2026 №3(72)

выход в свет 30.09.2026 

СОДЕРЖАНИЕ

  1. Рахмани Д., Харисова Д. Р. Автотюнинг производительности веб-приложений по SLO: наблюдаемость, диагностика и безопасные оптимизации
  2. Соколова О. Д., Кратов С. В., Ткачев К. В. Современные системы мониторинга чрезвычайных ситуаций в окружающей природной среде. Обзор публикаций
  3. Куликов И. М. Технология решения задачи Римана с помощью метода Хартена - Лакса - ван Леера
  4. Монахов О. Г., Монахова Э. А. Построение и оптимизация топологических структур регулярных сетей с параметрическим описанием      
  5. Перепелкин В. А., Титов И. И., Подколодный Н. Л., Матус Н. Е., Шевелев Е. И., Колчанов Н. А., Марченко М. А. Построение базы активных знаний для автоматического решения задачи анализа вторичной структуры РНК

Д. Рахмани, Д. Р. Харисова

Московский технический университет связи и информатики, 111024, Москва, Россия

АВТОТЮНИНГ ПРОИЗВОДИТЕЛЬНОСТИ ВЕБ-ПРИЛОЖЕНИЙ ПО SLO: НАБЛЮДАЕМОСТЬ, ДИАГНОСТИКА И БЕЗОПАСНЫЕ ОПТИМИЗАЦИИ

УДК 004.056:004.75
DOI: 10.24412/2073-0667-2026-3-5-14
EDN: BQVXUI

В статье представлен подход к полуавтоматизированному улучшению производительности веб-приложений на основе rule-based пайплайна, интегрирующего целевые показатели обслуживания (SLO) и данные наблюдаемости (метрики, логи, трассировки). Методология включает выявление проблемных зон по симптомам, каталог оптимизаций и процедуру экспериментальной верификации воздействия на 95-й перцентиль задержки, частоту ошибок и эксплуатационные расходы. Фокус сделан на приложениях для энергетических компаний. Новизна состоит в критериях выбора оптимизаций, учитывающих не только ускорение, но и риск отката, стоимость и влияние на устойчивость, а также в протоколе A/B-тестирования с bootstrap-доверительными интервалами. Экспериментальная проверка на сценариях ввода показаний, платежей, доступа к аккаунту и регистрации обращений показала снижение p95 задержки на 48–55 % (bootstrap 95 % CI для Δp95 от 1,4 до 2,3 с), частоты ошибок на 70–93 % и эксплуатационных расходов на 40–58 % (по отдельным операциям) относительно baseline. Агрегированная экономия составила 42 %.

Ключевые слова: веб-приложения, производительность, целевые показатели обслуживания, наблюдаемость, автотюнинг, диагностика узких мест, A/B-тестирование, перцентили задержки, безопасные оптимизации, DevOps, SRE.

Список литературы

1.         Beyer B. et al. Site Reliability Engineering: How Google Runs Production Systems. O’Reilly Media, 2016.
2.         Newman S. Building Microservices. O’Reilly Media, 2015.
3.         Richardson C. Microservices Patterns. Manning Publications, 2018.
4.         Prometheus Documentation. CNCF, 2024.
5.         OpenTelemetry Specification. CNCF, 2024.
6.         Elasticsearch Guide. Elastic, 2024.
7.         Dynatrace Documentation: SLO Definitions. Dynatrace, 2024.
8.         Ahmed F. et al. A Survey of AIOps for IT Operations // ACM Computing Surveys. 2023.
9.         Gan Y. et al. An Automated Performance Tuning Framework for Microservices via Bayesian Optimization // IEEE Trans. Cloud Computing. 2022.
10.       Mariani L. et al. Machine Learning for Self-Adaptive Systems: a Systematic Mapping Study // ACM Trans. Auton. Adapt. Syst. 2021.
11.       Notaro P. et al. A Systematic Review of AIOps: Methods, Tools, and Challenges // ACM Comput. Surv. 2023.
12.       Zheng Z. et al. Safe Rollout of Configuration Changes via Canary Analysis and Regression Detection // Proc. of OSDI. 2020.
13.       Elnaffar S., Martin P. An Adaptive Approach to Index Selection in Database Systems // Information Systems. 2004.
14.       Рахмани Д., Баранов М. Д., Кузьмин Д. А. Разработка метода оптимизации веб¬приложений с целью повышения производительности // Международный журнал гуманитарных и естественных наук. 2025. № 3-1 (102). С. 237–241.
15.       Рахмани Д. Д., Дружинин Ю. С., Михайлов К. А. Тенденции развития и внедрения DWH в инфраструктуру компаний // Нефть и газ: опыт и инновации. 2025. Т. 9, № 2-1. С. 3–14.
16.       WebAssembly Benchmarks 2025. W3C, 2025.
17.       Case Study: Travel Search Optimization with Redis. Redis Labs, 2023.
18.       Kafka in Banking: Latency Reduction. Confluent, 2024.
 
Библиографическая ссылка: Рахмани Д., Харисова Д. Р. Автотюнинг производительности веб-приложений по SLO: наблюдаемость, диагностика и безопасные оптимизации //
"Проблемы информатики", 2026, № 3, с.5-14.  DOI: 10.24412/2073-0667-2026-3-5-14

О. Д. Соколова, С. В. Кратов, К. В. Ткачев

Институт вычислительной математики и математической геофизики СО РАН, 630090, Новосибирск, Россия

СОВРЕМЕННЫЕ СИСТЕМЫ МОНИТОРИНГА ЧРЕЗВЫЧАЙНЫХ СИТУАЦИЙ В ОКРУЖАЮЩЕЙ ПРИРОДНОЙ СРЕДЕ. ОБЗОР ПУБЛИКАЦИЙ

УДК 004.8, 504.064, 528.8
DOI: 10.24412/2073-0667-2026-3-15-39
EDN: JZMKOK

В последние годы в окружающей природной среде заметны изменения, которые приводят к увеличению числа стихийных бедствий. Причинами этого являются рост промышленного производства, выбросы вредных веществ в атмосферу. Требования к мониторингу состояния окружающей среды все время возрастают, т. к. для своевременного реагирования на возникающие чрезвычайные ситуации необходимо получать актуальную информацию о состоянии воздуха, воды, лесных массивов, чтобы обеспечить принятие мер и минимизировать последствия. Публикации на эту тему как в российских, так и в зарубежных научных журналах отмечают, что современный мониторинг требует точных методов и инструментов для наблюдений в атмосфере и прогнозирования возможных стихийных бедствий, их масштабов. Авторы в своих исследованиях описывают современные технологии мониторинга экологических систем, математические методы и модели для выявления и прогнозирования различных видов стихийных бедствий. Основной тенденцией становится переход от стационарных станций мониторинга к интеллектуальным сетям датчиков на базе Интернета вещей и облачных платформ, т. к. это позволяет собирать точные данные в режиме реального времени. Далее в статье представлен аналитический обзор публикаций по теме применения современных методов для мониторинга трех наиболее актуальных бедствий: лесных пожаров, нефтяных разливов, наводнений. Также приводится обзор исследований, в которых описывается применение методов искусственного интеллекта (ИИ) в системах мониторинга окружающей среды.

Ключевые слова: мониторинг окружающей среды, дистанционное зондирование Земли, геоинформационные системы (ГИС), сети сбора и передачи данных, методы искусственного интеллекта (ИИ).

Исследование выполнено в рамках государственного задания ИВМ и МГ СО РАН FWNM-2025-0005.

Список литературы

1.         Малышев В. П. Глобальные тенденции повышения риска природных бедствий и возмож¬ные направления смягчения их последствий в России // Проблемы анализа риска. 2023. Т. 20. N 4. С. 10–27.
2.         Макиев Ю. Д. Современные тенденции природных бедствий и развитие системы монито¬ринга бедствий и катастроф в России // Стратегия гражданской защиты: проблемы и исследо¬вания. 2012. N 1(2). С. 64–69
3.         Павлов Н. И., Кулеш М. М. Глобальные системы мониторинга окружающей среды и фоновый мониторинг // Вестник ДВГАЭУ. 2000. N 4 (16). С. 66–75.
4.         Соколова О. Д., Матерухин А. В. Аналитический обзор современных информацион¬ных технологий в области сбора, обработки и анализа данных, применяемых для мониторинга загрязнения атмосферного воздуха // Проблемы информатики. 2020. N 1. C. 21–34.
5.         Preethichandra D. M. G., Piyathilaka L., Izhar U. Review on Robotic Systems for Environmental Monitoring // IEEE Open Journal of Instrumentation and Measurement. 2024. PP. 1–1.
6.         Родионов А. С., Маткурбанов Т. А., Хайруллаев У. Б. Оптимизация траектории по¬лета БПЛА для мониторинга сельскохозяйственных земель // Проблемы информатики. 2025. N 1(66). С. 5–17.
7.         Родионов А. С., Маткурбанов Т. А. Планирование траектории полета БПЛА при мо¬ниторинге большой области // Информатика и автоматизация. 2025. N 3. Т. 24. С. 791–827.
8.         Мухаметов Д. И., Атнабаев А. Ф., Шаймарданов Д. А., Павлова Л. Г. Роль дан¬ных дистанционного зондирования земли в оценке влияния человека на окружающую среду // Бюллетень науки и практики. 2024. Т. 10. N 6. С. 90–94.
9.         Гончар А. Д., Нигматуллин А. В., Атнабаев А. Ф. Применение технологий дистан¬ционного зондирования Земли для мониторинга особо охраняемых природных территорий // Бюллетень науки и практики. 2024. N 6. Т. 10. С. 81–85.
10.       Шаймарданов Д. А., Атнабаев А. Ф., Мухаметов Д. И., Павлова Л. Г. Состояние и перспективы использования данных дистанционного зондирования земли для обнаружения природных пожаров //Бюллетень науки и практики. 2024.Т.10. N 7.С. 77–81.
11.       Кичайкин Д. Е. Космические системы мониторинга окружающей среды // Междуна¬родный научный журнал «Вестник науки». 2025. N 4 (85). Т. 4.
12.       Майорова В. И., Гришко Д. А., Муравьев В. В., Топорков А. Г. Использование космических средств наблюдения для мониторинга локальных экосистем // Вестник Московского государственного технического университета им. Н. Э. Баумана. 2012. № 8(8). С. 182–192.
13.       Привалов А. Е., Зубачев А. М., Власов Р. П., Данилюк Б. А. Методика интеграции многоагентных моделей в технологию управления многоспутниковыми космическими системами мониторинга // Известия Тульского государственного университета. Технические науки. 2023. Вып. 2. С. 193–197.
14.       Раздроков Е. Н., Волков Д. В. Перспективы использования цифровых технологий в мониторинге лесных пожаров северных регионов // Дискуссия. 2025. N 5 (138). С. 78–85.
15.       Секерин И. М. Организация обнаружения лесных пожаров с использованием беспилот¬ных летательных аппаратов // Леса России и хозяйство в них. 2025. N 4 (95). C. 77–85.
16.       Заворотный А. Г., Лавлинский И. В. Комплексный анализ параметров эффективно¬сти применения беспилотных авиационных систем для мониторинга лесных пожаров // Пожары и чрезвычайные ситуации: предупреждение, ликвидация. 2025. N 3. С. 59–71.
17.       Кислинская Ю. Г., Липатова Т. А. Современные системы мониторинга, обнаружения и предупреждения лесных пожаров // Вестник науки. 2024. N 5 (74). Т. 4.
18.       Долматов С. Н., Колесников П. Г., Черников Д. Ю., Гарифулин В. Ф. Использова¬ние широкополосного радиодоступа и технологий дистанционного мониторинга для обнаружения и управления тушением лесных пожаров // Хвойные бореальной зоны. 2023. N 1. Т. XLI. С. 24–32.
19.       Беляев А. Э., Будевич Е. А., Вычерова Н. Р. Система обнаружения лесных пожаров с использованием оптимизированных беспроводных сенсорных сетей Zigbee на солнечных батареях // Системы Методы Технологии. 2021. N 4 (52). С. 87–96.
20.       Li Z., Li X., Shang J. Forest Fire Monitoring and Energy Optimization Based on LoRa-Mesh Wireless Communication Technology // Electronics. 2025. N 14. P. 4135.
21.       Кузнецова И. А., Сериков К. К. Анализ лесных пожаров в резервате «Семей орманы»: применение машинного обучения в Google Earth Engine // Научно-образовательный журнал для студентов и преподавателей «StudNet». 2021. N 5.
22.       Балобанов А. А., Скрипка А. В., Музыченко С. А. Совершенствование системы мо¬ниторинга и прогнозирования лесопожарной обстановки на территории Новосибирской области // Современные проблемы гражданской защиты. 2023. N 4 (49). С. 6–11.
23.       Проценко П. А., Хуббиев Р. В. Методика ранжирования космических аппаратов ди¬станционного зондирования Земли с целью оперативного мониторинга чрезвычайных ситуаций // Труды МАИ. 2021. N 119. С. 1–29.
24.       Маглинец Ю. А., Раевич К. В., Шатров Р. А., Брежнев Р. В., Михалев А. С., Ма¬тюнин В. М., Антипова Е. А. Автоматизация процесса обнаружения лесных пожаров по дан¬ным дистанционного зондирования Арктика-М // Международный научно-исследовательский журнал. 2024. N 11 (149).
25.       Маглинец Ю. А., Раевич К. В., Брежнев Р. В., Шатров Р. А., Михалев А. С., Антипова Е. А., Матюнин В. М. Концептуальное проектирование системы мониторинга и анализа динамики лесных пожаров // Международный научно-исследовательский журнал. 2024. N 10 (148).
26.       Маглинец Ю. А., Брежнев Р. В., Михалев А. С., Раевич К. В., Матюнин В. М., Шатров Р. А., Антипова Е. А., Цибульский Г. М. Сервис мониторинга природ¬ных пожаров по данным спутниковой группировки «Арктика-М» // Международный научно¬исследовательский журнал. 2024. N 11 (149).
27.       Gao B., Jia W., Wang Q., Yang G. All-Weather Forest Fire Automatic Monitoring and Early Warning Application Based on Multi-Source Remote Sensing Data: Case Study of Yunnan // Fire. 2025. N 8. P. 344.
28.       Дородных Н. О., Николайчук О. А., Пестова Ю. В., Юрин А. Ю. Использование прецедентного подхода для прогнозирования риска лесных пожаров // Вычислительные техно¬логии. 2022. N 5. Т. 27. С. 43–54.
29.       Chicas S. D., Nielsen J. O. Who are the actors and what are the factors that are used in models to map forest fire susceptibility? A systematic review // Natural Hazards. 2022. N 114. P. 2417–2434
30.       Терентьева О. А. Алгоритмическое и программное приложение для решения задачи го¬товности многокомпонентной лесной экосистемы к ситуации наличия риска возгорания на при¬мере лесов Омской области // Математические структуры и моделирование. 2024. N 2 (70). С. 105–112.
31.       Deepwater Horizon. [Электрон. Рес.]: https://darrp.noaa.gov/oil- spills/deepwater- horizon (дата обращения 03.04.2026).
32.       Xie M., Li Y., Zhang Z., Fu Q., Jiang H. Remote sensing of the oil spills caused by ships: A review // Marine Pollution Bulletin. 2025. V. 214, P. 117754.
33.       Ушаков И. Е. Радиолокационный мониторинг загрязнений морской поверхности нефте¬продуктами с буровых платформ и транспортных судов // Записки Горного института. 2016. Т. 219. С. 421–427. DOI: 10.18454/PMI.2016.3.421
34.       Сквазников М. А., Колыгин Д. Л. Оценивание экологической обстановки в районах хранения и транспортировки нефти и нефтепродуктов на основе использования данных косми¬ческого мониторинга // Вестник СГУГиТ. 2025. N 1. Т. 30. С. 77–87.
35.       Новохатин В. В., Осипова Н. Г. Космический мониторинг аварийных нефтеразливов в пределах лицензионных участков на территории Западной Сибири // Московский экономический журнал. 2021. N 3. С. 57–63.
36.       Del’Papa R., Scafutto M., Lassalle G., Nopper Alves M., de Paula Miranda L., Martins P., da Costa O., de Souza Filho C. R. Monitoring oil spill thickness and weathering using UAV-borne hyperspectral sensing // Marine Pollution Bulletin. 2025. V. 218. P. 118134.
37.       Oil Spill Science and Technology. Fingas & Brown. Gulf Professional Publishing (Elsevier). 2017. ISBN: 978-0-12-809413-6.
38.       Подробно об оптическом детекторе ROW и его участии в проекте DIGIMARIS в Фин¬ском заливе. [Электрон. Рес.]: https://www.ldi.ee/ru/oil-spill-protection-in-the-gulf-of- finland/ (дата обращения 03.04.2026).
39.       Rathour S. S., Kato N., Senga H., Tanabe T., Yoshie M., Tanaka T. Development of a Robotic Floating Buoy for Autonomously Tracking Oil Slicks Drifting on the Sea Surface (SOTAB- II): Experimental Results // Kato, N. (eds) Applications to Marine Disaster Prevention. 2017. Tokyo: Springer.
40.       ICP DAS ZigBee. [Электрон. Рес.]: https://icpdas.ru/blog/minimizatsiya-opasnyh- utechek- na- neftepererabatyvayushchem- zavode (дата обращения 03.04.2026).
41.       Poudel B., Xie J., Guo C., Watt O. E., Pulster E. L., Patel R. J., Steevens J. A., Xu D. Real-time oil spill concentration assessment through fluorescence imaging and deep learning // J Hazard Mater. 2025. PMID: 40818234.
42.       Шержуков Е. Л., Магрицкий Д. В., Ткаченко Ю. Ю. Автоматизация мониторинга уровней воды и прогноза быстроразвивающихся наводнений // Материалы конференции «Про¬блемы гидрометеорологического обеспечения хозяйственной деятельности в условиях изменяю¬щегося климата». 2015. С. 53–55.
43.       Павлова Л. Г., Шаймарданов Д. А., Атнабаев А. Ф., Мухаметов Д. И. Монито¬ринг паводков на основе дистанционного зондирования земли // Бюллетень науки и практики, 2024, Т.10, N 7. С. 82–85.
44.       Винокурова А. Г., Чермошенцев А. Ю. Анализ возможности применения радиолока¬ционных данных дистанционного зондирования для оперативного определения зон паводкового подтопления. // Интерэкспо Гео-Сибирь. 2019, Т. 6. С. 39–45.
45.       Васильева Е. С., Белякова П. А., Алексюк А. И., Селезнева Н. В., Беликов В. В. Моделирование быстроразвивающихся паводков на малых реках Северного Кавказа с использо-
ванием современных данных автоматизированной гидрометеорологической сети // Водные ре¬сурсы. 2021. N 2. Т. 48. С. 135–146.
46.       Архипкин О. П., Сагатдинова Г. Н., Бралинова Ж. А. Оценка потенциального раз¬вития паводков на основе анализа многолетних временных рядов ДДЗ // Современные проблемы дистанционного зондирования Земли из космоса. 2014. N 4. Т. 11. С. 127–136.
47.       Prakash C., Barthwal A., Acharya D. FLOODWALL: A real-time flash flood monitoring and forecasting system using IoT // IEEE Sens. J. 2022. N 23. P. 787–799.
48.       Goyal H. R., Ghashala K. K., Sharma S. Post flood management system based on smart IoT devices using AI approach // Meterialstoday Proc. 2021, N 46, P. 10411–10417.
49.       Choosumrong S., Piyathamrongchai K., Hataitara R., Soteyome U., Konkong N., Chalongsuppunyoo R., Raghavan V., Nemoto T. Development of an IoT-Based Flood Monitoring System Integrated with GIS for Lowland Agricultural Areas // Sensors. 2025. N 25. P. 5477.
50.       Munawar H. S., Hammad A. W. A., Waller S. T. Remote Sensing Methods for Flood Prediction: A Review // Sensors. 2022. N 22. P. 960.
51.       National Water Dashboard. [Электрон. Рес.]: https://dashboard.waterdata.usgs.gov/app/ nwd/en/ (дата обращения 21.08.2026).
52.       Абрамов Г. М., Ступина С. А. Мониторинг, моделирование и прогнозирование опасных природных явлений и чрезвычайных ситуаций // Вестник науки. 2025. N 11(92).
53.       Islam, Samiul F. A. The Role of Artificial Intelligence in Environmental Monitoring for Sustainable Development and Future Perspectives // Journal of Global Ecology and Environment. 2025. N 21 (2). P. 164–179.
54.       Соколова О. Д., Ткачев К. В., Юргенсон А. Н., Кратов С. В., Шахов В. В. Со¬временные системы мониторинга качества воздуха // Информационные процессы. 2026. N 1. Т. 26. С. 187–209.
55.       Родионов А. М., Иванов С. А. Анализ современных моделей и информационных систем при прогнозировании и мониторинге лесных пожаров // Экономика. Информатика. 2023. N 4. Т. 50. С. 913–923.
56.       Faroudja Abid. A Survey of Machine Learning Algorithms Based Forest Fires Prediction and Detection Systems // Fire Technology. 2021. N 57, P. 559–590.
57.       Olawade D. B., Wada O. Z., Ige A. O., Egbewole B. I., Olojo A., Oladapo B. I. Artificial intelligence in environmental monitoring: Advancements, challenges, and future directions // Hygiene and Environmental Health Advances. 2024. V. 12, P. 100114.
58.       Mishra D., Mishra R., Agarwal R. Artificial intelligence and big data in environmental monitoring and decision support: revolutionizing ecosystem management. N. 11. PP. 29–39.
59.       Сидоренков В. М., Мартынюк А. А., Ачиколова Ю. С., Сережкин А. В., Аваков Я. А., Капиталинин Д. Ю. Применение сверточных нейронных сетей при дешифрировании спутниковых данных для решения отдельных лесохозяйственных задач: аналитический обзор // Лесохозяйственная информация. 2025. N 4. С. 103–127.
60.       Kiranmai N., Ramana Murthy B. V. A review on Smart Environment Monitoring Systems using Sensors // International Journal of Emerging Technologies and Innovative Research. 2021. I. 1. V. 8. P. 142–145.
61.       Ullo S. L., Sinha G. R. Advances in Smart Environment Monitoring Systems Using IoT and Sensors // Sensors. 2020. N 20. P. 3113
 
Библиографическая ссылка: Соколова О. Д., Кратов С. В., Ткачев К. В. Современные системы мониторинга чрезвычайных ситуаций в окружающей природной среде. Обзор публикаций //
"Проблемы информатики", 2026, № 3, с.15-39.  DOI: 10.24412/2073-0667-2026-3-15-39

И. М. Куликов

Институт вычислительной математики и математической геофизики СО РАН, 630090, Новосибирск, Россия

ТЕХНОЛОГИЯ РЕШЕНИЯ ЗАДАЧИ РИМАНА С ПОМОЩЬЮ МЕТОДА ХАРТЕНА - ЛАКСА - ВАН ЛЕЕРА

УДК 519.63
DOI: 10.24412/2073-0667-2026-3-40-59
EDN: KSFDLN

Использование метода типа Хартена - Лакса - ван Леера с учетом контактного разрыва (HLLC, Harten - Lax - van Leer Contact в зарубежной литературе) для решения задачи Римана в рамках схемы Годунова при решении уравнений гиперболического типа является одним из наиболее эффективных методов. Такая эффективность достигается специальным учетом тангенциального разрыва в сплошной среде, ошибка в котором не имеет численного механизма к самопроизведению, что приводит к значительному уменьшению численной диссипации схемы Годунова в целом. В представленной статье изложена единая технология построения решения задачи Римана для уравнений идеальной газовой динамики, идеальной магнитной газовой динамики, специальной релятивистской газовой динамики и специальной релятивистской магнитной газовой динамики, что покрывает большинство математических моделей эволюции космической плазмы. В основе технологии лежит запись уравнений в виде симметрической гиперболической системы, для которой предложена единая схема вычисления соотношений на контактном разрыве, с учетом кусочно-параболической реконструкции физических переменных. Верификация разработанного математического аппарата проведена на классических одномерных тестах, допускающих аналитическое решение.

Ключевые слова: схема Годунова, методы HLL/HLLC, задача Римана.

Исследования выполнены в рамках государственного задания ИВМ и МГ СО РАН FWNM-2025-0005.

Список литературы

  1. Toro E. F., Spruce M., Speares W. Restoration of the contact surface in the HLL-Riemann solver // Shock Waves. 1994. Vol. 4. P. 25–34. DOI 10.1007/BF01414629.
  2. Toro E. F. The HLLC Riemann solver // Shock Waves. 2019. Vol. 29. P. 1065–1082. DOI 10.1007/s00193-019-00912-4.
  3. Li S. An HLLC Riemann solver for magneto-hydrodynamics // Journal of Computational Physics. 2005. Vol. 203. P. 344–357. DOI 10.1016/j.jcp.2004.08.020.
  4. Mignone A., Bodo G. An HLLC Riemann solver for relativistic flows — I. Hydrodynamics // Monthly Notices of the Royal Astronomical Society. 2005. Vol. 364. P. 126–136. DOI 10.1111/j.1365- 2966.2005.09546.x.
  5. Mignone A., Bodo G. An HLLC Riemann solver for relativistic flows — II. Magnetohydrodynamics // Monthly Notices of the Royal Astronomical Society. 2006. Vol. 368. P. 1040–1054. DOI 10.1111/j.1365-2966.2006.10162.x.
  6. Honkkila V., Janhunen P. HLLC solver for ideal relativistic MHD // Journal of Computational Physics. 2007. Vol. 223. P. 643–656. DOI 10.1016/j.jcp.2006.09.027.
  7. Kim J., Balsara D. A stable HLLC Riemann solver for relativistic magnetohydrodynamics // Journal of Computational Physics. 2014. Vol. 270. P. 634–639. DOI 10.1016/j.jcp.2014.04.023.
  8. Vorobyov E., Kulikov I., Elbakyan V., McKevitt J., Guedel M. Dust growth and pebble formation in the initial stages of protoplanetary disk evolution // Astronomy and Astrophysics. 2024. Vol. 683. Article Number A202. DOI 10.1051/0004-6361/202348023.
  9. Kulikov I., Karavaev D. One Construction of HLLC Riemann Solver for Special Relativistic Magnetohydrodynamics Equations // Lobachevskii Journal of Mathematics. 2026. Vol. 47. P. 234–242. DOI 10.1134/S1995080225614456.
  10. Kulikov I., Chernykh I., Tutukov A. A New Hydrodynamic Code with Explicit Vectorization Instructions Optimizations that Is Dedicated to the Numerical Simulation of Astrophysical Gas Flow. I. Numerical Method, Tests, and Model Problems // The Astrophysical Journal Supplement Series. 2019. Vol. 243. Article Number 4. DOI 10.3847/1538-4365/ab2237.
  11. Kulikov I. A new code for the numerical simulation of relativistic flows on supercomputers by means of a low-dissipation scheme // Computer Physics Communications. 2020. Vol. 257. Article Number 107532. DOI 10.1016/j.cpc.2020.107532.
  12. Godunov S. K., Kulikov I. M. Computation of discontinuous solutions of fluid dynamics equations with entropy nondecrease guarantee // Computational Mathematics and Mathematical Physics. 2014. Vol. 54. P. 1012–1024. DOI 10.1134/S0965542514060086.
  13. Trakhinin Yu. L. About well-posedness of a free boundary problem for ideal compressible MHD equations and Maxwell equations in vacuum // Journal of Mathematical Sciences. 2025. Vol. 293. P. 601–616. DOI 10.1007/s10958-025-08028-0.
  14. Keppens R. Nonlinear Magnetohydrodynamics: Numerical Concepts // Fusion Science and Technology. 2004. Vol. 45. P. 107–114. DOI 10.13182/FST04-A474.
  15. Freistuehler H., Trakhinin Yu. Symmetrizations of RMHD equations and stability of relativistic current-vortex sheets // Classical and Quantum Gravity. 2013. Vol. 30. Article Number 085012. DOI 10.1088/0264-9381/30/8/085012.

Библиографическая ссылка: Куликов И. М. Технология решения задачи Римана с помощью метода Хартена - Лакса - ван Леера //"Проблемы информатики", 2026, № 3, с.40-59.  DOI: 10.24412/2073-0667-2026-3-40-59

О. Г. Монахов, Э. А. Монахова

Институт вычислительной математики и математической геофизики СО РАН, 630090, Новосибирск, Россия

ПОСТРОЕНИЕ И ОПТИМИЗАЦИЯ ТОПОЛОГИЧЕСКИХ СТРУКТУР РЕГУЛЯРНЫХ СЕТЕЙ С ПАРАМЕТРИЧЕСКИМ ОПИСАНИЕМ

УДК 519.8 + 519.7
DOI: 10.24412/2073-0667-2026-3-60-74
EDN: MNWAGY

Рассмотрены алгоритмы построения и оптимизации перспективных классов топологических структур — параметрически задаваемых регулярных графов (R графов). Предложена новая модель топологий сетей связи для многопроцессорных систем и сетей на кристалле — класс многоуровневых параметрически задаваемых регулярных MR сетей (MR графов). В данной работе в качестве элементов построения при генерации многоуровневых сетей рассмотрены параметрически задаваемые регулярные графы, имеющие компактное параметрическое опи­сание с периодической симметрией, которые объединяются с помощью предложенной ранее авторами операции многоуровневой композиции графов. При синтезе многоуровневых сетей разработан и применен алгоритм дифференциальной эволюции для определения оптимальных параметров генерируемой топологии, минимизирующих среднее расстояние сети при заданных числе узлов, степени узлов, числе классов симметрии и числе уровней. Алгоритм синтеза оптимальных сетей разработан с помощью больших языковых моделей и реализован на процессоре Kunpeng 920. Показано, что построенные обычные и многоуровневые R сети имеют лучшие структурные характеристики, чем циркулянтные сети и многоуровневые циркулянтные сети при одинаковых затратах оборудования (количестве узлов и линий связи).

Ключевые слова: параметрически задаваемый регулярный граф, среднее расстояние, па­раметрическое описание, циркулянтная сеть, оптимальный граф, большая языковая модель.

Работа выполнена при финансовой поддержке бюджетным проектом ИВМ и МГ СО РАН (код проекта FWNM-2025-0005).

Список литературы

  1. Монахов О. Г. Параметрическое описание структур однородных вычислительных систем // В кн.: Вопросы теории и построения вычислительных систем. (Вычислительные системы, вып. 80). Новосибирск, 1979. С. 3–17.
  2. Monakhov O., Monakhova E. A Class of Parametric Regular Networks for Multicomputer Architectures // Computaci´on y Sistemas. 2000. Vol. 4. P. 85–93.
  3. Huang X., Ramos A. F., Deng Y. Optimal circulant graphs as low-latency network topologies // Journal of Supercomputing. 2022. Vol. 78. P. 13491–13510. DOI 10.1007/s11227-022-04396-5.
  4. Deng Y., Guo M., Ramos A. F., Huang X., Xu Z., Liu W. Optimal low-latency network topologies for cluster performance enhancement // Journal of Supercomputing. 2020. Vol. 76, № 12. P. 9558–9584.
  5. Monakhov O., Monakhova E. Construction of Multi-level Regular Networks Based on the Operation of Composition of Circulant Graphs // Mathematical Modeling and Supercomputer Technologies. MMST 2025. Communications in Computer and Information Science. Vol. 2815. Cham: Springer, 2026. DOI 10.1007/978-3-032-15761-4.
  6. Монахов О. Г., Монахова Э. А. Генерация многоуровневых регулярных сетей на основе операции композиции модифицированных хордальных графов с использованием больших язы­ковых моделей // Проблемы информатики. 2025. № 4. С. 38–51. DOI 10.24412/2073-0667-2025-4­38-51.
  7. Kivela M., Arenas A., Barthelemy M., Gleeson J. P., Moreno Y., Porter M. Multilayer Networks // Journal of Complex Networks. 2014. Vol. 2, № 3. P. 203–271. DOI 10.1093/comnet/cnu016.
  8. Кальней А. М. Модели многоуровневых сетей (краткий обзор) // Проблемы информатики. 2021. № 3. С. 5–20. DOI 10.24412/2073-0667-2021-3-5-20.
  9. Кальней А. М., Родионов А. С. Анализ надежности многоуровневых сетей с ненадежными вершинами // Проблемы информатики. 2020. № 2. С. 5–15. DOI 10.24411/2073-0667-2020-10005.
  10. Monakhova E. A Survey on Undirected Circulant Graphs // Discrete Mathematics, Algorithms and Applications. 2012. Vol. 4, № 1. Article 1250002.
  11. Ledzinski D., Smigiel S., Zabludowski L. Analyzing methods of network topologies based on chordal rings // Turkish Journal of Electrical Engineering and Computer Sciences. 2018. Vol. 26, № 3. Article 25.
  12. Krnc M., Wilson R. Recognizing generalized Petersen graphs in linear time // Discrete Applied Mathematics. 2020. Vol. 283. P. 756–761. DOI 10.1016/j.dam.2020.03.007.
  13. Storn R., Price K. Differential Evolution — A Simple and Efficient Heuristic for Global Optimization over Continuous Spaces // Journal of Global Optimization. 1997. Vol. 11, № 4. P. 341– 359.
  14. Монахов О. Г., Монахова Э. А. База данных оптимальных циркулянтных сетей степени четыре с единичной образующей. [Электрон. Рес.]: https://github.com/mila0411/Double-loop- networks/tree/main/Dataset (дата обращения 29.04.2026).

Библиографическая ссылка: Монахов О. Г., Монахова Э. А. Построение и оптимизация топологических структур регулярных сетей с параметрическим описанием //"Проблемы информатики", 2026, № 3, с.60-74.  DOI: 10.24412/2073-0667-2026-3-60-74

В. А. Перепелкин1,3 , И. И. Титов2 , Н. Л. Подколодный1,2 , Н. Е. Матус1,3 , Е. И. Шевелев3, Н. А. Колчанов2 , М. А. Марченко1,3

  1. Институт вычислительной математики и математической геофизики СО РАН, 630090, Новосибирск, Россия
  2. Институт цитологии и генетики СО РАН, 630090, Новосибирск, Россия
  3. Новосибирский национальный исследовательский государственный университет, 630090, Новосибирск, Россия

ПОСТРОЕНИЕ БАЗЫ АКТИВНЫХ ЗНАНИЙ ДЛЯ АВТОМАТИЧЕСКОГО РЕШЕНИЯ ЗАДАЧИ АНАЛИЗА ВТОРИЧНОЙ СТРУКТУРЫ РНК

УДК 004.4
DOI: 10.24412/2073-0667-2026-3-75-94
EDN: NSWEVQ

Рассматривается проблема автоматизации решения задач биоинформатики на основе баз активных знаний — частичного формального описания предметной области и библиотеки су­ществующих программных модулей. В отличие от других подходов, основанных на ручном построении вычислительных конвейеров, программа решения задачи строится автоматически по ее высокоуровневой спецификации на основе базы активных знаний. Система автоматиче­ски синтезирует программу, выбирая и комбинируя имеющиеся модули с учетом их нефунк­циональных свойств, и обеспечивает параллельное исполнение независимых операций. Подход применен к задаче анализа вторичной структуры РНК. Рассматривается постановка задачи и процесс построения базы активных знаний для ее решения на основе существующих про­граммных модулей из библиотеки ViennaRNA. Разработан прототип базы активных знаний с операциями предсказания структуры по одной и по множеству последовательностей РНК с выравниванием. Проведено тестирование на последовательностях консервативных доменов 5 и 6 интрона группы II из генома органелл Solanoideae. Предсказанные вторичные структуры со­гласуются с известными моделями, что подтверждает правильность автоматически построен­ного решения. Показана возможность автоматической реализации параллельных вычислений и перспективность расширения подхода для интеграции с существующими биоинформатическими платформами.

Ключевые слова: биоинформатика, автоматическое конструирование программ, анализ вторичной структуры РНК, концепция активных знаний.

Исследование выполнено в рамках государственного задания ИВМ и МГ СО РАН FWNM-2025-0005 и при поддержке бюджетного проекта No. FWNR-2026-0023 ФИЦ ИЦиГ СО РАН.

Список литературы

  1. The Galaxy Community, The Galaxy platform for accessible, reproducible and collaborative biomedical analyses: 2022 update // Nucleic Acids Research. 5 July 2022. V. 50, Iss. W1, , P. W345– W351, https://doi.org/10.1093/nar/gkac247.
  2. Reich M., Liefeld T., Gould J. et al. GenePattern 2.0. Nat Genet 2006, 38, 500–501. https://doi.org/10.1038/ng0506-500.
  3. Di Tommaso P., Chatzou M., Floden E. et al. Nextflow enables reproducible computational workflows // Nat Biotechnol. 2017. N 35. P. 316–319. https://doi.org/10.1038/nbt.3820.
  4. Chen X., Chang J. T. Planning bioinformatics workflows using an expert system // Bioinformatics. April 2017. V. 33. Iss. 8. P 1210–1215. https://doi.org/10.1093/bioinformatics/ btw817.
  5. Jung N., Bertrand F., Bahram S., Vallat L., Maumy-Bertrand M. Cascade: a R package to study, predict and simulate the diffusion of a signal through a temporal gene network // Bioinformatics. February 2014. V. 30. Iss. 4. P. 571–573. https://doi.org/10.1093/bioinformatics/ btt705.
  6. Marchesi R., Micheletti N., I-Hsien Kuo N., Barbieri S., Jurman G., Osmani V. (2025) Generative AI mitigates representation bias and improves model fairness through synthetic health data. PLoS Comput Biol 21(5): e1013080. https://doi.org/10.1371/journal.pcbi.1013080.
  7. Sosic M., Sikic M. Edlib: a C/C++ library for fast, exact sequence alignment using edit distance // Bioinformatics. May 2017. V. 33. Iss. 9. P. 1394–1395. https://doi.org/10.1093/ bioinformatics/btw753.
  8. Malyshkin V. Active Knowledge, LuNA and Literacy for Oncoming Centuries // In Essays Dedicated to Pierpaolo Degano on Programming Languages with Applications to Biology and Security. 2015. V. 9465. Springer-Verlag, Berlin, Heidelberg. P. 292–303.
  9. Chandrasekaran B., Josephson J. R., Benjamins V. R. What are ontologies, and why do we need them? IEEE Intell Syst. 1999;14(1):20–26. DOI: 10.1109/5254.747902.
  10. Podkolodnyy N. L., Podkolodnaya O. A. Ontologies in bioinformatics and systems biology // Vavilov Journal of Genetics and Breeding. 2015;19(6):652–660. DOI: 10.18699/VJ15.090.
  11. Podkolodnyy N. L., Podkolodnaya O. A., Ivanisenko V. A., Marchenko M. A. Ontologies in modelling and analysing of big genetic data // Vavilovskii Zhurnal Genetiki i Selektsii = Vavilov Journal of Genetics and Breeding. 2024;28(8): 940–949. DOI: 10.18699/vjgb-24-101.
  12. BioPortal, the world’s most comprehensive repository of biomedical ontologies. [Электрон. Рес.]: https://bioportal.bioontology.org/ontologies (дата обращения 01.06.2026).
  13. Manda P. Large Language Models in Bio-Ontology Research: A Review // Bioengineering. 2025; 12(11):1260. DOI: 10.3390/bioengineering12111260.
  14. Ison J., Kalas M., Jonassen I., Bolser D., Uludag M., McWilliam H., Malone J., Lopez R., Pettifer S., Rice P. EDAM: an ontology of bioinformatics operations, types of data and identifiers, topics and formats // Bioinformatics. 2013 May. 15;29(10):1325–32. DOI: 10.1093/bioinformatics/btt113.
  15. Callahan T. J., Tripodi I. J., Stefanski A. L. et al. An open source knowledge graph ecosystem for the life sciences. Sci Data. 2024;11(1):363. DOI: 10.1038/s41597-024-03171-w.
  16. Синтез параллельных программ и систем на вычислительных моделях // Вальковский В. А., Малышкин В. Э.; Отв. ред. Котов В. Е.; АН СССР, Сиб. отд-ние, ВЦ. Новосибирск: Наука. Сиб. отд-ние, 1988. 126 с.
  17. Малышкин В. Э., Перепелкин В. А. Построение баз активных знаний для автомати­ческого конструирования решений прикладных задач на основе системы LuNA // Параллельные вычислительные технологии — XVIII всероссийская научная конференция с международным участием, ПаВТ’2024, г. Челябинск, 2–4 апреля 2024 г. Короткие статьи и описания плакатов. Челябинск: Издательский центр ЮУрГУ, 2024. с. 57–68. DOI: 10.14529/pct2024
  18. Кудрявцев А. А., Малышкин В. Э., Нуштаев Ю. Ю., Перепелкин В. А., Спирин В. А. Эффективная фрагментированная реализация краевой задачи фильтрации двухфазной жидкости // Проблемы информатики. 2023. № 2. С. 45–73. DOI: 10.24412/2073-0667-2023-2-45-73.
  19. Выродов А. Ю., Перепелкин В. А., Хайретдинов М. С., Хрыпченко А. В. Принци­пы организации программно-аналитической системы для параллельной обработки сейсмических данных // Вестник СибГУТИ. 2024. № 18(2). С. 57–68. DOI: 10.55648/1998-6920-2024-18-2-57-68.
  20. Schukin G., Perepelkin V., Malyshkin V. Parallelization of a Scientific Application Using Didal Distributed Data Library // In: Malyshkin, V. (eds) Parallel Computing Technologies. PaCT 2025. Lecture Notes in Computer Science, 2026. V. 16185. Springer, Cham. P. 124–139. https://doi. org/10.1007/978-3-032-06751-7_9.
  21. Lorenz R., Bernhart S. H., Ho¨ ner zu Siederdissen C. et al. ViennaRNA Package 2.0. Algorithms Mol Biol 6, 26 (2011). https://doi.org/10.1186/1748-7188-6-26
  22. Nawrocki E. P., Eddy S. R. Infernal 1.1: 100-fold faster RNA homology searches // Bioinformatics. November 2013. V. 29. Iss. 22. P. 2933–2935. https://doi.org/10.1093/ bioinformatics/btt509.
  23. Steffen P., Voss B., REhmsmEier M., Reeder J., GiEgEriCh R. RNAshapes: an integrated RNA analysis package based on abstract shapes // Bioinformatics. February 2006. V. 22. Iss. 4. P. 500–503. https://doi.org/10.1093/bioinformatics/btk010.
  24. Gorodnichev M., Lebedev D. Semantic tools for development of high-level interactive applications for supercomputers // J Supercomput 77, 11866–11880 (2021). https://doi.org/10. 1007/s11227-021-03731-6.
  25. Деменков П. С., Мухин А. М., Иванисенко В. А., Лашин С. А., Колчанов Н. А. Цифровая платформа «Микробиотех»: архитектура и назначение // Проблемы информатики. 2024. № 4 (65). С. 27–36. DOI: 10.24412/2073-0667-2024-4-27-36.

Библиографическая ссылка: Перепелкин В. А., Титов И. И., Подколодный Н. Л., Матус Н. Е., Шевелев Е. И., Колчанов Н. А., Марченко М. А. Построение базы активных знаний для автоматического решения задачи анализа вторичной структуры РНК //"Проблемы информатики", 2026, № 3, с.75-94.  DOI: 10.24412/2073-0667-2026-3-75-94