ИнфоМ - Часопис за информационе технологије и мултимедијалне системе

Учесталост малих и великих слова, биграма и триграма у српском језику

2025-02-25T09:41:03+00:00

Ова студија представља свеобухватну анализу учесталости слова, биграма и триграма у српском језику ћириличним писмом. Користећи корпус од приближно 4 милиона карактера из различитих књижевних дела, новина и онлајн енциклопедије, израчунали смо учесталост великих и малих слова, као и биграма и триграма. Наши налази откривају различите обрасце у српском језику, укључујући распрострањеност одређених слова и словних комбинација. Ови резултати су у великој мери усклађени са претходним студијама о српском и хрватском језику, уз извесне варијације због дијалекатских разлика. Ово истраживање даје значајне податке за примену у криптографији, обради природног језика и лингвистичким студијама специфичним за српски језик.

Детекција упада у системе за управљање садржајем применом регуларних израза

2025-02-25T09:41:07+00:00

Све већа присутност веб-сајтова заснованих на системима за управљање садржајем (CMS платформама) навела је нападаче на развијање мноштва злонамерних алата и стратегија и покренула питање безбедности система за управљање садржајем. Овај рад истражује изазове и решења за унапређење безбедности на веб страницама које користе CMS. Како CMS платформе омогућавају корисницима креирање и управљање дигиталним садржајем, истовремено привлаче пажњу нападача који траже рањивости веб-сајтова. Рад спроводи свеобухватну анализу безбедносних мера специфичних за CMS, бавећи се питањима као што су аутентификација корисника, интегритет података и заштита од уобичајених веб напада. Поред тога, рад даје увид у основне принципе система за откривање напада (IDS), правећи разлику између детекције засноване на потписима и аномалијама. Пружа критичку анализу предности и ограничења имплементација IDS-a. Такође, укључује развој апликације за анализу веб логова, која углавном употребом регуларних израза, може да препозна обрасце који указују на злонамерне активности.

Детекција ARP Spoofing, SYN и PING Flood напада коришћењем модела машинског учења

2025-02-25T09:41:14+00:00

Sigurnost uređaja u okruženjima Interneta stvari (IoT) i koncepta “Donesi svoj uređaj” (BYOD) postaje sve veći izazov kako se bežične mreže šire. Ovaj rad predstavlja sveobuhvatnu studiju koja koristi modele mašinskog učenja za otkrivanje tri uobičajena sajber napada u bežičnim mrežama: ARP Spoofing, SYN i PING Flood. Podaci o mrežnom saobraćaju prikupljeni su korišćenjem alata Wireshark, a evaluirani su različiti modeli mašinskog učenja, uključujući CatBoost, LightGBM, Random Forest, Gradient Boosting, XGBoost, Naivni Bajes, K-najbližih suseda (KNN) i Logističku regresiju. Među njima, CatBoost je pokazao superiorne rezultate u detekciji SYN Flood napada, postigavši tačnost od 96,53% i ROC-AUC vrednost od 0,9961. Za detekciju ARP Spoofing napada, Random Forest se istakao sa tačnošću od 97,00% i ROC-AUC od 0,9945. U poređenju sa ostalima, Naivni Bajes je nadmašio druge modele u detekciji PING Flood napada sa tačnošću od 97,83% i ROC-AUC od 0,9977. Ovi rezultati ukazuju na veliki potencijal modela mašinskog učenja, posebno CatBoost i Naivnog Bajesa, u značajnom unapređenju detekcije različitih sajber pretnji u realnom vremenu. Ovi modeli predstavljaju ključne alate za obezbeđivanje IoT i BYOD ekosistema u praktičnim, stvarnim primenama.

Python библиотеке за рад са правилима

2025-02-25T09:41:20+00:00

U ovom radu se daje kratak prikaz oblasti sistema zasnovanih na pravilima kao podoblasti veštačke inteligencije, sa posebnim naglaskom na alate potrebne za njihov razvoj. Glavni cilj je pružiti analizu i pregled popularnih Python biblioteka koje se koriste za razvoj ovakvih sistema. Rad počinje teorijskim osvrtom na osnovne koncepte koji se koriste prilikom razvoja sistema zasnovanih na pravilima. Posebna pažnja je posvećena analizi tri Python biblioteke: Pyke, Experta i Durable rules. Praktični deo rada ilustruje se kroz demonstracioni primer - razvoj sistema za unapređenje operativnih procesa u baletskom studiju. Ovaj primer demonstrira kako se pravila mogu implementirati korišćenjem svake od navedenih biblioteka. Na kraju, izvršena je uporedna analiza ovih biblioteka sa istaknutim prednostima i manama svake od njih.

Развој система за подршку одлучивању у процесу обуке војника

2025-02-25T09:41:25+00:00

Овај рад представља систем за подршку у одлучивању примењен при обуци младих војника и кадета током прве две године Војне академије, са акцентом на вештине гађања коришћењем DIDEX методологије. За потребе развоја система, праћени су кадети у Војној академији који су учествовали у обуци путем симулатора који омогућава ефикасније усвајање вештина гађања кроз реалистичне сценарије. Истраживање је показало да кадети који су учествовали у обуци путем симулатора, посебно они који су вежбали два пута недељно, имају значајно боље резултате у гађању у поређењу са контролном групом и онима који су вежбали једном недељно. Међутим, просторни капацитет ограничавају употребу симулатора те је неопходно проценити којем полазнику треба понудити обуку путем симулатора. Развијени систем за подршку одлучивању показују да комбинација симулација и циљаног саветовања има потенцијал да значајно побољша резултате у гађању. Такође, развијени систем за подршку одлучивању заснованог на DIDEX методологији пружа персонализоване препоруке за обуку, усмерене на појединачне потребе стрелаца.

Квантификација категоричких атрибута за примену алгоритама машинског учења

2025-02-25T09:41:32+00:00

Овај рад истражује различите методе квантификације категоричких атрибута за примену алгоритама машинског учења. Категорички атрибути представљају информације које најчешће описују квалитативне карактеристике, често пристутне у реалним скуповима података, попут пола, боје, образовног нивоа, позиције у фирми и слично. Квантификација таквих атрибута је важна јер већина алгоритама машинског учења захтева нумеричке улазе. Игнорисање категоричких (квалитативних) атрибута може значајно да смањи количину информација у скуповима података и последично да утиче на квалитет изграђених модела. У овом раду ће бити описане и примењене неке од популарних метода за квантификацију попут One-hot encoding-а, Target encoding-a, Count encoding-a и других. У оквиру експерименталне евалуацијеОве методе биће примењене над неколико скупова података који садрже различите типове категоричких атрибута, а затим ће се након примена алгоритама машинског учења сагледати и њихове перформансе. Резултати истраживања пружиће дубље разумевање метода за квантификацију и њихових ефеката на перформансе алгоритама.

Анализа и евалуација промене концепта излазне променљиве у машинском учењу

2025-02-25T09:41:37+00:00

Модели машинског учења се сусрећу са променама у расподелама података, које могу утицати на перформансе и поузданост модела. Промене у подацима су најчешће узроковане догађајима из окружења и променама у корисничким преференцијама. Дешава се да су у реалном окружењу промене изненадне и ефикасно прилагођавање модела на исте изостаје. Описани проблем се назива промена концепта излазне променљиве (енг. Concept drift), док уочавање, праћење и решавање проблема промене концепта излазне променљиве побољшава стабилност модела. Технике за уочавање промена омогућавају континуалну анализу, али и прилагођавање модела променама.

У раду је дата свеобухватна дефиниција промене концепта излазне променљиве, уз истицање разлике између ове промене и промене у расподели улазних података, циљног атрибута и предикција, као и јасна дистинкција типова промене концепта излазне променљиве.

Истраживање је спроведено над скуповима података банке Banca Intesa ad Beograd, припремљеним тако да прате различите значајне догађаје у протекле четири године, са циљем симулације динамичног окружења у ком банка послује. Додатно, решаван је проблем бинарне класификације предвиђања продаје готовинских кредита, као једног од најзначајнијих производа банке. Истраживање се темељи на коришћењу одабраних метода за уочавање промене у расподелама улазних података, циљног атрибута, предикција и промене концепта излазне променљиве, које одговарају датом проблему бинарне класификације, моделу машинског учења и јавно су доступне.

Циљ истраживања је испитати постојање промена концепта излазне променљиве за одговарајући скуп података и одговарајући модел машинског учења. Уочавање свих врста промена омогућава боље разумевање животног циклуса модела и временског оквира у ком користимо модел машинског учења. За крај, дат je предлог корекције уочених промена.