Научные конференции

Информация о материале

Опубликовано: 27 января 2025

Просмотров: 101

Murashkin I.N.

Murashkin Ilia Nikolaevich – Expert,  FULLSTACK QA ENGINEER AT VK, KRASNODAR

Abstract: the article explores an approach to integrating predictive analytics into CI/CD processes for Java projects to enhance the stability and efficiency of software development. The proposed methodology includes the identification of key metrics, the development of a predictive model, and its integration into popular CI/CD tools such as Jenkins and GitLab CI. The conducted experimental study demonstrated that the use of predictive analytics can reduce build times, decrease the number of errors, and improve the accuracy of build success predictions to 89%. The scientific novelty of the work lies in the creation of a comprehensive approach to optimizing CI/CD processes for Java development, which can be adapted to a wide range of projects. The practical significance of the research is reflected in the scalability of the proposed solution and its applicability to corporate and distributed development systems. The obtained results confirm the high efficiency of analytical methods in improving DevOps processes and open up opportunities for further research in this field..

Keywords: CI/CD, predictive analytics, machine learning in CI/CD, Jenkins, GitLab CI, build optimization, stability prediction, process automation.

Мурашкин И.Н.

Мурашкин Илья Николаевич – эксперт, инженер по обеспечению качества (Fullstack QA Engineer) в компании VK, г. Краснодар

Аннотация: в статье рассматривается подход к интеграции предиктивной аналитики в процессы CI/CD для Java-проектов с целью повышения стабильности и эффективности разработки. Предложенная методология включает определение ключевых метрик, построение предиктивной модели и её интеграцию в популярные инструменты CI/CD, такие как Jenkins и GitLab CI. Проведенное экспериментальное исследование показало, что использование предиктивной аналитики позволяет сократить время выполнения сборок, уменьшить количество ошибок и повысить точность прогнозов успешности сборок до 89%. Научная новизна работы заключается в создании комплексного подхода к оптимизации процессов CI/CD для Java-разработки, который может быть адаптирован для широкого спектра проектов. Практическая значимость исследования заключается в возможности масштабирования предложенного решения и его применения в корпоративных и распределённых системах разработки. Полученные результаты подтверждают высокую эффективность аналитических методов для улучшения процессов DevOps и открывают перспективы дальнейших исследований в данной области.

Ключевые слова: CI/CD, предиктивная аналитика, машинное обучение в CI/CD, Jenkins, GitLab CI, оптимизация сборок, прогнозирование стабильности, автоматизация процессов.

Список литературы / References

1. Bass L., Weber I., Zhu L. DevOps: A Software Architect's Perspective. Addison-Wesley, 2015. 240 с.
2. Humble J., Farley D. Continuous Delivery: Reliable Software Releases through Build, Test, and Deployment Automation. Addison-Wesley, 2010. 512 с.
3. Kim G., Humble J., Debois P., Willis J. The DevOps Handbook: How to Create World-Class Agility, Reliability, and Security in Technology Organizations. IT Revolution Press, 2016. 480 с.
4. Chen L., Ali Babar M., Nuseibeh B. Characterizing architecturally significant requirements // IEEE Software. Т. 30. № 2. С. 38–45. DOI: 10.1109/MS.2013.23.
5. Lwakatare L.E., Kuvaja P., Oivo M. Dimensions of DevOps // Journal of Systems and Software. Т. 119. С. 58–73. DOI: 10.1016/j.jss.2016.06.033.
6. Guo Y., Linders B., Bruntink M., Visser J. Predictive analytics in DevOps // IEEE Transactions on Software Engineering. Т. 44. № 12. С. 1232–1250. DOI: 10.1109/TSE.2018.2834747.
7. Savor T., Nagle R., Devlin B., Fisher K., Gunawi H.S. Continuous Deployment at Facebook and Netflix // Communications of the ACM. 2016. Т. 59. № 11. С. 50–59. DOI: 10.1145/2894787.
8. Флеров Ю.А., Селезнев И.В. Использование предиктивной аналитики в процессах CI/CD // Вестник программной инженерии. 2021. № 3. С. 65–73.
9. Грибов А.А., Ильин А.В. Анализ метрик в контексте предиктивного анализа в DevOps // Современные проблемы информатики. 2022. № 2. С. 123–134.
10. Глухов П.В., Григорьев М.А. Интеграция предсказательной аналитики в Jenkins // Системный анализ и прикладная информатика. 2020. № 4. С. 45–52.
11. Kohavi R., Longbotham R. Online controlled experiments and A/B testing in DevOps // Encyclopedia of Big Data Technologies. Springer, 2019. С. 1654–1660. DOI: 10.1007/978-3-319-77525-8_40.
12. Chandrasekaran S., Fox G.C., Ramakrishnan L. Predictive analytics in continuous delivery pipelines // Future Generation Computer Systems. Т. 115. С. 204–213. DOI: 10.1016/j.future.2020.09.033.
13. Шаронов Е.С. Современные инструменты CI/CD для Java-проектов // Программная инженерия и информационные технологии. 2023. № 1. С. 98–104.
14. White J., McMillan C., Black S., Schmidt D. Using machine learning to optimize DevOps processes // Software Engineering Journal. Т. 45. № 3. С. 89–102. DOI: 10.1109/TSE.2020.3011340.
15. Behnamghader P., Garcia J., Mirakhorli M., Medvidovic N. Quantifying software architecture stability // IEEE Software. Т. 35. № 4. С. 75–83. DOI: 10.1109/MS.2018.2801530.
16. Волков С.П., Лебедев М.Ю. Тестирование моделей машинного обучения в разработке ПО // Вопросы теории и практики программирования. 2023. № 2. С. 34–40.
17. Kaczmarczyk S., Sobecki J., Wojciechowski M. Machine learning models in Jenkins pipelines // Journal of Software Development. Т. 34. № 1. С. 27–39.

Ссылка для цитирования данной статьи

		Тип лицензии на данную статью – CC BY 4.0. Это значит, что Вы можете свободно цитировать данную статью на любом носителе и в любом формате при указании авторства.
Ссылка для цитирования Murashkin I.N. INTEGRATION OF CI/CD SOLUTIONS WITH PREDICTIVE ANALYTICS FOR JAVA PROJECTS [ИНТЕГРАЦИЯ РЕШЕНИЙ CI/CD С ВНЕДРЕНИЕМ ПРЕДСКАЗАТЕЛЬНОЙ АНАЛИТИКИ ДЛЯ JAVA-ПРОЕКТОВ] //  CII International Scientific and Practical Conference «International Scientific Review of the Problems and Prospects of Modern Science and Education Свободное цитирование при указании авторства: https://scientific-conference.com/grafik.html (USA, Boton -  February, 2025). с. {см. сборник}

Информация о материале

Опубликовано: 28 января 2024

Просмотров: 317

Nesterov A.Yu., Lamtyugina O.A.

Nesterov Artyom Yurievich – teacher,

DEPARTMENT OF LEGAL DISCIPLINES;

Lamtyugina Olga Alekseevna – student,

SPECIALTY INFORMATION SECURITY OF AUTOMATED SYSTEMS,

COLLEGE OF PROGRAMMING AND CYBERSECURITY RTU MIREA,

MOSCOW

Abstract: in the scientific article, we examined in detail the genesis and formation of various types of artificial intelligence, which play a vital role in the protection of data, including personal data. The article also explains what artificial intelligence is and its types, how and where neural networks are used for security purposes, and also describes the advantages and limitations of using neural networks in cybersecurity. The scientific work also examined the trends that artificial intelligence will soon form in the field of cybersecurity. As AI technology advances, it will become increasingly important for organizations to leverage AI in cybersecurity. Today, Artificial Intelligence can help improve your security and detect attacks faster than ever before, making it an invaluable tool in protecting your data from attackers. The integration of artificial intelligence into cybersecurity is no longer a distant pipe dream, but a reality that shapes and strengthens defenses against the ever-growing and sophisticated cyber threats looming over the digital world.

Keywords: artificial Intelligence (AI), expert system, cybersecurity, neural network, cyber attacks, phishing, hackers, safety, digital environment, internet, global network - internet.

 Нестеров А.Ю., Ламтюгина О.А.

Нестеров Артём Юрьевич – преподаватель,

кафедра правовых дисциплин;

Ламтюгина Ольга Алексеевна – студент,

специальность информационная безопасность автоматизированных систем,

Колледж программирования и кибербезопасности РТУ МИРЭА,

г. Москва

Аннотация: в научной статье, мы подробно рассмотрели генезисе и становление различных видов искусственного интеллекта, которые играют важнейшую роль в защите данных, в том числе и персональных. Также в статье объясняется, что такое искусственный интеллект и его виды, как и где нейронные сети используются в целях безопасности, а также описываются преимущества и ограничения использования нейронных сетей в кибербезопасности. Также в научном труде рассмотрели тенденции, которые искусственный интеллект вскоре сформирует в области кибербезопасности. По мере развития технологий искусственного интеллекта организациям будет становиться все более важным использовать искусственный интеллект в сфере кибербезопасности. Искусственный интеллект может помочь повысить вашу безопасность и обнаруживать атаки быстрее, чем когда-либо прежде, что делает его бесценным инструментом защиты ваших данных от злоумышленников. Интеграция искусственного интеллекта в кибербезопасности - это уже не далекая несбыточная мечта, а реальность, формирующая и укрепляющая защиту от постоянно растущих и изощренных киберугроз, нависших над цифровым миром.

Ключевые слова: искусственный интеллект (ИИ), экспертная система, кибербезопаность, нейросеть, кибератаки, фишинг, хакеры, безопасность, цифровая среда, интернет, глобальная сеть – интернет.

References / Список литературы

1. Borovskaya E.V. B83 Fundamentals of artificial intelligence: textbook / E. V. Borovskaya, N. A. Davydova. - 4th ed., electronic. M.: Knowledge Laboratory, 2020. - 130 p.
2. Gavrilov T.A., Khoroshevsky V.F. Knowledge bases and intelligent systems: Textbook. - St. Petersburg: Peter, 2000.
3. Kuznetsov V.E. Representation of informal procedures in a computer: production systems / With an afterword by D. A. Pospelov. - M.: Nauka, 1989.
4. Lyubarsky Yu.Ya. Intelligent information systems. - M.: Nauka, 1990.
5. Handbook of artificial intelligence. In 3 vols. / Ed. E.V. Popova and D.A. Pospelova. - M.: Radio and Communications, 1990.
6. Panarin Roman, Bairyev Mekan. The role of artificial intelligence in cybersecurity. [Electronic Resource]. URL: https://maddevs.io/blog/artificial-intelligence-in-cybersecurity/ (date of access: 17/01/2024).
7. Shabanov Alexander Application of artificial intelligence technologies in information security [Electronic Resource]. URL: https://www.anti-malware.ru/analytics/Technology_Analysis/using-artificial-intelligence-technologies-in-information-security/ (date of access: 17/01/2024).

Ссылка для цитирования данной статьи

		Тип лицензии на данную статью – CC BY 4.0. Это значит, что Вы можете свободно цитировать данную статью на любом носителе и в любом формате при указании авторства.
Ссылка для цитирования Nesterov A.Yu., Lamtyugina O.A. THE GENESIS AND DEVELOPMENT OF ARTIFICIAL INTELLIGENCE IN RUSSIA AND ABROAD AS AN INDEPENDENT SCIENTIFIC AND INTELLECTUAL BRANCH: CONCEPTUAL APPARATUS [ГЕНЕЗИС И РАЗВИТЕЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В РОССИИ И ЗАРУБЕЖНОМ КАК САМОСТОЯТЕЛЬНОЙ НАУЧНО-ИНТЕЛЛЕКТУАЛЬНОЙ ОТРАСЛИ: ПОНЯТИЙНЫЙ АППАРАТ] //  XCIV International Scientific and Practical Conference «International Scientific Review of the Problems and Prospects of Modern Science and Education Свободное цитирование при указании авторства: https://scientific-conference.com/grafik.html (Boston, USA -  January, 2024). с. {см. сборник}

Информация о материале

Опубликовано: 29 декабря 2023

Просмотров: 832

Shauchuk V.A.

Shauchuk Volha Andreyevna - Quality Assurance Engineer,  INTERNATIONAL SOFTWARE COMPANY 'EPAM SYSTEMS, VITEBSK

Abstract: the article analyses the key aspects and methodologies of software performance testing in the modern information world. The main goals of this article are: explaining the importance of performance testing to ensure high-level software operation in dynamic IT market conditions; enlightening about the methods and tools used to evaluate software performance and ensure its high-level functioning; providing recommendations and methods to enhance application performance aiming at improving their efficiency and meeting user needs; exploring trends and development prospects in the field of performance testing, assessing the impact of load factors on performance.

Keywords: software, information technology, performance testing, metrics and testing methods, practical application, testing tools, trend analysis and prospects, user experience.

Шевчук О.А. 

Шевчук Ольга Андреевна - инженер по контролю качества программного обеспечения, Международная компания программного обеспечения «EPAM Systems», г. Витебск

Аннотация: в статье анализируются ключевые аспекты и методики тестирования производительности программного обеспечения в современном информационном мире. Основными целями данной статьи являются: объяснение важности тестирования производительности для обеспечения высокого уровня работы программного обеспечения в динамичных условиях рынка информационных технологий; просвещение о методах и инструментах, которые используются для оценки производительности ПО и обеспечения высокого уровня его функционирования; предоставление рекомендаций и методов улучшения производительности приложений с целью повышения их эффективности и удовлетворения потребностей пользователей, исследование тенденций и перспектив развития в области тестирования производительности, оценка влияния факторов нагрузки на производительность.

Ключевые слова: программное обеспечение, информационные технологии, тестирование производительности, метрики и методы тестирования, практическое применение, инструменты тестирования, исследование тенденций и перспектив, пользовательский опыт.

Список литературы / References

1. Шевчук В.И. Современные подходы к тестированию программного обеспечения. [Электронный ресурс]. 2023. URL: https://vc.ru/u/1205966-vital-shauchuk/691440-sovremennye-podhody-k-testirovaniyu-programmnogo-obespecheniya (Дата обращения: 10.10.2023).
2. Wikipedia Тестирование производительности. [Электронный ресурс]. 2015. URL: https://ru.wikipedia.org/wiki/%D0%A2%D0%B5%D1%81%D1%82%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5_%D0%BF%D1%80%D0%BE%D0%B8%D0%B7%D0%B2%D0%BE%D0%B4%D0%B8%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D0%BE%D1%81%D1%82%D0%B8#:~:text=%D0%A2%D0%B5%D1%81%D1%82%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5%20%D0%BF%D1%80%D0%BE%D0%B8%D0%B7%D0%B2%D0%BE%D0%B4%D0%B8%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D0%BE%D1%81%D1%82%D0%B8%20(%D0%B0%D0%BD%D0%B3%D0%BB.%20Performance%20Testing),%D0%BC%D0%B0%D1%81%D1%88%D1%82%D0%B0%D0%B1%D0%B8%D1%80%D1%83%D0%B5%D0%BC%D0%BE%D1%81%D1%82%D1%8C%2C%20%D0%BD%D0%B0%D0%B4%D1%91%D0%B6%D0%BD%D0%BE%D1%81%D1%82%D1%8C%20%D0%B8%20%D0%BF%D0%BE%D1%82%D1%80%D0%B5%D0%B1%D0%BB%D0%B5%D0%BD%D0%B8%D0%B5%20%D1%80%D0%B5%D1%81%D1%83%D1%80%D1%81%D0%BE%D0%B2 (Дата обращения: 10.12.2023).
3. Библия QA Тестирование производительности (Performance testing). [Электронный ресурс]. URL: https://vladislaveremeev.gitbook.io/qa_bible/vidy-metody-urovni-testirovaniya/testirovanie-proizvoditelnosti-performance-testing (Дата обращения: 08.12.2023).
4. Терешков Б. Учебник по тестированию производительности: автоматизация, Gatling и Jenkins. [Электронный ресурс]. 2021. URL: https://nanomode.ru/coding2/uchebnik-po-testirovaniyu-proizvoditelnosti-avtomatizatsiya-gatling-i-jenkins/ (Дата обращения: 18.12.2023).
5. QA evolution Тестирование стабильности. [Электронный ресурс]. 2023. URL: https://qaevolution.ru/testirovanie-stabilnosti/ (Дата обращения: 13.12.2023).
6. QA Bible Конфигурационное тестирование (Configuration testing). [Электронный ресурс]. https://vladislaveremeev.gitbook.io/qa_bible/vidy-metody-urovni-testirovaniya/konfiguracionnoe-testirovanie-configuration-testing (Дата обращения: 13.12.2023).
7. ru Тестирование производительности: теория и немного практики. [Электронный ресурс]. 2021. URL: https://testengineer.ru/testirovanie-proizvoditelnosti-veb-servisov/ (Дата обращения: 13.12.2023).
8. Рыжов И. Автоматизированное тестирование производительности: инструменты и практика. [Электронный ресурс]. 2023. URL: https://gochadev.ru/2023/10/10/avtomatizirovannoe-testirovanie-proizvoditelnosti-instrumenti-i-praktika/ (Дата обращения: 10.12.2023).
9. QA evolution Тестирование производительности. [Электронный ресурс]. 2023. URL: https://qaevolution.ru/testirovanie-po/vidy-testirovaniya-po/testirovanie-proizvoditelnosti/ (Дата обращения: 13.12.2023).
10. Dru Тестирование производительности. Часть 2. [Электронный ресурс]. 2023. URL: https://dzen.ru/a/ZB8y0YxERkhSmRe6 (Дата обращения: 13.12.2023).
11. Нанда В. Учебное пособие по тестированию производительности (определение, типы, метрики, пример). [Электронный ресурс]. 2021. URL: https://www.tutorialspoint.com/performance-testing-tutorial-definition-types-metrics-example (Дата обращения: 19.12.2023).
12. Wikipedia [Электронный ресурс]. URL: https://ru.wikipedia.org/wiki/Netflix (Дата обращения: 12.12.2023).
13. Mark Jones How Netflix pioneered Chaos Engineering. URL: https://techhq.com/2019/03/how-netflix-pioneered-chaos-engineering/ (Дата обращения: 12.12.2023).
14. Wikipedia [Электронный ресурс]. URL: https://ru.wikipedia.org/wiki/Facebook (Дата обращения: 12.12.2023).
15. Wikipedia [Электронный ресурс]. URL: https://ru.wikipedia.org/wiki/Google (Дата обращения: 12.12.2023).
16. LoadView 10 наиболее распространенных ошибок в тестировании производительности. [Электронный ресурс]. 2023. URL: https://www.loadview-testing.com/ru/blog/10-%D0%BD%D0%B0%D0%B8%D0%B1%D0%BE%D0%BB%D0%B5%D0%B5-%D1%80%D0%B0%D1%81%D0%BF%D1%80%D0%BE%D1%81%D1%82%D1%80%D0%B0%D0%BD%D0%B5%D0%BD%D0%BD%D1%8B%D1%85-%D0%BE%D1%88%D0%B8%D0%B1%D0%BE%D0%BA-%D0%B2-%D1%82/ (Дата обращения: 09.12.2023).
17. LoadView Типы тестирования программного обеспечения: различия и примеры. [Электронный ресурс]. 2023. URL: https://www.loadview-testing.com/ru/blog/%D1%82%D0%B8%D0%BF%D1%8B-%D1%82%D0%B5%D1%81%D1%82%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D1%8F-%D0%BF%D1%80%D0%BE%D0%B3%D1%80%D0%B0%D0%BC%D0%BC%D0%BD%D0%BE%D0%B3%D0%BE-%D0%BE%D0%B1%D0%B5%D1%81/ (Дата обращения: 09.12.2023).
18. Chistyakov V. Секреты разработки высокопроизводительных приложений и микросервисов. [Электронный ресурс]. 2022. URL: https://medium.com/nuances-of-programming/%D1%81%D0%B5%D0%BA%D1%80%D0%B5%D1%82%D1%8B-%D1%80%D0%B0%D0%B7%D1%80%D0%B0%D0%B1%D0%BE%D1%82%D0%BA%D0%B8-%D0%B2%D1%8B%D1%81%D0%BE%D0%BA%D0%BE%D0%BF%D1%80%D0%BE%D0%B8%D0%B7%D0%B2%D0%BE%D0%B4%D0%B8%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D1%8B%D1%85-%D0%BF%D1%80%D0%B8%D0%BB%D0%BE%D0%B6%D0%B5%D0%BD%D0%B8%D0%B9-%D0%B8-%D0%BC%D0%B8%D0%BA%D1%80%D0%BE%D1%81%D0%B5%D1%80%D0%B2%D0%B8%D1%81%D0%BE%D0%B2-41076220ed10 (Дата обращения: 13.12.2023).
19. Кодов A. Как проводить тестирование на разных платформах. [Электронный ресурс]. 2023. URL: https://sky.pro/media/kak-provodit-testirovanie-na-raznyh-platformah/ (Дата обращения: 13.12.2023).
20. WSS & Technologies Искусственный интеллект для анализа больших данных (BigData). [Электронный ресурс]. URL: https://www.websoftshop.ru/information/articles/big_data/using_ai_in_data_analysis/ (Дата обращения: 13.12.2023).
21. ZAPTEST Что такое тестирование производительности? Глубокое погружение в типы, практику, инструменты, проблемы и многое другое. [Электронный ресурс]. URL: https://www.zaptest.com/ru/%D1%87%D1%82%D0%BE-%D1%82%D0%B0%D0%BA%D0%BE%D0%B5-%D1%82%D0%B5%D1%81%D1%82%D0%B8%D1%80%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5-%D0%BF%D1%80%D0%BE%D0%B8%D0%B7%D0%B2%D0%BE%D0%B4%D0%B8%D1%82%D0%B5%D0%BB/ (Дата обращения: 19.12.2023).

Ссылка для цитирования данной статьи

		Тип лицензии на данную статью – CC BY 4.0. Это значит, что Вы можете свободно цитировать данную статью на любом носителе и в любом формате при указании авторства.
Ссылка для цитирования Shauchuk V.A. SOFTWARE PERFORMANCE TESTING [ТЕСТИРОВАНИЕ ПРОИЗВОДИТЕЛЬНОСТИ ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ] //  XCIV International Scientific and Practical Conference «International Scientific Review of the Problems and Prospects of Modern Science and Education Свободное цитирование при указании авторства: https://scientific-conference.com/grafik.html (Boston, USA -  Janvary, 2024). с. {см. сборник}

Информация о материале

Опубликовано: 09 декабря 2023

Просмотров: 687

Karin I.E.

Karin Iliia Eduardovich - Master's degree in Information Systems in Economics and Management, DevOps Engineer with mor,. INFRASTRUCTURE DEPARTMENT, INVENT INC., DUBAI, UAE.

Abstract: the article describes the use of Podman technology from RedHat corporation and shows an example of this automated deployment into a DMZ Virtual Machine.

Keywords: podman, bash, virtual machine, information and technology, docker, devops, software development.

Карин И.Е.

Карин Илия Эдуардович - Магистр информационных систем в экономике и менеджменте, DevOps-инженер, отдел инфраструктуры, INVENT INC., г. Дубай, Объединенные Арабские Эмираты

Аннотация: в статье описано использование технологии Podman от корпорации RedHat и показан пример такого автоматизированного развертывания в виртуальной машине DMZ.

Ключевые слова: podman, bash, виртуальная машина, информация и технологии, докер, devops, разработка программного обеспечения.

References / Список литературы

1. Official Podman project website. [Electronic Resource]. URL: https://podman.io (date of access: 15.11.2023).
2. Official GNU Bash project website. [Electronic Resource]. URL: https://www.gnu.org/software/bash (date of access: 05.12.2023).
3. Official podman-compose Github registry. [Electronic Resource]. URL: https://github.com/containers/podman-compose (date of access: 30.11.2023).

Ссылка для цитирования данной статьи

		Тип лицензии на данную статью – CC BY 4.0. Это значит, что Вы можете свободно цитировать данную статью на любом носителе и в любом формате при указании авторства.
Ссылка для цитирования Karin I.E. PODMAN CI/CD WITH BASH IN DMZ [PODMAN CI/CD WITH BASH IN DMZ] //  XCIII International Scientific and Practical Conference «International Scientific Review of the Problems and Prospects of Modern Science and Education Свободное цитирование при указании авторства: https://scientific-conference.com/grafik.html (Boston, USA -  December, 2023). с. {см. сборник}