In the modern world, the volume of data stored electronically and transmitted over networks continues to grow rapidly. This trend increases the demand for the development of effective methods to protect information transmitted over networks as network traffic. Anomaly detection plays a crucial role in ensuring net security and safeguarding data against cyberattacks. This study aims to review statistical and density-based clustering methods used for anomaly detection in network systems and to perform a comparative analysis based on a specific task. To achieve this goal, the authors analyzed existing approaches to anomaly detection using clustering methods. Various algorithms and clustering techniques applied within network environments were examined in this study. The comparative analysis highlights the high effectiveness of clustering methods in detecting anomalies in network traffic. These findings support the recommendation to integrate such methods into intrusion detection systems to enhance information security levels. The study identified common features, differences, strengths, and limitations of the different methods. The results offer practical insights for improving intrusion detection systems and strengthening data protection in network infrastructures.

Рассматриваются механизмы воздействия технологических сдвигов на институциональную среду современных макросистем, в том числе на формирование нового мирового порядка, механизмы развития наукоемких компаний, углубление и снятие противоречий между интересами ключевых стейкхолдеров, а также на эффективность действий государства по регулированию возникающих трансформационных процессов

Задача оценки фундаментальной частоты ряда гармоник встречается во многих областях науки и техники. Так, в задачах вибрационной диагностики требуется, например, оценить износ подшипников, что определяется по смещению основания ряда гармоник. При обработке аудиосигналов задача оценки основной частоты связана с автоматической настройкой инструментов. В задаче синтеза речи фундаментальная частота определяет высоту звука. При распознавании речи частота основного тона является важным информационным признаком. В радиотехнике эта задача решается в целях восстановления сигнала, фильтрации и декодирования. В биомедицинской инженерии при анализе ЭКГ, ЭЭГ, голоса, дыхания по основной частоте диагностируются патологии, например, аритмии. В задачах обнаружения и классификации морских судов важнейшим информационным критерием является основание вально-лопастного ряда. В данной работе предлагаются новые подходы для оценки фундаментальной частоты в условиях сильного шума. В целях снижения ошибок предлагается применять метод периодограмм, фильтрацию, автокорреляцию, преобразование Гильберта. Стоит также отметить, что качество оценки основной частоты ряда гармоник в условиях повышенного шума значительно возрастает при подборе оптимальных параметров: размера временно го окна, параметров фильтрации, интервала спектра для автокорреляции, количества автокорреляций.

В данной статье описываются основные подходы к использованию данных комбинированной аэроэлектроразведочной системы для решения обратных задач. Разработаны алгоритмы решения стохастической задачи оценивания параметров горизонтально-слоистой среды при помощи итерационного обобщенного фильтра Калмана. Они позволяют комбинировать параметры отклика во временной и в частотной областях и уменьшить степень неоднозначности решения обратной задачи.

В работе представлен новый метод визуального сопровождения процедуры транскатетерной имплантации аортального клапана (TAVR), основанный на многоуровневом подходе к детекции ключевых точек на рентгеновских изображениях. В отличие от традиционных подходов, авторы предлагают использовать групповую структуру ориентиров (анатомических, инструментальных и контурных), что позволяет учитывать взаимосвязь и совместное появление точек в процессе операции. Для реализации предложена многозадачная нейросетевая архитектура с единым экстрактором признаков и специализированными выходами, выполняющими классификацию видимости и регрессию координат точек каждой группы. В ходе экспериментов проведено сравнение различных базовых моделей (ResNet18, ResNet34, ResNet50, EfficientNet B7, VGG16), среди которых наилучшие показатели продемонстрировала модель на основе ResNet34, достигнув точности классификации (precision) 92,35%, полноты (recall) 96,02% и средней ошибки локализации 25,65 пикселей. Для обучения модели использовались специализированные функции потерь (Focal Loss и Wing Loss), адаптированные под особенности медицинских данных. Результаты подтверждают эффективность и стабильность предлагаемого подхода, открывая перспективы интеграции разработанного алгоритма в реальные клинические системы для повышения точности и безопасности проведения TAVR. Исходный код и материалы доступны в открытом доступе: https://github.com/kn-ru/TAVI/tree/regression.