https://rep.bntu.by/handle/data/131718 Wed, 22 Apr 2026 08:13:02 GMT 2026-04-22T08:13:02Z https://rep.bntu.by/handle/data/131745 Физически неклонируемая функция типа АБИТР с нелинейными парами путей Иванюк, А. А.; Шамына, А. Ю. Физически неклонируемые функции (ФНФ) являются базовыми элементами физической криптографии, позволяющие решать такие задачи как, неклонируемая идентификация, аутентификация и доказательство авторства на цифровые устройства, генерирование случайных последовательностей и т.п. Отличительными особенностями ФНФ являются их случайность, непредсказуемость и невоспроизводимость, обусловленные неконтролируемыми, случайными вариациями исходных материалов и технологических процессов при их изготовлении. По своей сути ФНФ представляют собой цифровые схемы, позволяющие извлекать подобные вариации и преобразовывать их в двоичную форму для дальнейшего использования. Среди всего многообразия ФНФ выделяют ФНФ типа арбитр (АФНФ), которая представляет собой цифровую схему, которая принимает на входы двоичное значение N-разрядного запроса и вырабатывает однобитный ответ. Функционирование схемы АФНФ основано на сравнении времени прохождения двух копий тестового сигнала по паре конфигурируемых путей, выбранной значением запроса из множества 2N всех возможных пар. Результат сравнения и определяет двоичное значение ответа АФНФ. Множество всех пар запрос- ответ является случайным, непредсказуемым и невоспроизводимым в случае реализации копий схемы ФНФ как на одном, так и на других кристаллах, в том числе с использованием различных технологий. В данной статье предлагается новый подход к синтезу схем АФНФ, основанный на применении элементов перестановочных сетей и позволяющий формировать нелинейные конфигурации пар путей, что потенциально усложняет построение модели АФНФ с целью осуществления атаки на ее реализации. Приводятся новые схемотехнические решения для построения АФНФ и результаты экспериментальных исследований их основных характеристик, полученных при реализации на FPGA серии Zynq-7000. Sun, 01 Jan 2023 00:00:00 GMT https://rep.bntu.by/handle/data/131745 2023-01-01T00:00:00Z https://rep.bntu.by/handle/data/131744 Итерационная реконструкция медицинских фантомов на вычислительном кластере EAGLE Золотарев, С. А.; Таруат, А. Т.; Биленко, Э. Г. В настоящее время одной из наиболее важных задач является разработка и адаптация итерационных методов для решения сверхбольших разреженных систем алгебраических уравнений. К таким вычислительным задачам приводит задача итерационной параллельной реконструкции трехмерных изображений промышленных объектов. Важным является то, что итерационные методы решения вычислительных задач большой размерности реализуются на параллельных структурах намного более эффективно, чем прямые методы их решения. Sun, 01 Jan 2023 00:00:00 GMT https://rep.bntu.by/handle/data/131744 2023-01-01T00:00:00Z https://rep.bntu.by/handle/data/131743 Статистический алгоритм обработки термографических снимков вымени коровы для диагностики мастита с использованием критерия Байесса Гируцкий, И. И.; Сеньков, А. Г.; Ракевич, Ю. А. Сформулирована математическая задача многогипотезного обнаружения субклинического и клинически выраженного мастита у молочных коров по получаемым в результате цифровой обработки тепловых изображений вымени максимальным значениям температуры вымени. Численным методом последовательного перебора значений определены оптимальные пороговые значения температуры, соответствующие байесовскому критерию минимального среднего риска в указанной выше задаче многогипотезного обнаружения. Sun, 01 Jan 2023 00:00:00 GMT https://rep.bntu.by/handle/data/131743 2023-01-01T00:00:00Z https://rep.bntu.by/handle/data/131742 Methodics and tools of cough sound processing on basic of neural net Vishniakou, U. А.; Shaya, B. H. The purpose of the article is to analyze the methods and means of processing cough sounds to detect lung diseases, as well as to describe the developed system for classifying and detecting cough sounds based on a deep neural network. Four types of machine learning and the use of convolutional neural network (CNN) are considered. Hypermarkets of CNN are given. Varieties of machine learning based on the CNN are discussed. The analysis of works on the methodology and means of processing cough sounds based on the CNN with the reduction of the means used and the accuracy of recognition is carried out. Details of machine learning using the environmental sound classification 50 (ESC-50) dataset are discussed. To recognize COVID-19 cough, a classifier was analyzed using CNN as a machine learning model. The proposed CNN system is designed to classify and detect cough sounds based on ESC-50. After selecting a set of sound classification data, four stages are described: extraction of features from audio files, labeling, training, testing. The ESC-50 used for the study was downloaded from the Kaggle website. Python libraries and modules related to deep learning and data science were used to implement the project: NumPy, Librosa, Matplotlib, Hickle, Sci-Kit Learn, Keras. The implemented network used a stochastic gradient algorithm. Several volunteers recorded their voices while coughing using their smartphones and it was assured to record their voices in a public environment to introduce noise to the sounds, in addition to some audio files that were downloaded online. The results showed an average accuracy of 85.37 %, precision of 78.8 % and a recall record of 91.9 %. Sun, 01 Jan 2023 00:00:00 GMT https://rep.bntu.by/handle/data/131742 2023-01-01T00:00:00Z