Аннотация: Предметом исследования выступает процесс распределенного обучения нейронных сетей в гетерогенных вычислительных кластерах. В таких системах узлы обладают разной производительностью. При классической синхронной связи это приводит к простоям мощных машин: они простаивают в ожидании результатов от слабых устройств. Альтернативой выступает асинхронный подход, где каждый вычислитель обновляет глобальную модель независимо. Цель данной работы – разработка и оценка программной архитектуры для асинхронного обучения. Ключевая сложность заключается в эффекте устаревания данных (stale gradients). Быстрые узлы обновляют глобальные параметры несколько раз за то время, пока медленный узел считает одну итерацию. В результате сервер получает устаревшие градиенты. Работа описывает проектирование сетевого взаимодействия для минимизации задержек и компенсации разницы в скорости вычислений без применения жесткой синхронизации. Методологической базой служит алгоритм асинхронного стохастического градиентного спуска (ASGD). Эксперименты по оценке времени и точности выполнены на датасете CIFAR-10. Архитектура реализована на языках Go (сервер) и Python (клиенты). Научная новизна заключается в создании гибридной архитектуры с центральным сервером на языке Go и клиентами на языке Python. Сервер параллельно обрабатывает запросы без очередей. Применение бинарного формата Protocol Buffers и протокола gRPC снижает объем передаваемых данных и ускоряет сетевой обмен по сравнению с текстовыми форматами. Выводы исследования: переход к асинхронному протоколу устраняет время простоя вычислительных узлов. Для стабильной сходимости требуются изменения базовых параметров обучения. Оптимизатор Adam нестабилен при сетевых задержках из-за накопления инерции. Классический стохастический градиентный спуск дает более надежные результаты. Присутствует незначительное падение точности из-за старых весов, но масштабирование системы нивелирует этот недостаток. Эксперименты подтвердили гипотезу о регуляризирующем эффекте: агрегация множества независимых градиентов сглаживает кривую функции потерь. Дальнейшая работа предполагает поиск математических методов автоматического снижения веса сильно устаревших градиентов.

Ключевые слова: глубокое обучение, распределенные вычисления, асинхронность, гетерогенные системы, агрегация градиентов, клиент-серверная архитектура, нейронные сети, параллельная обработка, golang, gRPC

Abstract: The subject of the research is the distributed training of neural networks in heterogeneous computing clusters. In such systems, nodes have different performance levels. Using synchronous communication leads to the downtime of powerful machines: they sit idle waiting for results from weaker devices. The asynchronous approach provides an alternative where each node updates the global model independently. The objective of this work is the development and evaluation of a software architecture for asynchronous training. The key difficulty is the stale gradients effect. Fast nodes update the global parameters multiple times while a slow node computes a single iteration. As a result, the server receives outdated gradients. The paper describes the design of network communication to minimize delays and compensate for computing speed differences without strict synchronization. The methodological basis is the asynchronous stochastic gradient descent (ASGD) algorithm. Time and accuracy evaluation experiments were performed on the CIFAR-10 dataset. The architecture is implemented in Go (server) and Python (clients). The scientific novelty consists in creating a hybrid architecture with a central Go server and Python clients. The server processes requests in parallel without queues. Applying the Protocol Buffers binary format and the gRPC protocol reduces the transferred data volume and accelerates network exchange compared to text formats. Research conclusions: transitioning to an asynchronous protocol eliminates computing node downtime. Stable convergence requires modifying basic training parameters. The Adam optimizer is unstable under network delays due to momentum accumulation. Classical stochastic gradient descent provides more reliable results. There is a slight accuracy drop due to stale weights, but adding new nodes mitigates this drawback. Experiments confirmed the hypothesis of a regularizing effect: aggregating multiple independent gradients smooths the loss function curve. Future work involves finding mathematical methods to automatically reduce the weight of heavily outdated gradients.

Keywords: deep learning, distributed computing, asynchrony, heterogeneous systems, gradient aggregation, client-server architecture, neural networks, parallel processing, golang, gRPC

Аннотация: Предметом исследования является задача автоматизированной классификации текстовых обращений граждан, содержащих разнообразные проблемы и запросы, направляемые в государственные и муниципальные органы. В фокусе – выявление возможностей эффективного и практического применения алгоритмов машинного обучения для автоматической обработки и категоризации этих обращений. Исследование охватывает полный цикл анализа: от предварительной обработки текстов и представления их в числовом виде до обучения классификационных моделей и оценки качества их работы. Также подробно изучаются особенности предметной области, включая специфику лексики гражданских обращений, наличие неструктурированных данных, значительную вариативность формулировок и проблему дисбаланса классов. Работа направлена на повышение эффективности систем документооборота и автоматизированной обработки текстов в государственных информационных системах. Для реализации задачи применялись методы машинного обучения с предварительной обработкой текстов через TF-IDF и обучением классификатора на основе логистической регрессии. Основными выводами проведенного исследования являются подтверждение эффективности адаптации классических методов машинного обучения для автоматизированной классификации обращений граждан, а также выявление значительного влияния параметров модели на качество итоговой классификации. В частности, было показано, что использование параметра «class_weight» = «balanced» позволяет учесть дисбаланс классов без потери устойчивости модели. Также установлено, что выбор алгоритма оптимизации – «lbfgs», «newton-cg», «sag» или «saga» – влияет на точность и скорость обучения. Предложен практический подход к настройке весов классов, обеспечивающий улучшение результатов при работе с неструктурированными текстами. Проведённый анализ показал, что даже при использовании сравнительно простых моделей, таких как мультиномиальная логистическая регрессия, возможно достичь высокой точности при грамотной подготовке данных и корректной настройке параметров. Таким образом, применение автоматических методов обработки текстовой информации способно существенно повысить качество и эффективность распределения обращений по категориям, ускорить процесс анализа и упростить внедрение таких решений в практику электронного документооборота.

Ключевые слова: Классификация текстов, Машинное обучение, Социально-политические коммуникации, Логистическая регрессия, Автоматизированный анализ текстов, Обработка естественного языка, Текстовая аналитика, Государственные информационные системы, Векторизация текста, Дисбаланс классов

Abstract: The subject of the research is the task of automated classification of text inquiries from citizens, which contain various problems and requests directed to state and municipal authorities. The focus is on identifying opportunities for effective and practical application of machine learning algorithms for the automatic processing and categorization of these inquiries. The study covers the complete analysis cycle: from the preprocessing of texts and their representation in numerical form to the training of classification models and assessing the quality of their performance. The specifics of the subject area are also studied in detail, including the characteristics of the vocabulary used in citizen inquiries, the presence of unstructured data, significant variability in phrasing, and the problem of class imbalance. The work aims to enhance the efficiency of document management systems and the automated processing of texts in government information systems. To achieve the task, machine learning methods were used, with text preprocessing through TF-IDF and training a classifier based on logistic regression. The main conclusions of the conducted research include confirmation of the effectiveness of adapting classical machine learning methods for the automated classification of citizen inquiries, as well as the identification of a significant influence of model parameters on the quality of the final classification. Specifically, it was shown that using the parameter "class_weight" = "balanced" allows accounting for class imbalance without compromising the model's stability. It was also established that the choice of optimization algorithm—"lbfgs," "newton-cg," "sag," or "saga"—affects the accuracy and speed of learning. A practical approach to adjusting class weights is proposed, ensuring improved results when working with unstructured texts. The analysis conducted showed that even with relatively simple models, such as multinomial logistic regression, it is possible to achieve high accuracy with proper data preparation and correct parameter tuning. Thus, the application of automatic methods for processing textual information can significantly improve the quality and efficiency of the categorization of inquiries, accelerate the analysis process, and simplify the implementation of such solutions in electronic document management practices.

Keywords: Text classification, Machine learning, Socio-political communications, Logistic regression, Automated text analysis, Natural language processing, Text analytics, Government information systems, Text vectorization, Class imbalance

Аннотация: В современных системах обработки естественного языка (семантический поиск, кластеризация, рекомендательные системы, RAG-системы) ключевой операцией является получение плотных векторных представлений текстов – эмбеддингов. Качество русскоязычных эмбеддингов определяется прежде всего используемой моделью-кодировщиком, однако при большом количестве запросов именно стадия векторизации текстов становится архитектурным «бутылочным горлышком», которое ограничивает пропускную способность всей системы в целом. В настоящей статье исследуется возможность устранения данного ограничения путём проектирования и реализации сервиса векторизации текста на системном языке программирования Rust с применением алгоритма динамической пакетной обработки запросов и вычислительного модуля для запуска моделей машинного обучения ONNX Runtime, а также сравнение его показателей производительности с классическим решением на языке программирования Python. Для экспериментального сравнения спроектированы и реализованы две версии сервиса: на Python (с использованием библиотек FastAPI, PyTorch, Transformers) и на Rust (библиотеки Axum, ort). Для тестирования систем под нагрузкой проведено нагрузочное тестирование, которое моделирует кратковременную стрессовую нагрузку на RAG-систему, с анализом основных метрик производительности систем при помощи инструмента Locust. По результатам нагрузочного тестирования Rust-сервис демонстрирует кратное превосходство над Python-версией во всех сценариях по всем оцениваемым показателям (пропускная способность, задержка на 50-м и 99-м перцентилях, а также среднее потребление оперативной памяти). В статье анализируются причины превосходства разработанного сервиса на языке программирования Rust: конвертация модели в формат ONNX, отсутствие глобальной блокировки интерпретатора и истинная многопоточность, применение алгоритма динамической пакетной обработки запросов, а также эффективное управление памятью без сборщика мусора. Полученные результаты исследования доказывают пригодность системного языка программирования Rust для построения высокопроизводительных сервисов векторизации текста и подтверждают его существенные преимущества над классическим Python-решением при условии ограниченных вычислительных ресурсов.

Ключевые слова: векторное представление текста, инференс моделей, динамическая пакетная обработка, высоконагруженные сервисы, обработка естественного языка, производительность, пропускная способность, задержка ответа, Rust, язык программирования

Abstract: In modern natural language processing systems (semantic search, clustering, recommendation systems, RAG systems), the key operation is obtaining dense vector representations of texts—embeddings. The quality of Russian embeddings is primarily determined by the encoder model used; however, with a large number of requests, the embedding generation stage becomes an architectural "bottleneck" that limits the throughput of the entire system. This article explores the possibility of removing this limitation by designing and implementing an embedding generation service in the system programming language Rust, using the dynamic batching algorithm and the ONNX Runtime engine for running machine learning models, as well as comparing its performance metrics with a classical solution in Python. For experimental comparison, two versions of the service were designed and implemented: in Python (using the FastAPI, PyTorch, and Transformers frameworks) and in Rust (using the Axum and ort frameworks). Load testing was conducted to simulate a short-term stress load on the RAG system, analyzing the main performance metrics of the systems using the Locust tool. The results of the load testing show that the Rust service demonstrates multiple advantages over the Python version in all scenarios across all assessed metrics (throughput, latency at the 50th and 99th percentiles, and average RAM consumption). The article analyzes the reasons for the superiority of the developed service in Rust: conversion of the model to the ONNX format, absence of global interpreter lock, true multithreading, application of the dynamic batching algorithm, and efficient memory management without a garbage collector. The results of the study prove the suitability of the system programming language Rust for building high-performance embedding generation services and confirm its significant advantages over the classical Python solution under limited computational resources.

Keywords: text embedding, model inference, dynamic batching, high-load services, natural language processing, perfomance, throughput, latency, Rust, programming language

Аннотация: Предметом исследования являются возможности современных открытых больших языковых моделей (LLM) при решении задач профессиональных предметных областей и их пригодность для практического применения в отраслях. В работе представлены результаты сравнительного тестирования 15 open-source моделей с числом параметров от 8 до 120 млрд. Тестирование проводилось на оригинальном русскоязычном бенчмарке, охватывающем 16 отраслевых доменов: энергетика, право, финансы, клинические процессы здравоохранения, терапевтическая практика, фармацевтика, строительство, DevOps, логистика, маркетинг, HR, охрана труда, сельское хозяйство, продажи, закупки/тендеры, производственный инжиниринг. Для каждого домена сформирован набор из 90 вопросов, распределённых по трём уровням сложности; общий объём бенчмарка составляет 1 440 вопросов. Рассматриваются устойчивость моделей к повышению сложности заданий, их доменная специализация и чувствительность к параметрам генерации. Методом исследования служит сравнительное тестирование моделей на едином наборе вопросов. Оценка ответов выполнена в два этапа: автоматическая оценка тремя независимыми моделями-судьями по методологии LLM-as-a-Judge (по критерию смыслового соответствия эталонным ответам) и независимая экспертная оценка специалистами-практиками с последующей сверкой согласованности. Научная новизна работы состоит в создании оригинального русскоязычного бенчмарка объёмом 1 440 вопросов трёх уровней сложности для 16 профессиональных предметных областей (от энергетики и здравоохранения до DevOps и производственного инжиниринга), а также в двухэтапной верификации результатов, сочетающей автоматическую оценку с независимой экспертной проверкой. Проведён анализ согласованности оценок моделей-судей, а также их сверка с оценками специалистов-практиков. По результатам тестирования установлено, что современные модели размерности 27–31 млрд параметров, включая архитектуры Mixture-of-Experts и модели с оптимизацией FP8, сопоставимы по качеству ответов с моделями со 120 млрд параметров или превосходят их при многократно меньшем потреблении вычислительных ресурсов. Предложена система рекомендаций по выбору открытых языковых моделей для отраслевых приложений.

Ключевые слова: большие языковые модели, LLM, бенчмарк, LLM-as-a-Judge, Открытый исходный код, предметные области, профессиональные знания, мультисудейская оценка, экспертная валидация, сравнительное тестирование

Abstract: The subject of the study is the capabilities of modern open large language models (LLM) in solving tasks in professional subject areas and their suitability for practical application in industries. The paper presents the results of comparative testing of 15 open-source models with the number of parameters ranging from 8 to 120 billion. The testing was conducted on an original Russian-language benchmark covering 16 industry domains: energy, law, finance, healthcare clinical processes, therapeutic practice, pharmaceuticals, construction, DevOps, logistics, marketing, HR, labor protection, agriculture, sales, procurement/tenders, and manufacturing engineering. For each domain, a set of 90 questions was formed, distributed across three levels of difficulty; the total volume of the benchmark is 1,440 questions. The study examines the models' resilience to increasing task complexity, their domain specialization, and sensitivity to generation parameters. The research method involves comparative testing of models on a single set of questions. Evaluation of the answers was performed in two stages: automatic assessment by three independent judging models using the LLM-as-a-Judge methodology (based on the criterion of semantic correspondence to reference answers) and independent expert evaluation by practitioner specialists with subsequent verification of consistency. The scientific novelty of the work lies in the creation of an original Russian-language benchmark comprising 1,440 questions of three difficulty levels for 16 professional subject areas (from energy and healthcare to DevOps and manufacturing engineering), as well as in the two-stage verification of results, combining automatic assessment with independent expert validation. An analysis of the consistency of the judges' models' evaluations and their comparison with assessments from practitioner specialists was conducted. The testing results indicate that modern models with 27–31 billion parameters, including Mixture-of-Experts architectures and models with FP8 optimization, provide quality of answers comparable to models with 120 billion parameters or exceed them while consuming significantly fewer computational resources. A recommendation system for selecting open language models for industry applications is proposed.

Keywords: large language models, LLM, benchmark, LLM-as-a-Judge, open-source, domain knowledge, professional evaluation, multi-judge evaluation, expert validation, comparative testing

Аннотация: Предметом исследования являются методы и архитектурные подходы к автоматизированной непрерывной трансформации бизнес-процессов цифрового предприятия на основе агентного искусственного интеллекта и цифровых двойников организации. Объектом исследования выступают процессы управления операционной деятельностью предприятия в условиях высокой волатильности конкурентной среды 2025–2026 годов. Автор подробно рассматривает такие аспекты темы, как эволюция парадигм управления бизнес-процессами от классического BPR к Process Intelligence, архитектурные принципы построения многоагентных систем в корпоративной среде, механизмы интеграции цифрового двойника организации с агентными ИИ-компонентами, а также вопросы контроля автономных решений искусственного интеллекта со стороны человека. Особое внимание уделяется таксономии изменений бизнес-процессов по критериям масштаба и регуляторной чувствительности, определяющей дифференцированные уровни автономии агентного ИИ при реализации корректирующих воздействий в производственной среде предприятия. В работе применяются методы системного анализа, концептуального архитектурного проектирования и имитационного моделирования. Апробация проводится на параметрически верифицированных отраслевых сценариях с использованием метода Монте-Карло и дискретно-событийного моделирования. Основными выводами проведённого исследования являются следующие положения. Апробация на двух отраслевых сценариях – логистике последней мили и розничном кредитовании в финтех-среде – подтверждает сокращение полного цикла реинжиниринга в 8–15 раз относительно традиционного подхода при прогнозируемом росте качества внедряемых изменений на 17–23 процентных пункта. Новизна исследования заключается в том, что впервые предложена интегрированная архитектурная модель автономного реинжиниринга бизнес-процессов, в которой агентный ИИ выступает полноценным субъектом управления процессным контуром предприятия, действующим в рамках верифицированного цифрового двойника организации. Особым вкладом автора является систематизация совместного функционирования Process Mining, агентного ИИ и цифровых двойников в едином контуре, а также разработка таксономии изменений с дифференцированными уровнями автономии.

Ключевые слова: реинжиниринг бизнес-процессов, агентный искусственный интеллект, цифровой двойник организации, анализ процессов, управление бизнес-процессами, процессная аналитика, многоагентные системы, человек в контуре, low-code платформы, цифровая трансформация предприятия

Abstract: The paper presents a conceptual architecture for continuous business process reengineering based on the integration of Agentic AI and Digital Twin of Organization (DTO) technologies. The relevance of the study is driven by the fundamental inadequacy of the classical BPR paradigm under conditions of high environmental volatility in 2025–2026, where market windows shrink to weeks while traditional reengineering projects span one to five years. The object of the study is the operational management processes of digital enterprises. The subject of the study is the methods and architectural approaches to automated continuous transformation of business processes. A model of Autonomous Business Process Reengineering (ABPR) is proposed, comprising a five-layer technological architecture, a multi-agent system with four differentiated functional roles – monitoring, diagnostics, solution synthesis, and deployment – a taxonomy of process changes by levels of AI autonomy, and an embedded Human-in-the-loop control mechanism. The Digital Twin of Organization serves as a bidirectional infrastructure element that continuously receives operational data from ERP, CRM, and WMS systems and returns verified process changes back into production environments. Agent orchestration is implemented via the ReAct framework extended with long-term vector memory and asynchronous inter-agent communication. Validation through simulation modeling across two industry scenarios – last-mile logistics and fintech retail lending – demonstrates a reduction of the full reengineering cycle by a factor of 8–15 compared to the traditional project-based approach, alongside a projected improvement in change quality of 17–23 percentage points. The scientific novelty lies in the development of the first systematic integrated ABPR architecture in which Agentic AI acts as a subject of process governance rather than a task automation tool, combined with an original taxonomy of process changes and the concept of a bidirectional Digital Twin of Organization as an active management element.

Keywords: business process reengineering, agent artificial intelligence, digital twin of an organization, process Mining, business process management, process Intelligence, multi-agent systems, human-in-the-loop, low-code platforms, digital transformation of the enterprise

Аннотация: Предметом исследования является темпоральный граф в СУБД Neo4j для хранения интервальных фактов, временных зависимостей Аллена и производных объектов темпоральной базы знаний. Цель работы состоит в сравнении компактной и расширенной структур хранения интервальных отношений при выполнении временных запросов и пакетном поступлении событий. Рассматриваются две графовые схемы. В первой интервалы сохраняются как свойства контактов. Во второй контакты и интервалы представлены отдельными узлами, а вычисленные отношения Аллена сохраняются типизированными связями. В качестве контроля используются реляционные схемы, включая таблицу временных зависимостей. Особое внимание уделяется связи между способом хранения, временем выполнения запросов, объёмом графа и последующим формированием производных объектов темпоральной базы знаний в исследуемом прототипе. Методы исследования включают обработку открытых данных о контактах учащихся, преобразование дискретных наблюдений в интервалы, построение графовых и реляционных структур, проверку локальной согласованности точных отношений Аллена, выполнение контрольных запросов и пакетную обработку событий. При обработке фиксируется формирование производных объектов темпоральной базы знаний и ситуаций поддержки решений. Новизна исследования заключается в экспериментальном сопоставлении компактного и расширенного представлений отношений Аллена в Neo4j и реляционной модели. Отдельно проверяется влияние предварительно сохранённых временных связей на разные классы запросов. Установлено, что расширенная структура ускоряет выборки по конкретным отношениям, но увеличивает плотность графа и ухудшает многозвенные обходы. Компактная структура требует меньшего объёма хранения и подходит для фильтрации, агрегирования и коротких цепочек. Расширенная структура полезна для повторных запросов по отношениям Аллена, темпоральных правил и трассировки производных объектов к исходным фактам. Основной вывод эксперимента состоит в том, что структура хранения должна выбираться по классу запросов, допустимому числу сохранённых связей, временному горизонту и размеру транзакции.

Ключевые слова: темпоральная база данных, темпоральная база знаний, интервальная логика Аллена, графовая структура, графовая СУБД Neo4j, Cypher, темпоральные правила, принятие решений, инкрементальная обработка, Python

Abstract: The subject is a temporal graph in the Neo4j DBMS designed to store interval facts, Allen temporal dependencies, and derived objects of a temporal knowledge base. The aim of the study is to compare compact and extended storage structures for interval relations when temporal queries are executed and events are received in batches. Two graph schemas are considered. In the first schema, intervals are stored as properties of contacts. In the second schema, contacts and intervals are represented by separate nodes, computed Allen relations are stored as typed relationships. Relational schemas, including a table of temporal dependencies, are used as a control model. Special attention is given to the relationship between the storage method, query execution time, graph size, and construction of derived objects in the temporal knowledge base. The research methods include processing open data of contacts between students, transforming discrete observations into intervals, building graph and relational structures, checking local consistency of Allen relations, executing control queries, and processing event batches. This processing records the formation of derived knowledge-base objects and decision-support situations. The novelty of the study lies in the experimental comparison of compact and extended representations of Allen relations in Neo4j and in the relational model. The effect of precomputed temporal links on different classes of queries is examined separately. The results show that the extended structure accelerates queries over specific relations, but increases graph density and slows down multi-step traversals. The compact structure requires less storage and is suitable for filtering, aggregation, and short chains. The extended structure is useful for repeated queries over Allen relations, temporal rules, and tracing derived objects back to source facts. The storage structure should be selected according to the query class, the acceptable number of stored links, the temporal horizon, and the transaction size.

Keywords: temporal database, temporal knowledge base, Allen’s interval algebra, graph structure, Neo4j graph DBMS, Cypher, temporal rules, decision-making, incremental processing, Python

Аннотация: Предметом исследования являются признаковые представления ДНК, которые не требуют выравнивания последовательностей. Такие представления сокращают исходную строку до набора числовых характеристик. При этом часть сведений о порядке серий одинаковых нуклеотидов может быть утрачена. Работа посвящена проверке того, можно ли сохранить эти сведения в компактном векторе периодичности из 29 признаков. Вектор описывает протяженность цепочек совпадающих событий «основание, длина серии» при периодах от 1 до 12. Его дополнительную информативность оценивали относительно 69 сводных характеристик серий и 11 простых признаков совпадений на заданных расстояниях. Цель исследования состояла в том, чтобы установить, улучшает ли новый вектор вневыборочное ранжирование геномных окон и сохраняется ли улучшение при разных источниках внешней разметки. Исследование включало классификацию семи семейств признаков, опыт на 1200 согласованных синтетических парах и групповую пятикратную перекрестную проверку на 58 124 неперекрывающихся геномных окнах. Метки получали независимо программами TRF, DUSTMasker и longdust. Неопределенность оценивали бутстрепом по последовательностям и парным перестановочным тестом. Подтверждена дополнительная информативность вектора периодичности на реальных геномных окнах. Его добавление повысило среднюю по последовательностям точность ранжирования на 0,0664 для меток TRF, на 0,0035 для DUSTMasker и на 0,1101 для longdust. 95%-е доверительные интервалы трех оценок не содержали нуля. Для TRF и longdust положительный результат сохранился при изменении порога покрытия и группировке по таксономическим идентификаторам. Малый эффект для DUSTMasker в этих проверках оказался неустойчивым. Научная новизна состоит в построении компактного вектора, который явно учитывает периодичность серий, и в его проверке относительно ближайшего простого порядкового контроля. Полученные данные показывают, что предложенные признаки дополняют описание геномного окна. Они не заменяют специализированные программы разметки повторов и участков низкой сложности.

Ключевые слова: анализ последовательностей ДНК, методы без выравнивания, признаковое представление ДНК, структурная информация ДНК, последовательности низкой сложности, кодирование длин серий, тандемные повторы, периодичность нуклеотидных серий, геномные окна, групповая перекрестная проверка

Abstract: This study examines explicit alignment-free DNA representations and the loss of run-order information after feature extraction. We tested whether a proposed 29-coordinate run-periodicity feature vector has out-of-sample predictive value beyond both 69 aggregate run features and a nearest simple order-sensitive control comprising 11 exact lag-match rates. The study combined a classification of seven feature families by five retained properties, 1,200 matched synthetic pairs, and five-fold grouped cross-validation on 58,124 non-overlapping 8-kb windows from 129 RefSeq/PGAP accessions. Operational labels were obtained independently from TRF, DUSTMasker, and longdust intervals. Metrics were first computed within each accession containing both classes and then averaged, preventing longer sequences from dominating the final estimate. Adding the run-periodicity vector to the 80-feature control increased mean accession-level average precision by 0.0664 for TRF, 0.0035 for DUSTMasker, and 0.1101 for longdust. The three original 95% accession-bootstrap intervals excluded zero, and the paired permutation tests remained significant after Holm correction. The TRF and longdust effects remained positive at a 2% interval-coverage threshold and under taxid-grouped cross-validation, whereas the small DUSTMasker effect was not stable in these two checks. The contribution is therefore not a general information-theoretic quantity or a universal repeat detector. It is a compact representation whose incremental predictive value survives a direct simple-order comparator for two distinct operational label sources. The run-periodicity vector can supplement a window-level feature description but does not replace specialized interval annotation.

Keywords: DNA sequence analysis, alignment-free methods, DNA feature representation, DNA structural information, low-complexity sequences, run-length encoding, tandem repeats, nucleotide run periodicity, genomic windows, grouped cross-validation

Аннотация: Предметом исследования является процесс адаптивного планирования нагрузки при обращении к внешним веб-сервисам с фиксированными лимитами запросов. В крупных микросервисных архитектурах роль агрегации данных, как правило, назначается отдельному сервису. От такого сервиса требуется соблюдение ограничений внешних интеграций и обработка поступающих запросов с минимальным временем ожидания. Планирование выполнения запросов по одному алгоритму оказывается нецелесообразным в случае изменения характеристик входного потока в процессе функционирования, поэтому сервису агрегации необходимо уметь оценивать состояние входного потока для переключения на наиболее подходящий для данных условий алгоритм. Цель работы заключается в оценке достаточности эмпирических метрик состояния входного потока для определения требуемого алгоритма планирования в условиях, когда точная аналитическая модель системы отсутствует, а сам алгоритм влияет на наблюдаемые значения метрик. Для достижения цели была реализована среда имитационного моделирования, подготовлены синтетические данные, исследованы границы соответствия рассматриваемых алгоритмов характеристикам потока в стационарных условиях, предложены и исследованы эмпирические метрики: коэффициент нагрузки и индикатор вариации числа запросов в задании. По результатам исследований составлены карта доминирования алгоритмов и карта наблюдаемых метрик. Научная новизна заключается в экспериментальной оценке пригодности пары эмпирических метрик для определения лидирующего алгоритма планирования по карте доминирования в системе с ограничением частоты запросов. Проведенное исследование показало, что реализация независимых от алгоритмов метрик, даже при слабой корреляции с теоретическим значением, позволяет определить лидирующий алгоритм с точностью до 92.8%, при этом ошибки локализованы в переходной зоне между областями доминирования. Точность определения в зонах со статистически значимым лидером составила 96.6%, в переходных зонах – 86.1%. Анализ с использованием парного t-критерия Стьюдента показал, что в 63.8% ячеек карты доминирование лидера статистически значимо (p < 0.05), а оставшиеся ячейки соответствуют переходным зонам, в которых алгоритмы демонстрируют сопоставимые результаты. Рассмотренная методика может быть использована в промышленной среде для настройки порогов адаптивного переключения. Дальнейшим направлением исследований является изучение поведения метрик в динамических условиях при смене характеристик входного потока.

Ключевые слова: онлайн-планирование, адаптивное планирование, ограничение частоты запросов, агрегация данных, имитационное моделирование, карта доминирования, коэффициент вариации, CVaR, эмпирические метрики, системы массового обслуживания

Abstract: The subject of the study is the process of adaptive load scheduling when accessing external web services with fixed request limits. In large microservice architectures, the role of data aggregation is usually assigned to a separate service. Such a service is required to comply with the limitations of external integrations and process incoming requests with minimal waiting time. Scheduling request execution using a single algorithm turns out to be impractical if the characteristics of the input flow change during operation, so the aggregation service needs to be able to assess the state of the input flow in order to switch to the algorithm most suitable for these conditions. The purpose of the work is to assess the sufficiency of empirical metrics of the input flow state to determine the required scheduling algorithm in conditions where there is no accurate analytical model of the system, and the algorithm itself affects the observed values of metrics. To achieve this goal, a simulation environment was implemented, synthetic data was prepared, the performance boundaries of the considered algorithms under stationary conditions were investigated, and empirical metrics were proposed and investigated: the load factor and the coefficient of variation in the number of requests per task. Based on the research results, a map of the dominance of algorithms and a map of the observed metrics have been compiled. The scientific novelty lies in the experimental assessment of the suitability of a pair of empirical metrics for determining the leading scheduling algorithm based on the dominance map in a system with a limited request frequency. The study showed that the implementation of metrics independent of algorithms, even with a weak correlation with the theoretical value, makes it possible to determine the leading algorithm with an accuracy of 92.8%, while errors are localized in the transition zone between the areas of dominance. The accuracy of the determination in the zones with a statistically significant leader was 96.6%, in the transition zones – 86.1%. Analysis using the Student's paired t-test showed that in 63.8% of the map cells, the dominance of the leader is statistically significant (p < 0.05), and the remaining cells correspond to transition zones in which the algorithms show comparable results. The considered technique can be used in an industrial environment to adjust adaptive switching thresholds. A further direction of research is the study of the behavior of metrics in dynamic conditions when changing the characteristics of the input flow.

Keywords: online scheduling, adaptive scheduling, rate limiting, data aggregation, simulation modeling, dominance map, coefficient of variation, CVaR, empirical metrics, queuing systems