Стаття

Отримано 12.01.2023

Доопрацьовано 07.05.2023

Прийнято 14.06.2023

Взято з Вип. 113, Ч. 2, 2023

Сторінки 171 -179

Sysoiev, I., Gavrilenko, V., & Kovalchuk, O. (2023). USING NEURAL NETWORKS TO EVALUATE THE COMPLEXITY OF A JSONFORMATTED QUERY. Automobile Roads and Road Construction, (113.2), 171-179. https://doi.org/10.33744/0365-8171-2023-113.2-171-179

ВИКОРИСТАННЯ НЕЙРОННИХ МЕРЕЖ ДЛЯ ОЦІНКИ СКЛАДНОСТІ ЗАПИТУ У ФОРМАТІ JSON

Ілля Сисоєв Валерій Гавриленко Оксана Ковальчук

У даній статті розглядатиметься використання нейронних мереж для оцінки складності запиту у форматі JSON як з теоретичної, так і з практичної сторони. Проводиться теоретичний опис нейронних мереж, їх складових та особливостей, та розкривається питання складності запиту у форматі JSON. Також пропонується системний підхід до оцінки та порівняння обчислювальної складності рівнів нейронної мережі в тестовій обробці сигналів JSON. Пов’язуються показники складності програмного забезпечення та апаратного забезпечення, визначаючи їх як гіперпараметри шарів нейромережі. У роботі пояснюється, як обчислити метрики для прямого та повторюваного рівнів, а також визначається, у якому випадку має використовуватися певна метрика в залежності від програмного модуля, зорієнтованого на програмне або апаратне забезпечення. Ця робота може бути корисною для отримання різних рівнів (цілей) оцінки складності, пов’язаної із застосуванням нейронних мереж у тестовій обробці сигналів у реальному часі, а також для уніфікації оцінки обчислювальної складності

нейронні мережі, JSON, балансування, розробка алгоритму
  1. Sysoiev, I.K., & Havrylenko, V.V. (2022). Adaptive load balancing algorithm in applications using containerization technology. Systems of Control, Navigation and Communication. Collection of Scientific Papers, 1(67), 81-83.
  2. Havrylenko, V.V., & Sysoiev, I.K. (2019). Design of auto-scalable high-load applications. In Proceedings of the VII international scientific and technical conference “Problems of informatization” (p. 15). Kharkiv.
  3. Sysoiev, I.K., & Havrylenko, V.V. (2021). Adaptive load balancing algorithm in applications using containerization technology. In Proceedings of the VIII international internet scientific and technical conference “Modern methods, information, software and technical support of control systems for organizational-technical and technological complexes” (p. 272). Kyiv: National University of Food Technologies.
  4. Havrylenko, V.V., & Sysoiev, I.K. (2019). Management of containers for high-load applications in IT systems. In Proceedings of the III All-Ukrainian scientific and technical conference “Problems of infocommunications”. Poltava-Kyiv-Kharkiv-Minsk.
  5. Havrylenko, V.V., Ivanchenko, H.F., & Shevchenko, H.Ye. (2015). Theory of pattern recognition: Textbook for students of National Transport University majoring in “Computer Science”. Kyiv: NTU.
  6. Crane, M., & Lin, J. (2017). An exploration of serverless architectures for information retrieval. In Proceedings of the 3rd ACM international conference on the theory of information retrieval (ICTIR 2017) (pp. 241-244). Amsterdam.
  7. DeCandia, G., Hastorun, D., Jampani, M., Kakulapati, G., Lakshman, A., Pilchin, A., Sivasubramanian, S., Vosshall, P., & Vogels, W. (2007). Dynamo: Amazon’s highly available key-value store. In Proceedings of the 21st ACM symposium on operating systems principles (SOSP 2007) (pp. 205-220). Stevenson.
  8. Kim, Y. (2014). Convolutional neural networks for sentence classification. In Proceedings of the 2014 Conference on empirical methods in natural language processing (EMNLP 2014) (pp. 1746-1751). Doha.
  9. Mikolov, T., Chen, K., Corrado, G., & Dean, J. (2013). Efficient estimation of word representations in vector space. doi: 10.48550/arXiv.1301.3781.
  10. Olston, C., Fiedel, N., Gorovoy, K., Harmsen, J., Lao, L., Li, F., Rajashekhar, V., Ramesh, S., & Soyke, J. (2017). TensorFlow-Serving: Flexible, high-performance ML serving. doi: 10.48550/arXiv.1712.06139.
  11. Rao, J., He, H., & Lin, J. (2017). Experiments with convolutional neural network models for answer selection. In Proceedings of the 40th international ACM SIGIR conference on research and development in information retrieval (pp. 1217-1220). New York: ACM.
  12. Severyn, A., & Moschitti, A. (2015). Learning to rank short text pairs with convolutional deep neural networks. In Proceedings of the 38th annual international ACM SIGIR conference on research and development in information retrieval (SIGIR 2015) (pp. 373-382). Santiago.
  13. Sysoiev, I.K., Havrylenko, V.V., Shumeiko, O.A., Rudoman, N.V., & Donets, V.V. (2022). Prospects of the Python algorithmic language in mastering machine learning disciplines by students. Bulletin of the National Transport University. Series “Technical Sciences”. Scientific and Technical Collection, 3(53), 337-343. 
  14. Havrylenko, V.V., Sysoiev, I.K., & Liashko, A.V. (2023). Use of artificial neural networks for query complexity assessment. In Proceedings of the V international scientific and practical conference “Modern trends in the development of information systems and telecommunication technologies”. Kyiv: National University of Food Technologies.

https://doi.org/10.33744/0365-8171-2023-113.2-171-179