Київський національний університет будівництва і архітектури

Інституційний репозитарій

Communities in DSpace

Select a community to browse its collections.

Recent Submissions

  • Thumbnail Image
    Item type:Item,
    WebAssembly для високопродуктивних веб-додатків
    (КНУБА, 2025) Компанець, Денис; Рябчун, Юлія
    Сформульовано мотивацію застосування Wasm у веб-додатках, наведено огляд ключових властивостей (портативність, безпека, ізольована пам’ять, передбачувана продуктивність), описано експериментальну методику порівняння реалізацій на JavaScript та Wasm і представлено правдоподібні результати вимірювань у сучасних браузерах. Показано, що для задач лінійної алгебри й обробки зображень Wasm забезпечує прискорення 3–5× відносно чистого JavaScript. Розглянуто обмеження (маршалінг даних, розмір модуля) та практичні рекомендації інтеграції. Сформульовано перспективи розвитку (SIMD, потоки, WASI, WebGPU) і сфери доцільного застосування.
  • Thumbnail Image
    Item type:Item,
    Патерни для створення маштабованих веб-додатків за допомогою React
    (КНУБА, 2025) Клевчук, Сергій; Пороховніченко, Ірина
    У тезі досліджуються найпоширеніші патерни проєктування в бібліотеці React, які допомагають структурувати код, підвищити масштабованість та повторне використання компонентів. Розглянуто підходи Higher-Order Components (HOC), Render Props, Custom Hooks та Context API. Наведено приклади коду та схеми використання. Зроблено висновок, що грамотне застосування цих патернів сприяє створенню підтримуваних, масштабованих та ефективних веб-додатків.
  • Thumbnail Image
    Item type:Item,
    Проблематика інтеграції ML-компонентів у розподілену мікросервісну архітектуру веб-сервісу для контент-аналізу
    (КНУБА, 2025) Коляда, Андрій; Лященко, Тамара
    Робота присвячена розгорнутому аналізу інтеграції компонентів машинного навчання (ML) у мікросервісну архітектуру веб-сервісу для контент-аналізу. Показано, що поєднання вимог до низької латентності, високої доступності та відтворюваності з притаманними ML обмеженнями (ресурсоємний інференс, потреба у прискорювачах, дрейф даних і моделей) формує комплекс взаємопов’язаних викликів на перетині архітектури, даних, експлуатації та безпеки. Узагальнено підходи до декомпозиції на сервіси з чіткими контрактами (REST/gRPC, подієві шини), до організації єдиного контуру даних/ознак із паритетом офлайн/онлайн (feature store), до керування життєвим циклом моделей (MLOps: пайплайни, модельний реєстр, безпечні стратегії розгортання, а також до спостережуваності якості та продуктивності (SLI/SLO, трейси, «ML Test Score»). Обґрунтовано використання розподілених обчислень (Spark) і автоскейлінгу у Kubernetes для стабільного виконання SLO без деградації якості та з керованою вартістю.