Все выпуски

Традиционный подход к исследованию коммуникаций между журналами заключается в исследовании журнальных графов цитирования. В работе предложен подход к анализу сети журналов с использованием библиометрического графа нового типа — графа журнальных пересечений, основанного на бинарной операции пересечения множеств, — с применением методов, основанныхна индексе дружбы и функции диспаритета. Подход демонстрируется на относительно небольшом примере реальной сети журналов, данные о которых содержатся в информационной системе Общероссийского портала Math-Net.Ru: 63 журнала за 2008–2021 годы, удовлетворяющие определенным требованиям и содержащие почти 69 тысяч статей, принадлежащих 54 тысячам авторов. Математическая модель этой реальной сети представляется графом пересечений с использованием коэффициента Жаккара, обладающим специфическими свойствами: малая размерность, высокая плотность графа, распределение весов ребер не аппроксимируется степенной функцией. К полученным результатам относится сетевая структура связей множества исследуемых журналов, учитывающая степень их взаимодействия, и выявление значимых вершин с использованием индекса дружбы, улавливающее его структурные свойства и имеющее очевидную содержательную интерпретацию, позволяющее ранжировать журналы по данному показателю. Тем самым реализуется инструмент для различения вершин-лидеров по индексу дружбы и «сетевых интеграторов» (closeness/betweenness) и демонстрируется качественное изменение структурных свойств при снижении плотности и сохранении связности графа, достигаемого применением функцией диспаритета. Последовательное применение функции диспаритета при уменьшении порога значимости позволяет выявить ядро графа, содержащее наиболее сильно связанные вершины, что в свою очередь позволяет определить множество вершин (и, соответственно, журналов), одновременно входящих в ядро и имеющих наивысшую значимость по индексу дружбы. Анализ уровней полученного множества журналов в «Белом списке» подтверждает высокий рейтинг этих журналов. Полученные результаты дают более глубокое понимание структуры отношений в сетях научных журналов и определяют новые подходы к их исследованию.

Дизассемблирование двоичных файлов x86 — важная, но нетривиальная задача. Дизассемблирование трудно выполнить корректно без отладочной информации, особенно на архитектуре x86, в которой инструкции переменного размера чередуются с данными. Более того, наличие непрямых переходов в двоичном коде добавляет еще один уровень сложности. Непрямые переходы препятствуют возможности рекурсивного обхода, распространенного метода дизассемблирования, успешно идентифицировать все инструкции в коде. Следовательно, дизассемблирование такого кода становится еще более сложным и требовательным, что еще больше подчеркивает проблемы, с которыми приходится сталкиваться в этой области. Многие инструменты, включая коммерческие, такие как IDA Pro, с трудом справляются с точным дизассемблированием x86. В связи с этим был проявлен определенный интерес к разработке более совершенного решения с использованием методов машинного обучения, которое потенциально может охватывать базовые, независимые от компилятора паттерны, присущие машинному коду, сгенерированному компилятором. Методы машинного обучения могут превосходитьпо точности классические инструменты. Их разработка также может занимать меньше времени по сравнению с эвристическими методами, реализуемыми вручную, что позволяет переложитьо сновную нагрузку на сбор большого представительного набора данных исполняемых файлов с отладочной информацией. Мы усовершенствовали существующую архитектуру на основе рекуррентных графовых сверточных нейронных сетей, которая строит граф управления и потоков для дизассемблирования надмножеств инструкций. Мы расширили граф информацией о потоках данных: при кодировании входной программы, мы добавляем ребра потока управления и зависимостей от регистров, вдохновленные вероятностным дизассемблированием. Мы создали открытый набор данных для идентификации инструкций x86, основанный на комбинации набора данных ByteWeight и нескольких пакетов Debian с открытым исходным кодом. По сравнению с IDA Pro, современным коммерческим инструментом, наш подход обеспечивает более высокую точность при сохранении высокой производительности в наших тестах. Он также хорошо себя показывает по сравнению с существующими подходами машинного обучения, такими как DeepDi.

В данной статье рассматривается проблема централизованного планирования маршрутов передачи данных в сетях, устойчивых к задержкам и разрывам. Исходная проблема расширяется дополнительными требованиями к хранению узлов и процессу связи. Во-первых, предполагается, что связь между узлами графа устанавливается с помощью антенн. Во-вторых, предполагается, что каждый узел имеет хранилище конечной емкости. Существующие работы не рассматривают и не решают задачу с этими ограничениями. Предполагается, что заранее известны информация о сообщениях, подлежащих обработке, информация о конфигурации сети в указанные моменты времени, взятые с определенными периодами, информация о временных задержках для ориентации антенн для передачи данных и ограничения на объем хранения данных на каждом спутнике группировки. Два хорошо известных алгоритма — CGR и Earliest Delivery with All Queues — модифицированы для удовлетворения расширенных требований. Полученные алгоритмы решают задачу поиска оптимального маршрута в сети, устойчивой к разрывам, отдельно для каждого сообщения. Также рассматривается проблема валидации алгоритмов в условиях отсутствия тестовых данных. Предложены и апробированы возможные подходы к валидации, основанные на качественных предположениях, описаны результаты экспериментов. Проведен сравнительный анализ производительности двух алгоритмов решения задачи маршрутизации. Два алгоритма, названные RDTNAS-CG и RDTNAS-AQ, были разработаны на основе алгоритмов CGR и Earliest Delivery with All Queues соответственно. Оригинальные алгоритмы были значительно расширены и была разработана дополненная реализация. Валидационные эксперименты были проведены для проверки минимальных требований «качества» к правильности алгоритмов. Сравнительный анализ производительности двух алгоритмов показал, что алгоритм RDTNAS-AQ на несколько порядков быстрее, чем RDTNAS-CG.