Доказано, что применение оптимизированных алгоритмов интерпретируемости позволяет полностью исключить риски возникновения тупиковых ситуаций и взаимных блокировок, сохраняя стабильность системы на уровне детерминированных классических решений при существенном приросте производительности.

Ковалев Илья Игоревич, Романова София Дмитриевна

В данной исследовательской работе проводится подробный теоретический и практический анализ применения подходов объяснимого искусственного интеллекта в подсистемах безопасности и мониторинга ядра современных операционных систем. Рассматривается проблема выявления скрытых аномалий, вредоносных воздействий и попыток несанкционированного повышения привилегий на основе анализа последовательностей системных вызовов и аномалий использования виртуальной памяти. Предложена методология построения гибридного модуля обнаружения вторжений, объединяющего высокую чувствительность глубоких нейросетевых моделей с алгоритмами локальной интерпретируемости постхок-типа. В исследовании детально описан процесс трансляции абстрактных результирующих векторов нейронной сети в интерпретируемые цепочки причинно-следственных связей, доступные для анализа администраторам безопасности. Проведена серия экспериментальных тестов, подтверждающих возможность реализации постоянного контроля логики работы модели без деградации общей производительности вычислительного узла.

Белов Дмитрий Игоревич, Карпова Алена Владимировна

В представленном фундаментальном научном труде осуществляется детальный теоретический и практический анализ интеграции интеллектуальных подсистем динамического управления энергопотреблением в ядро мобильных операционных систем. Рассматривается актуальная проблема оптимизации баланса между производительностью вычислительных ядер и энергоэффективностью автономных устройств при резко меняющемся профиле пользовательской нагрузки. Авторами предложена оригинальная концепция архитектуры энергоменеджера на базе методов машинного обучения, обеспечивающая прогнозирование всплесков вычислительной активности и адаптивную регуляцию частотно-вольтовых характеристик процессора. Ключевой акцент сделан на применении подходов объяснимого искусственного интеллекта для обеспечения прозрачности и детерминированности принимаемых решений в условиях жестких временных ограничений. В работе подробно описана методология локальной интерпретации решений модели, проанализированы накладные расходы на вычисление вкладов системных метрик и доказана возможность эффективного предотвращения аномальных перепадов напряжения без деградации пользовательского опыта.

Морозов Артем Викторович, Алексеева Дарья Сергеевна

В представленном фундаментальном научном труде осуществляется всесторонний теоретический и практический анализ интеграции интеллектуальных подсистем предиктивного подкачивания и кэширования данных в подсистемы ввода-вывода современных операционных систем. Рассматривается актуальная проблема сглаживания высокой задержки при обращении к энергонезависимым носителям информации и распределенным хранилищам данных в условиях нестационарного и труднопредсказуемого профиля запросов. Авторами разработана оригинальная методологическая концепция гибридного препетчера на базе нейросетевых моделей глубокого обучения, способного анализировать многомерные временные ряды системных вызовов и прогнозировать будущие обращения к блочным устройствам. Ключевой акцент исследования сделан на преодолении проблемы «черного ящика» с помощью адаптивных методов объяснимого искусственного интеллекта. В работе детально описаны механизмы локальной интерпретации решений модели в режиме реального времени, проанализировано влияние накладных расходов на вычисление вкладов признаков и доказана высокая эффективность предотвращения ложного подкачивания данных с сохранением стабильности работы дисковой подсистемы.

Кузнецов Михаил Сергеевич, Семенова Екатерина Дмитриевна

В представленном научном исследовании осуществляется глубокий теоретический и экспериментальный анализ применения методов объяснимого искусственного интеллекта в алгоритмах планирования задач современных многоядерных и многопроцессорных операционных систем. Рассматривается фундаментальная проблема эффективного распределения вычислительных потоков по гетерогенным ядрам процессора в условиях высокой динамики параллельных процессов и жестких требований к минимальной задержке отклика. Авторами предложена архитектура интеллектуального планировщика ресурсов ядра, сочетающая скорость работы градиентно-бустированных деревьев решений с фоновым модулем локальной интерпретируемости. В работе детально описан механизм трансформации внутренних весовых коэффициентов и градиентных оценок в понятные причинно-следственные связи распределения потоков. Проведена серия нагрузочных испытаний, демонстрирующая существенное сокращение накладных расходов на переключение контекста и предотвращающая деградацию производительности при межпотоковой конкуренции за ресурсы кэш- памяти.

Орлов Григорий Сергеевич, Васильева Анна Михайловна

В представленном научном исследовании проведен подробный теоретический и практический анализ применения подходов объяснимого искусственного интеллекта в алгоритмах замещения страниц виртуальной памяти современных операционных систем. Рассматривается фундаментальная проблема минимизации количества пробуксовок памяти и промахов при выгрузке страниц на вторичные накопители в условиях жесткого дефицита оперативной памяти и фрагментированных профилей нагрузки. Авторами разработана оригинальная концепция гибридного алгоритма управления подкачкой страниц, объединяющего предиктивные свойства машинного обучения с фоновым анализом факторов принятия решений. В работе подробно освещена методология оценки вкладов системных метрик в выбор страниц-кандидатов на вытеснение, описан механизм онлайн-проверки корректности решений нейросетевых моделей и доказано снижение задержек доступа к памяти без нарушения стабильности работы подсистемы виртуальной памяти.

Мельников Артем Сергеевич, Субботина Валерия Евгеньевна

В настоящем развернутом научном исследовании подробно рассматриваются теоретические, методологические и практические аспекти применения комплексных алгоритмов глубокого обучения для задач непрерывного отслеживания, количественной оценки и прогнозирования динамики тревожных состояний человека. Основной акцент работы сделан на преодолении фундаментального методологического барьера современной прикладной психофизиологии, связанного с низкой прозрачностью («черным ящиком») сложных нейросетевых архитектур. Авторами представлена и детально описана специализированная система мониторинга эмоционального фона, применяющая алгоритмы локальной объяснимости (Explainable AI) для трансформации абстрактных математических векторов признаков в содержательно понятные психологу-практику показатели психологического и физиологического дискомфорта. В работе подробно разобран технологический процесс декомпозиции комплексного показателя тревоги на отдельные патогенетические составляющие: когнитивные, вегетативные, эмоциональные и поведенческие. На основе представительной серии эмпирических испытаний и сравнительного анализа доказана высокая эффективная точность предложенной системы при проведении первичной скрининговой оценки, предиктивном обнаружении субклинических форм дезадаптации и определении ключевых мишеней для адресного психокоррекционного воздействия.

Соколов Роман Андреевич, Никитина Полина Сергеевна

В представленном фундаментальном научном исследовании осуществляется глубокий теоретический, методологический и прикладной анализ применения современных технологий машинного обучения в контексте психологии принятия решений и комплексной оценки стрессоустойчивости личности. Рассматривается актуальная проблема моделирования когнитивных и эмоциональных реакций человека, находящегося в условиях неопределенности, временного дефицита и высокого внешнего давления. Авторами предложена оригинальная концепция психологического мониторинга, объединяющая предиктивные возможности ансамблевых алгоритмов с механизмами локальной интерпретируемости признакового пространства. В работе подробнейшим образом описан процесс декомпозиции комплексного интегрального индекса стрессоустойчивости на отдельные патогенетические и поведенческие составляющие: эмоциональную лабильность, когнитивный контроль, поведенческую ригидность и вегетативную активацию. На основе репрезентативного эмпирического исследования доказана высокая точность и клиническая валидность разработанного комплекса, а также продемонстрировано существенное повышение уровня доверия специалистов- психологов к автоматизированным диагностическим вердиктам.

Григорьев Владислав Олегович, Ахметова Алина Ринатовна

В представленном фундаментальном научном труде осуществляется всесторонний теоретико-методологический и прикладной анализ применения современных технологий глубокого машинного обучения для диагностики механизмов эмоциональной регуляции и совладающего поведения (копинг- стратегий) личности в условиях цифрового взаимодействия. Рассматривается актуальная проблема выявления конструктивных и дезадаптивных форм эмоционального реагирования на основе анализа мультимодальных цифровых следов, включая текстовую активность, паттерны пользовательского поведения и динамику психофизиологических реакций. Авторами разработана и детально описана оригинальная концепция прозрачной диагностической системы, объединяющая высокую прогностическую мощность нейросетевых архитектур с алгоритмами локальной объяснимости постхок-типа. В исследовании описан процесс трансляции абстрактных результирующих векторов нейронной сети в понятную психологу-практику структуру причинно-следственных связей, отражающих преобладание конкретных копинг-механизмов. Проведена серия экспериментальных испытаний, подтверждающих высокую точность выявления латентных эмоциональных деструкций и доказавших климатическую валидность формируемых объяснений.