Архітектурно-алгоритмічне забезпечення безпеки та надійності інтелектуальної системи прогнозування криптовалютних ризиків на базі хмарних платформ AWS та протоколу HTTPS

Автор(и)

DOI:

https://doi.org/10.31498/2225-6733.53.1.2026.359782

Ключові слова:

штучний інтелект, машинне навчання, прогнозування, безпека API, надійність, архітектура AWS, IAM, DYNAMODB GLOBAL TABLES, HTTPS, конфіденційність, цілісність

Анотація

Ця робота присвячена комплексному дослідженню сучасних методів машинного навчання та їх архітектурно-системного забезпечення, необхідного для створення безпечної та надійної інтелектуальної системи прогнозування ризиків у сфері криптовалютної торгівлі. Актуальність роботи визначається високою волатильністю криптовалютних ринків та критичною потребою в системах, які не лише забезпечують високу точність прогнозів, але й гарантують цілісність, надійність та доступність оброблюваних даних. Метою роботи є дослідження архітектурних та алгоритмічних рішень, спрямованих на забезпечення безпеки та надійності інтелектуальної системи прогнозування криптовалютних ризиків, розробленої на базі хмарних платформ AWS та захищеного протоколу HTTPS. У контексті роботи було досліджено та експериментально порівняно три ключові алгоритми, здатні обробляти часові ряди: Gradient Boosting (Градієнтний бустінг), Random Forest (Випадковий ліс) та LSTM (Long Short-Term Memory). Ці алгоритми є ключовими не лише для прогнозного моделювання, але й відіграють важливу роль у сфері кібербезпеки, оскільки можуть бути адаптовані для виявлення аномалій і шахрайства на ринку, запобігаючи можливим спробам маніпулювання. Розроблена інтелектуальна система реалізована на клієнт-серверній архітектурі, що включає Telegram чат-бот (на фреймворку aiogram) та веб-сервер (на FastAPI). Архітектура системи була спеціально розроблена з урахуванням сучасних вимог до захисту інформації: конфіденційність та мережева, безпека API та контроль доступ, управління ідентифікацією та доступом, висока доступність та стійкість до відмов (Reliability/Availability), контроль працездатності додатків. Розроблена система демонструє високий рівень архітектурно-алгоритмічного забезпечення безпеки та надійності, що є критичним для фінансових систем. Інтеграція AWS IAM, DynamoDB Global Tables та захищених протоколів, поряд з високою точністю моделі Gradient Boosting, підтверджує ефективність обраного підходу для управління криптовалютними ризиками

Посилання

  1. Біржа криптовалюти в Україні (WhiteBIT блог). URL: https://blog.whitebit.com/uk/ (дата звернення 10.12.2025).
  2. Торгуйте криптовалютами на біржі Cryptomus. URL: https://cryptomus.com/uk (дата звернення 10.12.2025).
  3. Що таке волатильність у трейдингу. URL: https://cryptomus.com/uk/blog/cryptocurrencies-volatility-what-is-it (дата звернення 23.12.2025).
  4. Що таке децентралізовані фінанси (DeFi)? URL: https://www.kraken.com/uk-ua/learn/what-is-decentralized-finance-defi (дата звернення 10.12.2025).
  5. Алєксєєнко В., Чубарь О. Криптовалюти: економічна сутність, історія розвитку та роль на світовому фінансовому ринку. Наукові перспективи. 2024. № 1(43). DOI: https://doi.org/10.52058/2708-7530-2024-1(43)-340-358.
  6. Focus on Blockchain: A Comprehensive Survey on Academic and Application / Y. Zou et al. IEEE Access. 2020. Vol. 8. Pp. 187182-187201. DOI: https://doi.org/10.1109/ACCESS.2020.3030491.
  7. Перерва П. Г., Мехович Є. С. Теоретико-методична сутність криптовалюти як складової економічного потенціалу підприємства. Економічний журнал Одеського політехнічного університету. 2025. № 2 (32). С. 86-97. DOI: https://doi.org/10.15276/EJ.02.2025.10.
  8. Семенченко Н. В., Мельничук В. Е., Калінічен-ко М. С. Вплив криптошахрайства на цифрову економіку: зростання втрат та роль кібербезпеки у мінімізації ризиків. Інноваційна економіка. 2025. № 1, С. 42-50. DOI: https://doi.org/10.37332/2309-1533.2025.1.5.
  9. AI and Deep Cycle Prediction: Enhancing Cyber-security while Safeguarding Data Privacy and Information Integrity / J. N. Chukwunweike et al. International Journal of Research Publication and Reviews. 2024. № 5(8). Pp. 3199-3207. DOI: https://doi.org/10.55248/gengpi.5.0824.2403.
  10. Петрина В. В., Дорошенко А. В. Ефективність застосування методів класифікації для задач інтелектуального аналізу великих даних. Науковий вісник НЛТУ України. 2024. Т. 34, № 5. С. 119-128. DOI: https://doi.org/10.36930/40340516.
  11. Новоселецький О. М., Гончарова В. О. Ідентифікації потенційного споживача продукції ринку електронної комерції методом градієнтного бустінгу. Наукові записки Національного університету «Острозька академія». Серія «Економіка». 2021. № 23(51). С. 118–123. DOI: https://doi.org/10.25264/2311-5149-2021-23(51)-118-123.
  12. Замрій І. В., Федоренко М. Л. Аналіз використання алгоритмів штучного інтелекту для глибокого аналізу фінансових даних. Сучасний захист інформації. 2024. № 3(59), С. 55–62. DOI: https://doi.org/10.31673/2409-7292.2024.030005.
  13. Vanderplas J. Python Data Science Handbook: Essential Tools for Working with Data. 2-nd ed. O'Reilly Media, 2022. 588 p.
  14. William S. Vincent. Django for Professionals. Production websites with Python & Django. Lean Publishing, 2020. 252 с.
  15. pyTelegramBotAPI / Python Package Index (PyPI). URL: https://pypi.org/project/pyTelegramBotAPI/ (дата звернення: 10.12.2025).
  16. Daly D. Understanding and Improving Software Performance at MongoDB. ICPE '23 Companion: Companion of the 2023 ACM/SPEC International Conference on Performance Engineering, Coim-bra, Portugal, 15–19 April 2023. P. 307. DOI: https://doi.org/10.1145/3578245.3584855.
  17. Amazon DynamoDB: Fast NoSQL Key-Value Database – Amazon DynamoDB. URL: https://aws.amazon.com/dynamodb/ (дата звернення 10.12.2025).
  18. Kotadiya U., Arora A. S., Yachamaneni T. Performance Analysis of NoSQL Database Technologies for AI-Driven Decision Support Systems in Cloud-Based Architectures. International Journal of Emerging Research in Engineering and Technology. 2022. № 3(2). С. 60-69. DOI: https://doi.org/10.63282/3050-922X.IJERET-V3I2P107.
  19. AWS Elastic Beanstalk. URL: https://docs.aws.amazon.com/whitepapers/latest/overview-deployment-options/aws-elastic-beanstalk.html (дата звернення: 10.12.2025).
  20. Pahl C. Containerization and the PaaS Cloud. IEEE Cloud Computing. 2015. № 2(3). Pp. 24–31. doi: https://doi.org/10.1109/MCC.2015.51.
  21. Containerization in Multi Cloud Environment Roles Strategies Challenges and Solutions for Ef-fective Implementation / M. Waseem et al. ACM Transactions on Software Engineering and Methodology. 2025. Vol. 1. Pp. 1-59. DOI: https://doi.org/10.13140/RG.2.2.21439.32165.
  22. Rumpe B. Modellierung mit UML. Berlin: Springer, 2011. 288 p. DOI: https://doi.org/10.1007/978-3-319-33933-7.
  23. Fowler M. UML Distilled: A Brief Guide to the Standard Object Modeling Language. 2-nd ed. Addison-Wesley Professional, 2003. 118 p.
  24. Ambler S. W. The Object Primer: Agile Model-Driven Development with UML 2.0. 3 ed. Cambridge University Press, 2004. 572 p.
  25. Худолій Ю. С., Косолапенко В. С. Особливості застосування чат-ботів на основі штучного інтелекту у фінансовій сфері. Економіка і регіон. 2023. № 3(90). С. 97–103. DOI: https://doi.org/10.26906/EiR.2023.3(90).3036.
  26. Telegram Bot API. URL: https://core.telegram.org/#api-methods (дата звернення 10.12.2025).
  27. Налаштування журналів CloudWatch за допомо-гою AWS Elastic Beanstalk. URL: https://docs.aws.amazon.com/elasticbeanstalk/latest/dg/AWSHowTo.cloudwatchlogs.html (дата звернення 10.12.2025).
  28. FastAPI. URL: https://fastapi.tiangolo.com/#opinions (дата звернення 10.12.2025).
  29. Robert C. Martin. Чиста архітектура. URL: https://blog.cleancoder.com/uncle-bob/2012/08/13/the-clean-architecture.html (дата звернення: 10.12.2025)
  30. Козуб Г. О., Козуб Ю. Г., Могильний Г. А., Жуков А. В. Розробка мобільного Android-додатку з застосуванням принципів Clean Architecture. Вісник Східноукраїнського національного університету імені Володимира Даля. 2021. № 5(269). С. 5-10. doi: https://doi.org/10.33216/1998-7927-2021-269-5-5-10.

##submission.downloads##

Опубліковано

2026-03-26

Як цитувати

Кривенко , О., & Камінський , Б. (2026). Архітектурно-алгоритмічне забезпечення безпеки та надійності інтелектуальної системи прогнозування криптовалютних ризиків на базі хмарних платформ AWS та протоколу HTTPS. Вісник Приазовського Державного Технічного Університету. Серія: Технічні науки, 1(53), 92–102. https://doi.org/10.31498/2225-6733.53.1.2026.359782

Номер

Том 1 № 53 (2026): Вісник ПДТУ. Серія: Технічні науки

Розділ

122 Комп'ютерні науки та інформаційні технології

Ліцензія

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Журнал "Вісник Приазовського державного технічного університету. Серія: Технічні науки" видається під ліцензією СС-BY (Ліцензія «Із зазначенням авторства»).

Дана ліцензія дозволяє поширювати, редагувати, поправляти і брати твір за основу для похідних навіть на комерційній основі із зазначенням авторства. Це найзручніша з усіх пропонованих ліцензій. Рекомендується для максимального поширення і використання неліцензійних матеріалів.

Автори, які публікуються в цьому журналі, погоджуються з наступними умовами:

1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, яка дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи в цьому журналі.

2. Автори мають право укладати самостійні додаткові угоди, які стосуються неексклюзивного поширення роботи в тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи в цьому журналі.