1. ELARTU — Інституційний репозитарій ТНТУ імені Івана Пулюя
  2. Роботи студентів
  3. Магістр
  4. 122 — комп’ютерні науки
霂瑞霂��撘����迨��辣: http://elartu.tntu.edu.ua/handle/lib/47025
摰����漯敶�
DC �������霂剛��
dc.contributor.advisorДуда, Олексій Михайлович-
dc.contributor.advisorDuda, Oleksii-
dc.contributor.authorЛовчук, Олег Іванович-
dc.contributor.authorLovchuk, Oleh-
dc.date.accessioned2025-01-02T19:53:45Z-
dc.date.available2025-01-02T19:53:45Z-
dc.date.issued2024-12-26-
dc.date.submitted2024-12-12-
dc.identifier.citationЛовчук О. І. Дослідження алгоритмів планування «Kubernetes» для розумних міст : робота на здобуття кваліфікаційного ступеня магістра : спец. 122 - комп’ютерні науки / наук. кер. О. М. Дуда. Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2024. 77 с.uk_UA
dc.identifier.urihttp://elartu.tntu.edu.ua/handle/lib/47025-
dc.descriptionРоботу виконано на кафедрі комп'ютерних наук Тернопільського національного технічного університету імені Івана Пулюя. Захист відбудеться 26.12.2024 р. о 10 год. на засіданні екзаменаційної комісії №35 у Тернопільському національному технічному університеті імені Івана Пулюяuk_UA
dc.description.abstractКваліфікаційна робота присв’ячена розробці алгоритмів планування «Kubernetes» для розумних міст. В першому розділі кваліфікаційної роботи описані методики пошуку наукових публікацій щодо алгоритмів планування «Kubernetes» для «розумних міст». Висвітлено означення «Kubernetes» та його використання для «розумних міст». Розглянуто визначення концепту «розумне місто». Проаналізовано знайдені наукові публікації щодо алгоритмів планування «Kubernetes» для «розумних міст». В другому розділі кваліфікаційної роботи описано основні принципи роботи з алгоритмами планування в «Kubernetes» для «розумних міст». Досліджено використання «Kubernetes» для забезпечення ефективності та автоматизації в інфраструктурах. Подано порівняльний опис підходів до планування. В третьому розділі кваліфікаційної роботи описано ефективність алгоритмів планування у сценаріях з високим навантаженням і протестовано їх у середовищі «Kubernetes». Проаналізовано сучасні підходи до масштабування в «Kubernetes», зокрема «Horizontal Pod Autoscaler» і «Vertical Pod Autoscaler». Проведено тестування цих інструментів у реальних умовах високого навантаження. Об’єкт дослідження: системи управління ресурсами в середовищі «Kubernetes» для «розумних міст». Предмет дослідження: алгоритми планування і масштабування в «Kubernetes»uk_UA
dc.description.abstractThe qualification work is dedicated to the development of Kubernetes scheduling algorithms for smart cities. The first section of the qualification work describes the methods for searching for scientific publications on Kubernetes scheduling algorithms for smart cities. The definition of Kubernetes and its use for smart cities are highlighted. The definition of the concept of smart city is considered. The found scientific publications on Kubernetes scheduling algorithms for smart cities are analyzed. The second section of the qualification work describes the basic principles of working with scheduling algorithms in Kubernetes for smart cities. The use of Kubernetes to ensure efficiency and automation in infrastructures is investigated. A comparative description of planning approaches is provided. The third section of the qualification work describes the effectiveness of scheduling algorithms in high-load scenarios and tests them in the Kubernetes environment. Modern approaches to scaling in Kubernetes are analyzed, in particular, Horizontal Pod Autoscaler and Vertical Pod Autoscaler. These tools were tested in real-world high-load conditions. Research object: resource management systems in the Kubernetes environment for smart cities. Research subject: scheduling and scaling algorithms in Kubernetesuk_UA
dc.description.tableofcontentsВСТУП 10 1 АНАЛІТИЧНИЙ ОГЛЯД НАУКОВОЇ ЛІТЕРАТУРИ ЩОДО КОНЦЕПТІВ «РОЗУМНЕ МІСТО» ТА «KUBERNETES» 12 1.1 Означення концепту «розумне місто» 12 1.2 «Kubernetes» для «розумних міст» 14 1.3 Методика пошуку наукових публікацій щодо алгоритмів планування «Kubernetes» для «розумних міст» 18 1.4 Аналіз наукових публікацій щодо алгоритмів планування «Kubernetes» для «розумних міст» 21 1.5 Висновки до першого розділу 30 2 ДОСЛІДЖЕННЯ АЛГОРИТМІВ ПЛАНУВАННЯ «KUBERNETES» ДЛЯ «РОЗУМНИХ МІСТ» 32 2.1 Планування за допомогою багатоцільової оптимізації 32 2.2 Планування, орієнтоване на «AI» 35 2.3 Планування з підтримкою автомасштабування 41 2.4 Висновок до другого розділу 45 3 АНАЛІЗ ПІДХОДІВ ДО МАСШТАБУВАННЯ ТА ПРОЄКТУВАННЯ РІШЕНЬ У «KUBERNETES» ДЛЯ «РОЗУМНИХ МІСТ» 46 3.1 Аналіз сучасних підходів до масштабування в «Kubernetes» 46 3.2 «Horizontal Pod Autoscaler» 48 3.3 «Vertical Pod Autoscaler» 50 3.4 Обговорення, виклики та перспективи подальших досліджень 52 3.5 Висновок до третього розділу 58 4 ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ 59 4.1 Вимоги до серверних приміщень 59 4.2 Державна система моніторингу довкілля, як складова частина національної інформаційної інфраструктури, сумісної з аналогічними системами інших країн 63 4.3 Висновок до четвертого розділу 66 ВИСНОВКИ 67 ПЕРЕЛІК ДЖЕРЕЛ 70 ДОДАТКИuk_UA
dc.format.extent77-
dc.language.isoukuk_UA
dc.publisherТернопільський національний технічний університет імені Івана Пулюяuk_UA
dc.subjectкомп’ютерні наукиuk_UA
dc.subjectалгоритм плануванняuk_UA
dc.subjectконтейнерні програмиuk_UA
dc.subjectоркестровка контейнерівuk_UA
dc.subjectсмарт-застосункиuk_UA
dc.subjectсмарт-системиuk_UA
dc.subjectхмарні сервісиuk_UA
dc.subjectsmart systemsuk_UA
dc.subjectsmart applicationsuk_UA
dc.subjectscheduling algorithmuk_UA
dc.subjectcontainer orchestrationuk_UA
dc.subjectcontainer applicationsuk_UA
dc.subjectcloud servicesuk_UA
dc.subjectkubernetesuk_UA
dc.titleДослідження алгоритмів планування «Kubernetes» для розумних містuk_UA
dc.title.alternativeExploring Kubernetes Scheduling Algorithms for Smart Citiesuk_UA
dc.typeMaster Thesisuk_UA
dc.rights.holder© Ловчук Олег Іванович, 2024uk_UA
dc.coverage.placenameТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Українаuk_UA
dc.subject.udc004.9uk_UA
dc.relation.references1 Tahmasseby, S. The Implementation of Smart Mobility for Smart Cities: A Case Study in Qatar. Civ. Eng. J. 2022, 8, 2154–2171uk_UA
dc.relation.references2 Ismagilova, E.; Hughes, L.; Dwivedi, Y.K.; Raman, K.R. Smart cities: Advances in research — An information systems perspective. Int. J. Inf. Manag. 2019, 47, 88–100uk_UA
dc.relation.references3 Abadía, J.J.P.; Walther, C.; Osman, A.; Smarsly, K. A systematic survey of Internet of Things frameworks for smart city applications. Sustain. Cities Soc. 2022, 83, 103949uk_UA
dc.relation.references4 Raspotnik, A.; Grønning, R.; Herrmann, V. A tale of three cities: The concept of smart sustainable cities for the Arctic. Polar Geogr. 2020, 43, 64–87uk_UA
dc.relation.references5 Jose Sanchez Gracias, Gregory S. Parnell, Eric Specking, Edward A. Pohl, Randy Buchanan (2023) Smart Cities - A Structured Literature Review. pp 1724 – 1725uk_UA
dc.relation.references6 Kwak, Y.H.; Lee, J. Toward Sustainable Smart City: Lessons From 20 Years of Korean Programs. IEEE Trans. Eng. Manag. 2021, 70, 740–754uk_UA
dc.relation.references7 Hammons, R.; Myers, J. Smart Cities. IEEE Internet Things Mag. 2019, 2, 8–9uk_UA
dc.relation.references8 Mondal SK, Pan R, Kabir HMD, Tian T, Dai HN (2022) Kubernetes in IT administration and serverless computing: an empirical study and research challenges. J Supercomput 78(2):2937–2987uk_UA
dc.relation.references9 Phuc LH, Phan LA, Kim T (2022) Traffic-Aware horizontal pod autoscaler in kubernetes-based edge computing infrastructure. IEEE Access 10:18966–18977uk_UA
dc.relation.references10 Zhang M, Cao J, Yang L, Zhang L, Sahni Y, Jiang S (2022) ENTS: An Edgenative Task Scheduling System for Collaborative Edge Computing. IEEE/ ACM 7th Symposium on Edge Computing, SEC. pp 149–161uk_UA
dc.relation.references11 Kim SH, Kim T (2023) Local scheduling in kubeedge-based edge computing environment. Sensors 23(3):1522uk_UA
dc.relation.references12 E. Casalicchio (2019) "Container orchestration: A survey" Syst Model, 221–235uk_UA
dc.relation.references13 Pahl C, Brogi A, Soldani J, Jamshidi P (2017) Cloud container technologies: a state-of-the-art review. IEEE Transact Cloud Comput 7(3):677–692uk_UA
dc.relation.references14 Rodriguez MA, Buyya R (2019) Container-based cluster orchestration systems: A taxonomy and future directions. Software Pract Experience 49(5):698–719uk_UA
dc.relation.references15 Truyen E, Van Landuyt D, Preuveneers D, Lagaisse B, Joosen W (2019) A comprehensive feature comparison study of open-source container orchestration frameworks. Appl Sciences (Switzerland) 9(5):931uk_UA
dc.relation.references16 Arunarani AR, Manjula D, Sugumaran V (2019) Task scheduling techniques in cloud computing: a literature survey. Futur Gener Comput Syst 91:407–415uk_UA
dc.relation.references17 Vijindra and S. Shenai, (2012) Survey on scheduling issues in cloud computing. Procedia Eng 38:2881–2888uk_UA
dc.relation.references18 Wang K, Zhou Q, Guo S, Luo J (2018) Cluster frameworks for efficient scheduling and resource allocation in data center networks: a survey. IEEE Commun Surveys Tutor 20(4):3560–3580uk_UA
dc.relation.references19 Hosseinioun P, Kheirabadi M, Kamel Tabbakh SR, Ghaemi R (2022) A task scheduling approaches in fog computing: a survey”. Transact Emerg TelecommunTechnol 33(3):e3792uk_UA
dc.relation.references20 Rejiba Z, Chamanara J (2022) Custom scheduling in Kubernetes: a survey on common problems and solution approaches. ACM Comput Surv 55(7):1–37uk_UA
dc.relation.references21 Carrión C (2022) Kubernetes scheduling: taxonomy, ongoing issues and challenges. ACM Comput Surv 55(7):1–37uk_UA
dc.relation.references22 Santos J, Wauters T, Volckaert B, De Turck F (2019) Towards network-Aware resource provisioning in Kubernetes for fog computing applications. Proceedings of the IEEE Conference on Network Softwarization: Unleashing the Power of Network Softwarization. pp 351–359uk_UA
dc.relation.references23 Chung A, Park JW, Ganger GR (2018) Stratus: Cost-aware container scheduling in the public cloud. Proceedings of the ACM Symposium on Cloud Computing. pp 121–134uk_UA
dc.relation.references24 Le TN, Sun X, Chowdhury M, Liu Z (2020) AlloX: Compute allocation in hybrid clusters. Proceedings of the 15th European Conference on Computer Systems, EuroSysuk_UA
dc.relation.references25 Zhong Z, Buyya R (2020) A Cost-Efficient Container Orchestration Strategy in Kubernetes-Based Cloud Computing Infrastructures with Heterogeneous Resources. ACM Trans Internet Technol 20(2):1–24uk_UA
dc.relation.references26 Thinakaran P, Gunasekaran JR, Sharma B, Kandemir MT, Das CR (2019) Kube-Knots: Resource Harvesting through Dynamic Container Orchestration in GPU-based Datacenters. Proceedings - IEEE International Conference on Cluster Computing, ICCCuk_UA
dc.relation.references27 Townend P et al (2019) Invited paper: Improving data center efficiency through holistic scheduling in Kubernetes. Proceedings - 13th IEEE International Conference on Service-Oriented System Engineering, 10th International Workshop on Joint Cloud Computing, and IEEE International Workshop on Cloud Computing in Robotic Systems, CCRS. pp 156–166uk_UA
dc.relation.references28 Menouer T (2021) KCSS: Kubernetes container scheduling strategy. J Supercomput 77(5):4267–4293uk_UA
dc.relation.references29 Song S, Deng L, Gong J, Luo H (2019) Gaia scheduler: A kubernetesbased scheduler framework. 16th IEEE International Symposium on Parallel and Distributed Processing with Applications, 17th IEEE International Conference on Ubiquitous Computing and Communications, 8th IEEE International Conference on Big Data and Cloud Computing. pp 252–259uk_UA
dc.relation.references30 Ogbuachi MC, Gore C, Reale A, Suskovics P, Kovacs B (2019) Contextaware K8S scheduler for real time distributed 5G edge computing applications. 27th International Conference on Software, Telecommunications and Computer Networks, SoftCOMuk_UA
dc.relation.references31 Beltre A, Saha P, Govindaraju M (2019) KubeSphere: An approach to multi-tenant fair scheduling for Kubernetes clusters. 3rd IEEE International Conference on Cloud and Fog Computing Technologies and Applications, Cloud Summit. pp 14–20uk_UA
dc.relation.references32 Haja D, Szalay M, Sonkoly B, Pongracz G, Toka L (2019) Sharpening Kubernetes for the Edge. ACM SIGCOMM Conference Posters and Demos, Part of SIGCOMM. pp 136–137uk_UA
dc.relation.references33 Wojciechowski L et al (2021) NetMARKS: Network metrics-AwaRe Kubernetes scheduler powered by service mesh. Proceedings - IEEE INFOCOMuk_UA
dc.relation.references34 El Haj Ahmed G, Gil-Castiñeira F, Costa-Montenegro E (2021) KubCG: A dynamic Kubernetes scheduler for heterogeneous clusters. Software Pract Experience 51(2):213–234uk_UA
dc.relation.references35 Ungureanu OM, Vlădeanu C, Kooij R (2019) Kubernetes cluster optimization using hybrid shared-state scheduling framework. ACM International Conference Proceeding Seriesuk_UA
dc.relation.references36 Yang S, Ren Y, Zhang J, Guan J, Li B (2021) KubeHICE: Performance-aware Container Orchestration on Heterogeneous-ISA Architectures in CloudEdge Platforms. 19th IEEE International Symposium on Parallel and Distributed Processing with Applications, 11th IEEE International Conference on Big Data and Cloud Computing, 14th IEEE International Conference on Social Computing and Networking and 11th IEEE Internation. pp 81–91uk_UA
dc.relation.references37 Li D, Wei Y, Zeng B (2020) A Dynamic I/O Sensing Scheduling Scheme in Kubernetes. ACM International Conference Proceeding Series. pp 14–19uk_UA
dc.relation.references38 Fan D, He D (2020) A Scheduler for Serverless Framework base on Kubernetes. ACM International Conference Proceeding Series. pp 229–232uk_UA
dc.relation.references39 Dua A, Randive S, Agarwal A, Kumar N (2020) Efficient Load balancing to serve Heterogeneous Requests in Clustered Systems using Kubernetes. IEEE 17th Annual Consumer Communications and Networking Conference, CCNCuk_UA
dc.relation.references40 Cai Z, Buyya R (2022) Inverse Queuing Model-Based Feedback Control for Elastic Container Provisioning of Web Systems in Kubernetes. IEEE Trans Comput 71(2):337–348uk_UA
dc.relation.references41 Bestari MF, Kistijantoro AI, Sasmita AB (2020) Dynamic Resource Scheduler for Distributed Deep Learning Training in Kubernetes. 7th International Conference on Advanced Informatics: Concepts, Theory and Applications, ICAICTAuk_UA
dc.relation.references42 Kaur K, Garg S, Kaddoum G, Ahmed SH, Atiquzzaman M (2020) KEIDS: Kubernetes-Based Energy and Interference Driven Scheduler for Industrial IoT in Edge-Cloud Ecosystem. IEEE Internet Things J 7(5):4228–4237uk_UA
dc.relation.references43 Lin M, Xi J, Bai W, Wu J (2019) Ant colony algorithm for multi-objective optimization of container-based microservice scheduling in cloud. IEEE Access 7:83088–83100uk_UA
dc.relation.references44 Wei-guo Z, Xi-lin M, Jin-zhong Z (2018) Research on kubernetes’ resource scheduling scheme. ACM International Conference Proceeding Seriesuk_UA
dc.relation.references45 Oleghe O (2021) Container placement and migration in edge computing: concept and scheduling models. IEEE Access 9:68028–68043uk_UA
dc.relation.references46 Carvalho M, MacEdo DF (2021) QoE-Aware Container Scheduler for Colocated Cloud Environments,” Faculdades Catolicasuk_UA
dc.relation.references47 Chen T, Li M, Li Y, Lin M, Wang N, Wang M, Xiao T, Xu B, Zhang C, Zhang Z (2015) Mxnet: A flexible and efficient machine learning library for heterogeneous distributed systems. arXiv preprint arXiv:1512.01274uk_UA
dc.relation.references48 Abadi M et al (2016) Tensorflow: a system for large-scale machine learning. Osdi 2016(16):265–283uk_UA
dc.relation.references49 Xing EP et al (2015) Petuum: A new platform for distributed machine learning on big data. Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. pp 1335–1344uk_UA
dc.relation.references50 Verma A, Pedrosa L, Korupolu M, Oppenheimer D, Tune E, Wilkes J (2015) Large-scale cluster management at Google with Borg. 10th European Conference on Computer Systems, EuroSys. pp 1–15uk_UA
dc.relation.references51 Vavilapalli VK et al (2013) Apache hadoop YARN: Yet another resource negotiator. 4th Annual Symposium on Cloud Computing, SoCC. pp 1–16uk_UA
dc.relation.references52 Bao Y, Peng Y, Wu C, Li Z (2018) Online Job Scheduling in Distributed Machine Learning Clusters. Proceedings - IEEE INFOCOM. pp 495–503uk_UA
dc.relation.references53 Peng Y, Bao Y, Chen Y, Wu C, Guo C (2018) Optimus: An Efficient Dynamic Resource Scheduler for Deep Learning Clusters. Proceedings of the 13th EuroSys Conference, EuroSysuk_UA
dc.relation.references54 Mao H, Schwarzkopf M, Venkatakrishnan SB, Meng Z, Alizadeh M (2019) Learning scheduling algorithms for data processing clusters. SIGCOMM Conference of the ACM Special Interest Group on Data Communication. pp 270–288uk_UA
dc.relation.references55 Chaudhary S, Ramjee R, Sivathanu M, Kwatra N, Viswanatha S (2020) Balancing efficiency and fairness in heterogeneous GPU clusters for deep learning. Proceedings of the 15th European Conference on Computer Systems, EuroSysuk_UA
dc.relation.references56 Fu Y et al (2019) Progress-based Container Scheduling for Short-lived Applications in a Kubernetes Cluster. IEEE International Conference on Big Data, Big Data. pp 278–287uk_UA
dc.relation.references57 Peng Y, Bao Y, Chen Y, Wu C, Meng C, Lin W (2021) DL2: A Deep LearningDriven Scheduler for Deep Learning Clusters. IEEE Trans Parallel Distrib Syst 32(8):1947–1960uk_UA
dc.relation.references58 Mao Y, Fu Y, Zheng W, Cheng L, Liu Q, Tao D (2022) Speculative Container Scheduling for Deep Learning Applications in a Kubernetes Cluster. IEEE Syst J 16(3):3770–3781uk_UA
dc.relation.references59 Huang J, Xiao C, Wu W (2020) RLSK: A Job Scheduler for Federated Kubernetes Clusters based on Reinforcement Learning. IEEE International Conference on Cloud Engineering, IC2E. pp 116–123uk_UA
dc.relation.references60 Wang H, Liu Z, Shen H (2020) Job scheduling for large-scale machine learning clusters. Proceedings of the 16th International Conference on Emerging Networking EXperiments and Technologies. pp 108–120uk_UA
dc.relation.references61 Casquero O, Armentia A, Sarachaga I, Pérez F, Orive D, Marcos M (2019) Distributed scheduling in Kubernetes based on MAS for Fog-in-the-loop applications. IEEE International Conference on Emerging Technologies and Factory Automation, ETFA. pp 1213–1217uk_UA
dc.relation.references62 Han Y, Shen S, Wang X, Wang S, Leung VCM (2021) Tailored learningbased scheduling for kubernetes-oriented edge-cloud system. Proceedings - IEEE INFOCOMuk_UA
dc.relation.references63 Yang Y, Chen L (2019) Design of Kubernetes Scheduling Strategy Based on LSTM and Grey Model. Proceedings of IEEE 14th International Conference on Intelligent Systems and Knowledge Engineering, ISKE. pp 701–707uk_UA
dc.relation.references64 Zhang X, Li L, Wang Y, Chen E, Shou L (2021) Zeus: Improving Resource Efficiency via Workload Colocation for Massive Kubernetes Clusters. IEEE Access 9:105192–105204uk_UA
dc.relation.references65 Liu Z, Chen C, Li J, Cheng Y, Kou Y, Zhang D (2022) KubFBS: A fine-grained and balance-aware scheduling system for deep learning tasks based on Kubernetes. Concurrency Computat Pract Exper 34(11):e6836. https:// doi. org/ 10. 1002/ cpe. 6836uk_UA
dc.relation.references66 Rahali M, Phan CT, Rubino G (2021) KRS: Kubernetes Resource Scheduler for resilient NFV networks. IEEE Global Communications Conferenceuk_UA
dc.relation.references67 Rattihalli G, Govindaraju M, Lu H, Tiwari D (2019) Exploring potential for non-disruptive vertical auto scaling and resource estimation in Kubernetes. IEEE International Conference on Cloud Computing, CLOUD. pp 33–40uk_UA
dc.relation.references68 Toka L, Dobreff G, Fodor B, Sonkoly B (2021) Machine Learning-Based Scaling Management for Kubernetes Edge Clusters. IEEE Trans Netw Serv Manage 18(1):958–972uk_UA
dc.relation.references69 Taherizadeh S, Stankovski V (2019) Dynamic multi-level auto-scaling rules for containerized applications. Computer J 62(2):174–197uk_UA
dc.relation.references70 Balla D, Simon C, Maliosz M (2020) Adaptive scaling of Kubernetes pods. IEEE/IFIP Network Operations and Management Symposium 2020: Management in the Age of Softwarization and Artificial Intelligence, NOMSuk_UA
dc.relation.references71 Wang M, Zhang D, Wu B (2020) A Cluster Autoscaler Based on Multiple Node Types in Kubernetes. IEEE 4th Information Technology, Networking, Electronic and Automation Control Conference, ITNEC. pp 575–579uk_UA
dc.relation.references72 Kang R, Zhu M, He F, Sato T, Oki E (2021) Design of Scheduler Plugins for Reliable Function Allocation in Kubernetes. 17th International Conference on the Design of Reliable Communication Networks, DRCNuk_UA
dc.relation.references73 Vu DD, Tran MN, Kim Y (2022) Predictive hybrid autoscaling for containerized applications. IEEE Access 10:109768–109778uk_UA
dc.relation.references74 Vorobyiov O (2021) Scaling applications in Kubernetes. LNU Publishing, Lvivuk_UA
dc.relation.references75 Kubecost Team (n.d.) Kubernetes HPA: Horizontal Pod Autoscaler Explained. Available at: https://www.kubecost.com/kubernetes-autoscaling/kubernetes-hpa (Accessed: 02 December 2024)uk_UA
dc.relation.references76 Kubecost Team (n.d.) Kubernetes VPA: Vertical Pod Autoscaler Explained. Available at: https://www.kubecost.com/kubernetes-autoscaling/kubernetes-vpa (Accessed: 02 December 2024)uk_UA
dc.relation.references77 Stepanova LS (2020) Environmental policy of Ukraine and international experience. Kyiv: Center for Economic Strategyuk_UA
dc.relation.references78 Zhukovsky MP (2020) Modern trends in the utilization of municipal solid waste in cities. Journal "Scientific World", 12(4), pp 49–55uk_UA
dc.contributor.affiliationТернопільський національний технічний університет імені Івана Пулюя, факультет комп’ютерно-інформаційних систем і програмної інженерії, кафедра комп’ютерних наук, м. Тернопіль, Українаuk_UA
dc.coverage.countryUAuk_UA
�蝷箔����:122 — комп’ютерні науки

��辣銝剔�﹝獢�:
獢�獢� ��膩 憭批���撘� 
Mag_2024_SNm_61_Lovchuk_O_I.pdfДипломна робота1,46 MBAdobe PDF璉�閫�/撘��
�蝷箸�辣蝞���漯敶�


�DSpace銝剜�������★��������雿��.

蝞∠�極�