1. ELARTU — Інституційний репозитарій ТНТУ імені Івана Пулюя
  2. Роботи студентів
  3. Магістр
  4. 122 — комп’ютерні науки, F3 Комп’ютерні науки
Empreu aquest identificador per citar o enllaçar aquest ítem: http://elartu.tntu.edu.ua/handle/lib/52131
Registre complet de metadades
Camp DCValorLengua/Idioma
dc.contributor.advisorНикитюк, Вячеслав Вячеславович-
dc.contributor.advisorNykytyuk, Vyacheslav-
dc.contributor.authorВітів, Іван Володимирович-
dc.contributor.authorVitiv, Ivan-
dc.date.accessioned2026-06-01T10:49:01Z-
dc.date.available2026-06-01T10:49:01Z-
dc.date.issued2026-05-26-
dc.date.submitted2026-05-12-
dc.identifier.citation{ВІДКОРЕГУЙТЕ!!!} Прізвище І. Б. Назва : кваліфікаційна робота на здобуття освітнього ступеня магістр за спеціальністю „122 — комп’ютерні науки“ / І. Б. Прізвище. — Тернопіль: ТНТУ, РІК. — ХХ с.-
dc.identifier.isbn{ВІДКОРЕГУЙТЕ!!!} Прізвище І. Б. Назва : кваліфікаційна робота на здобуття освітнього ступеня магістр за спеціальністю „122 — комп’ютерні науки“ / І. Б. Прізвище. — Тернопіль: ТНТУ, РІК. — ХХ с.-
dc.identifier.isbn{ВІДКОРЕГУЙТЕ!!!} Прізвище І. Б. Назва : кваліфікаційна робота на здобуття освітнього ступеня магістр за спеціальністю „122 — комп’ютерні науки“ / І. Б. Прізвище. — Тернопіль: ТНТУ, РІК. — ХХ с.-
dc.identifier.isbn{ВІДКОРЕГУЙТЕ!!!} Прізвище І. Б. Назва : кваліфікаційна робота на здобуття освітнього ступеня магістр за спеціальністю „122 — комп’ютерні науки“ / І. Б. Прізвище. — Тернопіль: ТНТУ, РІК. — ХХ с.-
dc.identifier.isbn{ВІДКОРЕГУЙТЕ!!!} Прізвище І. Б. Назва : кваліфікаційна робота на здобуття освітнього ступеня магістр за спеціальністю „122 — комп’ютерні науки“ / І. Б. Прізвище. — Тернопіль: ТНТУ, РІК. — ХХ с.-
dc.identifier.urihttp://elartu.tntu.edu.ua/handle/lib/52131-
dc.descriptionРоботу виконано на кафедрі комп'ютерних наук Тернопільського національного технічного університету імені Івана Пулюя. Захист відбудеться 26.05.2026р. на засіданні екзаменаційної комісії №33 у Тернопільському національному технічному університеті імені Івана Пулюяuk_UA
dc.description.abstractКваліфікаційна робота присвячена дослідженню методів багатовимірного опрацювання великих даних розумних міст з врахуванням процесів забезпечення конфіденційності процесів. В першому розділі подано актуальність досліджень в галузі аналітичного опрацювання великих за обсягом наборів та колекцій даних «розумних міст». Розглянуто передумови багатовимірного аналітичного опрацювання великих за обсягом наборів та колекцій даних «розумних міст». Висвітлено основи моделей, методів та технік багатовимірного аналітичного опрацювання великих за обсягом даних, що зберігають конфіденційність. Проаналізовано хмарні архітектури та платформи для розширеного аналітичного опрацювання, що зберігає конфіденційність. В другому розділі досліджено конфіденційність високовимірних даних «розумних міст». Розглянуто конфіденційність OLAP «розумних міст». Проаналізовано конфіденційність великих багатовимірних даних «розумних міст» у нових сценаріях застосування. Досліджено архітектури та платформи для розширеного аналітичного опрацювання збереження конфіденційності в хмарах. В третьому розділі подано порівняльний опис інструментів та підходів аналітичного опрацювання великих за обсягом наборів та колекцій даних «розумних міст».uk_UA
dc.description.abstractThe qualification thesis is devoted to the research of methods for multidimensional analytical processing of smart city big data, taking into account the processes of ensuring process privacy. The first chapter presents the relevance of research in the field of analytical processing of large-scale datasets and collections of "smart city" data. The prerequisites for multidimensional analytical processing of large-scale datasets and collections of "smart city" data are considered. The fundamentals of models, methods, and techniques for privacy-preserving multidimensional analytical processing of big data are highlighted. Cloud architectures and platforms for enhanced privacy-preserving analytical processing are analyzed. The second chapter investigates the privacy of high-dimensional "smart city" data. The privacy of "smart city" OLAP is considered. The privacy of large multidimensional "smart city" data in new application scenarios is analyzed. Architectures and platforms for enhanced privacy-preserving analytical processing in the cloud are investigated. The third chapter provides a comparative description of tools and approaches for the analytical processing of large-scale datasets and collections of "smart city" data.uk_UA
dc.description.tableofcontentsВступ 9 1 Актуальність, передумови та концептуальні засади багатовимірного аналізу даних у системах «розумних міст» 12 1.1 Актуальність досліджень в галузі аналітичного опрацювання великих за обсягом наборів та колекцій даних «розумних міст» 12 1.2 Передумови багатовимірного аналітичного опрацювання великих за обсягом наборів та колекцій даних «розумних міст» 15 1.3 Основи моделей, методів та технік багатовимірного аналітичного опрацювання великих за обсягом даних, що зберігають конфіденційність 18 1.4 Хмарні архітектури та платформи для розширеного аналітичного опрацювання, що зберігає конфіденційність 21 1.5 Висновок до першого розділу 22 2 Конфіденційність процесів багатовимірного аналітичного опрацювання великих за обсягом наборів та колекцій даних «розумних міст» 24 2.1 Конфіденційність високовимірних даних «розумних міст» 25 2.2 Конфіденційність OLAP «розумних міст» 27 2.3 Конфіденційність великих багатовимірних даних «розумних міст» у нових сценаріях застосування 30 2.4 Конфіденційність через анонімізацію в системах аналізу великих даних «розумних міст» 33 2.5 Конфіденційність через багатовимірну анонімізацію в системах аналітичного опрацювання великих даних 36 2.6 Архітектури та платформи для розширеного аналітичного опрацювання збереження конфіденційності в хмарах 40 2.7 Висновок до другого розділу 45 3 Методи, архітектурні рішення та експериментальні дослідження багатовимірного аналізу великих даних «розумних міст» 46 3.1 Загальні інструменти та підходи аналітичного опрацювання великих за обсягом наборів та колекцій даних «розумних міст» 46 3.2 Методи аналітичного опрацювання великих за обсягом наборів та колекцій даних «розумних міст» за впливом на цілісність 48 3.3 Захист та приватність процесів аналітичного опрацювання великих за обсягом наборів та колекцій даних «розумних міст» 50 3.4 Технічні методи маскування та трансформації великих за обсягом наборів та колекцій даних «розумних міст» 53 3.5 Спеціалізовані методи опрацювання великих за обсягом наборів та колекцій даних «розумних міст» 58 3.6 Аналітичні метрики великих за обсягом наборів та колекцій даних «розумних міст» 60 3.7 Робота з великими даними та середовищами «розумних міст» 62 3.7.1 Інформаційно-технологічна архітектура та налаштування 62 3.7.2 Аналіз та моделювання великих за обсягом наборів та колекцій даних «розумних міст» 63 3.7.3 Багатовимірна модель аналізу великих даних «розумних міст» 64 3.8 Проблеми та майбутні напрямки досліджень 65 3.9 Висновок до третього розділу 66 4 Охорона праці та безпека в надзвичайних ситуаціях 67 4.1 Вимоги щодо охорони праці при роботі з комп’ютерами. Інструкція для програміста 67 4.2 Планування та порядок проведення евакуації населення з районів наслідків впливу НС техногенного та природного характеру 70 4.3 Організація оповіщення пожежної безпеки на підприємствах «розумних міст» 71 4.4 Висновок до четвертого розділу 73 Висновки 74 Перелік джерел 76 ДОДАТКИuk_UA
dc.format.extent86-
dc.language.isoukuk_UA
dc.publisherТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Українаuk_UA
dc.subject122uk_UA
dc.subjectкомп’ютерні наукиuk_UA
dc.subjectбагатовимірна анонімізаціяuk_UA
dc.subjectбагатовимірне аналітичне опрацюванняuk_UA
dc.subjectвеликі даніuk_UA
dc.subjectконфіденційність данихuk_UA
dc.subjectмаскування данихuk_UA
dc.subjectрозумне містоuk_UA
dc.subjectхмарні архітектуриuk_UA
dc.subjectbig datauk_UA
dc.subjectcloud architecturesuk_UA
dc.subjectdata maskinguk_UA
dc.subjectdata privacyuk_UA
dc.subjectmultidimensional analytical processinguk_UA
dc.subjectmultidimensional anonymizationuk_UA
dc.subjectsmart cityuk_UA
dc.titleМетоди багатовимірного опрацювання великих даних розумних міст з врахуванням процесів забезпечення конфіденційності процесівuk_UA
dc.title.alternativeMethods for Multidimensional Processing of Smart City Big Data with Consideration of Privacy Preservation Processesuk_UA
dc.typeMaster Thesisuk_UA
dc.rights.holder© Вітів Іван Володимирович, 2026uk_UA
dc.contributor.committeeMemberТотосько, Олег Васильович-
dc.contributor.committeeMemberTotosko, Oleg-
dc.coverage.placenameТернопільuk_UA
dc.subject.udc004.9uk_UA
dc.relation.references1. Cuzzocrea, Alfredo, and Selim Soufargi. "Privacy-preserving multidimensional big data analytics models, methods and techniques: A comprehensive survey." Expert Systems with Applications 270 (2025): 126387.uk_UA
dc.relation.references2. Oehmichen, A., Jain, S., Gadotti, A., & de Montjoye, Y. (2019). OPAL: high performance platform for large-scale privacy-preserving location data analytics. In 2019 IEEE international conference on big data (IEEE bigData), Los Angeles, CA, USA, December 9-12, 2019 (pp. 1332–1342). IEEE.uk_UA
dc.relation.references3. Coronato, A., & Cuzzocrea, A. (2022). An innovative risk assessment methodology for medical information systems. IEEE Transactions on Knowledge and Data Engineering, 34(7), 3095–3110.uk_UA
dc.relation.references4. Commission, E. (2023). Data protection in the EU. https://commission.europa.eu/law/ law-topic/data-protection/data-protection-eu_en.uk_UA
dc.relation.references5. Cuzzocrea, A., Song, I., & Davis, K. C. (2011). Analytics over large-scale multidimensional data: the big data revolution!. In DOLAP 2011, ACM 14th international workshop on data warehousing and OLAP, Glasgow, United kingdom, October 28, 2011, proceedings (pp. 101–104). ACM.uk_UA
dc.relation.references6. Cuzzocrea, A. (2021). Innovative paradigms for supporting privacy-preserving multidimensional big healthcare data management and analytics: The case of the EU H2020 QUALITOP research project. In CEUR workshop proceedings: vol. 3055, Proceedings of the fourth international workshop on semantic web meets health data management, SWH 2021 co-located with the 20th international semantic web conference, ISWC 2021, virtual conference, October 24, 2021 (pp. 1–7). CEUR-WS.org.uk_UA
dc.relation.references7. Zhang, X., Qi, L., Dou, W., He, Q., Leckie, C., Kotagiri, R., et al. (2022). MRMondrian: Scalable multidimensional anonymisation for big data privacy preservation. IEEE Transactions on Big Data, 8(1), 125–139.uk_UA
dc.relation.references8. Dediv, L., Dozorska, O., Kukuruza, V., Nykytyuk, V., Kovalyk, S. Computer Simulation Modeling of Voice Signals in the Matlab Environment for the Task of Computerized Diagnostic Systems Testing. The 1st International Workshop on “Computer information technologies in Industry 4.0” (CITI-2023) will be held in Ternopil, Ukraine, from June 14 to 16, 2023. The Workshop is organized by the Faculty of Applied Information Technologies and Electrical Engineering of Ternopil Ivan Puluj National Technical University. 2023, 3468, pp. 257–262. Vol-3468 urn:nbn:de:0074-3468-8, ISSN 1613-0073.uk_UA
dc.relation.references9. Cuzzocrea, A., & Bringas, P. G. (2022). CORE-BCD-mAI: A composite framework for representing, querying, and analyzing big clinical data by means of multidimensional AI tools. In Lecture notes in computer science: vol. 13469, Hybrid artificial intelligent systems – 17th international conference, HAIS 2022, Salamanca, Spain, September 5-7, 2022, proceedings (pp. 175–185). Springer.uk_UA
dc.relation.references10. Oleksii Duda, Nataliia Kunanets, Serhii Martsenko, Vyacheslav Nykytyuk, Volodymyr Pasichnyk. Information technology platform for the selection and analytical processing of information on COVID-19. 2021 IEEE 16th International Conference on Computer Sciences and Information Technologies (CSIT). Volume 2, Lviv, Ukraine 22-25 Sept. 2021. P. 231-328. Electronic ISBN:978-1-6654-4257-2, Print on Demand(PoD) ISBN:978-1-6654-4258-9, Electronic ISSN: 2766-3639, Print on Demand(PoD) ISSN: 2766-3655. DOI: 10.1109/CSIT52700.2021.9648839.uk_UA
dc.relation.references11. Vyacheslav Nykytyuk, Vasil Dozorskyi, Oksana Dozorska, Andrii Karnaukhov and Liubomyr Matiichuk. The Method of User Identification by Speech Signal. The 2nd International Workshop on Information Technologies: Theoretical and Applied Problems (ITTAP-2022) Ternopil, Ukraine, November 22-24, 2022. Vol-3309 urn:nbn:de:0074-3309-1. P.225-232. ISSN 1613-0073 DOI: 10.1425/jsdtl.uk_UA
dc.relation.references12. Gray, J., Chaudhuri, S., Bosworth, A., Layman, A., Reichart, D., Venkatrao, M., et al. (1997). Data cube: A relational aggregation operator generalizing group-by, cross-tab, and sub totals. Data Mining and Knowledge Discovery, 1(1), 29–53.uk_UA
dc.relation.references13. Guerrero-Prado, J. S., Alfonso-Morales, W., & Bravo, E. F. C. (2021). A data analytics/big data framework for advanced metering infrastructure data. Sensors, 21(16), 5650.uk_UA
dc.relation.references14. Aggarwal, C. C. (2007). On randomization, public information and the curse of dimensionality. In Proceedings of the 23rd international conference on data engineering, ICDE 2007, the Marmara Hotel, Istanbul, Turkey, April 15-20, 2007 (pp. 136–145). IEEE Computer Society.uk_UA
dc.relation.references15. Fung, B. C., Trojer, T., Hung, P. C., Xiong, L., Al-Hussaeni, K., & Dssouli, R. (2012). Service-oriented architecture for high-dimensional private data mashup. IEEE Transactions on Services Computing, 5(3), 373–386.uk_UA
dc.relation.references16. Agrawal, R., Srikant, R., & Thomas, D. (2005). Privacy preserving OLAP. In Proceedings of the ACM SIGMOD international conference on management of data, Baltimore, Maryland, USA, June 14-16, 2005 (pp. 251–262). ACM.uk_UA
dc.relation.references17. Aggarwal, C. C., Hinneburg, A., & Keim, D. A. (2001). On the surprising behavior of distance metrics in high dimensional spaces. In Lecture notes in computer science: vol. 1973, Database theory – ICDT 2001, 8th international conference, London, UK, January 4-6, 2001, proceedings (pp. 420–434). Springer.uk_UA
dc.relation.references18. Zakerzadeh, H., Aggarwal, C. C., & Barker, K. (2014). Towards breaking the curse of dimensionality for high-dimensional privacy: An extended version. CoRR abs/1401. 1174.uk_UA
dc.relation.references19. Priebe, T., & Pernul, G. (2000). Towards OLAP security design – survey and research issues. In 3rd ACM international workshop on data warehousing and OLAP (DOLAP 2000), Washington, DC, USA, November 10, 2000 (pp. 33–40). ACM.uk_UA
dc.relation.references20. Cuzzocrea, A., Russo, V., & Saccà, D. (2008). A robust sampling-based framework for privacy preserving OLAP. In Lecture notes in computer science: vol. 5182, Data warehousing and knowledge discovery, 10th international conference, DaWaK 2008, Turin, Italy, September 2-5, 2008, proceedings (pp. 97–114). Springer.uk_UA
dc.relation.references21. Oleksii Duda, Nataliia Kunanets, Serhii Martsenko, Vyacheslav Nykytyuk, Volodymyr Pasichnyk. COVID-19 data collections and analytical processing. 2021 IEEE 16th International Conference on Computer Sciences and Information Technologies (CSIT). Volume 2, Lviv, Ukraine 22-25 Sept. 2021. P. 252-257. Electronic ISBN:978-1-6654-4257-2, Print on Demand (PoD) ISBN:978-1-6654-4258-9, Electronic ISSN: 2766-3639, Print on Demand (PoD) ISSN: 2766-3655. DOI: 10.1109/CSIT52700.2021.9648839.uk_UA
dc.relation.references22. Wu, G., Wang, S., Ning, Z., & Zhu, B. (2022). Privacy-preserved electronic medical record exchanging and sharing: A blockchain-based smart healthcare system. IEEE Journal of Biomedical and Health Informatics, 26(5), 1917–1927.uk_UA
dc.relation.references23. Monreale, A., Rinzivillo, S., Pratesi, F., Giannotti, F., & Pedreschi, D. (2014). Privacyby-design in big data analytics and social mining. EPJ Data Science, 3(1), 10.uk_UA
dc.relation.references24. Efthymiou, C., & Kalogridis, G. (2010). Smart grid privacy via anonymization of smart metering data. In 2010 IEEE international conference on smart grid communications (pp. 238–243). IEEE.uk_UA
dc.relation.references25. Lin, C., Song, Z., Song, H., Zhou, Y., Wang, Y., & Wu, G. (2016). Differential privacy preserving in big data analytics for connected health. Journal of Medical Systems, 40(4), 97:1–97:9.uk_UA
dc.relation.references26. Zhang, J., Chen, B., Yu, S., & Deng, H. (2019). PEFL: a privacy-enhanced federated learning scheme for big data analytics. In 2019 IEEE global communications conference, GLOBECOM 2019, Waikoloa, HI, USA, December 9-13, 2019 (pp. 1–6). IEEE.uk_UA
dc.relation.references27. Zhang, X., Huang, C., Gu, D., Zhang, J., Xue, J., & Wang, H. (2022). Privacy-preserving statistical analysis over multi-dimensional aggregated data in edge computing-based smart grid systems. Journal of Systems Architecture, 127, Article 102508.uk_UA
dc.relation.references28. Poddar, R., Ananthanarayanan, G., Setty, S. T. V., Volos, S., & Popa, R. A. (2020). Visor: Privacy-preserving video analytics as a cloud service. In 29th USENIX security symposium, USENIX security 2020, August 12-14, 2020 (pp. 1039–1056). USENIX Association.uk_UA
dc.relation.references29. Xu, M., Wang, T., Ding, B., Zhou, J., Hong, C., & Huang, Z. (2019). DPSAaS: Multidimensional data sharing and analytics as services under local differential privacy. Proceedings of the VLDB Endowment, 12(12), 1862–1865.uk_UA
dc.relation.references30. Bondel, G., Garrido, G. M., Baumer, K., & Matthes, F. (2020). The use of deidentification methods for secure and privacy-enhancing big data analytics in cloud environments. In Proceedings of the 22nd international conference on enterprise information systems, ICEIS 2020, Prague, Czech Republic, May 5-7, 2020, volume 2 (pp. 338–344). SCITEPRESS.uk_UA
dc.relation.references31. Bochicchio, M. A., Cuzzocrea, A., & Vaira, L. (2016). A big data analytics framework for supporting multidimensional mining over big healthcare data. In 15th IEEE international conference on machine learning and applications, ICMLA 2016, Anaheim, CA, USA, December 18-20, 2016 (pp. 508–513). IEEE Computer Society.uk_UA
dc.relation.references32. Tanaglia, M., Ientile, V., L’Abbate, L., Combi, C., Scondotto, S., & Trifirò, G. (2021). Multidimensional design and analysis of a data mart related to healthcare treatments with biologic drugs. In IEEE symposium on computers and communications, ISCC 2021, Athens, Greece, September 5-8, 2021 (pp. 1–7). IEEE.uk_UA
dc.relation.references33. Ghinita, G., Kalnis, P., & Tao, Y. (2011). Anonymous publication of sensitive transactional data. IEEE Transactions on Knowledge and Data Engineering, 23(2), 161–174.uk_UA
dc.relation.references34. Cuthill, E. H., & McKee, J. (1969). Reducing the bandwidth of sparse symmetric matrices. In Proceedings of the 24th national conference, ACM 1969, USA, 1969 (pp. 157–172). ACM.uk_UA
dc.relation.references35. Abdalaal, A., Nergiz, M. E., & Saygin, Y. (2013). Privacy-preserving publishing of opinion polls. Computers & Security, 37, 143–154.uk_UA
dc.relation.references36. Prasser, F., Bild, R., Eicher, J., Spengler, H., Kohlmayer, F., & Kuhn, K. A. (2016). Lightning: Utility-driven anonymization of high-dimensional data. Transactions on Data Privacy, 9(2), 161–185.uk_UA
dc.relation.references37. Cuzzocrea, A., & Saccà, D. (2012). A theoretically-sound accuracy/privacy-constrained framework for computing privacy preserving data cubes in OLAP environments. In Lecture notes in computer science: vol. 7566, On the move to meaningful internet systems: OTM 2012, confederated international conferences: coopIS, DOA-sVI, and ODBASE 2012, Rome, Italy, September 10-14, 2012. proceedings, part II (pp. 527–548). Springer.uk_UA
dc.relation.references38. Cuzzocrea, A., & Bertino, E. (2014). A comprehensive theoretical framework for privacy preserving distributed OLAP. In Lecture notes in computer science: vol. 8842, On the move to meaningful internet systems: OTM 2014 workshops – confederated international workshops: OTM academy, OTM industry case studies program, C&TC, EI2N, INBAST, ISDE, META4ES, MSC and OnToContent 2014, Amantea, Italy, October 27-31, 2014. proceedings (pp. 117–136). Springer.uk_UA
dc.relation.references39. Kim, S., Lee, H., & Chung, Y. D. (2017). Privacy-preserving data cube for electronic medical records: An experimental evaluation. International Journal of Medical Informatics, 97, 33–42.uk_UA
dc.relation.references40. Dozorskyi, V., Dediv, I., Sverstiuk, S., Nykytyuk, V., Karnaukhov, A. The Method of Commands Identification to Voice Control of the Electric Wheelchair. The Workshop is organized by the Faculty of Applied Information Technologies and Electrical Engineering of Ternopil Ivan Puluj National Technical University. The 1st International Workshop on “Computer information technologies in Industry 4.0” (CITI-2023) will be held in Ternopil, Ukraine, from June 14 to 16, 2023. The Workshop is organized by the Faculty of Applied Information Technologies and Electrical Engineering of Ternopil Ivan Puluj National Technical University. 2023, 3468, pp. 233–240. Vol-3468 urn:nbn:de:0074-3468-8, ISSN 1613-0073.uk_UA
dc.relation.references41. Liu, Z., Cao, Z., Dong, X., Zhao, X., Liu, T., Bao, H., et al. (2022). EPMDA-FED: efficient and privacy-preserving multidimensional data aggregation scheme with fast error detection in smart grid. IEEE Internet Things Journal, 9(9), 6922–6933.uk_UA
dc.relation.references42. Peng, C., Luo, M., Wang, H., Khan, M. K., & He, D. (2022). An efficient privacypreserving aggregation scheme for multidimensional data in IoT. IEEE Internet Things Journal, 9(1), 589–600.uk_UA
dc.relation.references43. Zheng, Y., Lu, R., Zhang, S., Guan, Y., Shao, J., Wang, F., et al. (2022). PMRQ: achieving efficient and privacy-preserving multidimensional range query in ehealthcare. IEEE Internet Things Journal, 9(18), 17468–17479.uk_UA
dc.relation.references44. Liu, H., Gu, T., Shojafar, M., Alazab, M., & Liu, Y. (2023). OPERA: optional dimensional privacy-preserving data aggregation for smart healthcare systems. IEEE Transactions on Industrial Informatics, 19(1), 857–866.uk_UA
dc.relation.references45. Mohammed, N., Fung, B. C. M., Hung, P. C. K., & Lee, C. (2010). Centralized and distributed anonymization for high-dimensional healthcare data. ACM Transactions on Knowledge Discovery from Data, 4(4), 18:1–18:33.uk_UA
dc.relation.references46. Onesimu, J. A., Karthikeyan, J., & Sei, Y. (2021). An efficient clustering-based anonymization scheme for privacy-preserving data collection in IoT based healthcare services. Peer-to-Peer Networking and Applications, 14(3), 1629–1649.uk_UA
dc.relation.references47. Lawrance, J. U., & Jesudhasan, J. V. N. (2021). Privacy preserving parallel clustering based anonymization for big data using MapReduce framework. Applied Artificial Intelligence, 35(15), 1587–1620.uk_UA
dc.relation.references48. Onesimu, J. A., Karthikeyan, J., Eunice, J., Pomplun, M., & Dang, H. (2022). Privacy preserving attribute-focused anonymization scheme for healthcare data publishing. IEEE Access, 10, 86979–86997.uk_UA
dc.relation.references49. Xu, J., Wang, W., Pei, J., Wang, X., Shi, B., & Fu, A. W. (2006a). Utilitybased anonymization for privacy preservation with less information loss. SIGKDD Explorations, 8(2), 21–30.uk_UA
dc.relation.references50. Li, J., Wong, R. C., Fu, A. W., & Pei, J. (2008). Anonymization by local recoding in data with attribute hierarchical taxonomies. IEEE Transactions on Knowledge and Data Engineering, 20(9), 1181–1194.uk_UA
dc.relation.references51. Al-Zobbi, M., Shahrestani, S. A., & Ruan, C. (2017). Improving MapReduce privacy by implementing multi-dimensional sensitivity-based anonymization. Journal of Big Data, 4, 45.uk_UA
dc.relation.references52. Swarna, C., & Ansari, Z. (2017). Apache pig-a data flow framework based on hadoop map reduce. International Journal of Engineering Trends and Technology (IJETT), 50(5), 271–275.uk_UA
dc.relation.references53. Zala, K., Thakkar, H. K., Jadeja, R., Singh, P., Kotecha, K., & Shukla, M. (2022). PRMS: design and development of patients’ E-healthcare records management system for privacy preservation in third party cloud platforms. IEEE Access, 10, 85777–85791.uk_UA
dc.relation.references54. Othman, S. B., Almalki, F. A., Chakraborty, C., & Sakli, H. (2022). Privacypreserving aware data aggregation for IoT-based healthcare with green computing technologies. Computers & Electrical Engineering, 101, Article 108025.uk_UA
dc.relation.references55. Kryazhych O., Itskovych V., Iushchenko K., Hrytsyshyna V., Bruvier D., Nykytyuk V., Bodnarchuk I. (2023) The use of abstract moore automaton to control the sensors of a service-oriented alarm and emergency notification network. Scientific Journal of TNTU (Tern.), vol 109, no 1, pp. 111–120. ISSN 2522-4433.uk_UA
dc.relation.references56. Zhang, Y., Deng, R. H., Han, G., & Zheng, D. (2018). Secure smart health with privacyaware aggregate authentication and access control in internet of things. Journal of Network and Computer Applications, 123, 89–100.uk_UA
dc.relation.references57. Abbasi, A., & Mohammadi, B. (2022). A clustering-based anonymization approach for privacy-preserving in the healthcare cloud. Concurrency Computations: Practice and Experience, 34(1).uk_UA
dc.relation.references58. Zhang, X., Dou, W., Pei, J., Nepal, S., Yang, C., Liu, C., et al. (2015). Proximityaware local-recoding anonymization with MapReduce for scalable big data privacy preservation in cloud. IEEE Transactions on Computers, 64(8), 2293–2307.uk_UA
dc.relation.references59. Vyacheslav Nykytyuk, Vasyl Dozorskyy, Nataliia Kunanets, Volodymyr Pasichnyk, Oleksandr Matsiuk, Ihor Bodnarchuk: Electrical Probe-Signal Processing and Criterion for the Determination of Time Parameters of the Teeth Filling Material Polymerization Process in Dentistry. 4th IDDM 2021: Valencia, Spain. P. 54-63.uk_UA
dc.relation.references60. ElSalamouny, E., & Palamidessi, C. (2022). Reconstruction of the distribution of sensitive data under free-will privacy. CoRR abs/2208.11268.uk_UA
dc.relation.references61. Jing, W., Miao, Q., Song, H., & Chen, X. (2019). Data loss and reconstruction of location differential privacy protection based on edge computing. IEEE Access, 7, 75890–75900.uk_UA
dc.relation.references62. Navale, G. S., & Mali, S. N. (2019). Lossless and robust privacy preservation of association rules in data sanitization. Cluster Computing, 22(Suppl 1), 1415–1428.uk_UA
dc.relation.references63. Shailaja, G. K., & Rao, C. V. G. (2022). Robust and lossless data privacy preservation: Optimal key based data sanitization. Evolutionary Intelligence, 15(2), 1123–1134.uk_UA
dc.relation.references64. Li, S., & Kot, A. C. (2010). Privacy protection of fingerprint database using lossless data hiding. In Proceedings of the 2010 IEEE international conference on multimedia and expo, ICME 2010, 19-23 July 2010, Singapore (pp. 1293–1298). IEEE Computer Society.uk_UA
dc.relation.references65. Centers for Medicare & Medicaid Services (1996). The health insurance portability and accountability act of 1996 (HIPAA). Online at https://www.cms.gov/aboutcms/information-systems/privacy/health-insurance-portability-and-accountabilityact-1996.uk_UA
dc.relation.references66. Sweeney, L. (2002). K-anonymity: A model for protecting privacy. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 10(5), 557–570.uk_UA
dc.relation.references67. Machanavajjhala, A., Kifer, D., Gehrke, J., & Venkitasubramaniam, M. (2007). Ldiversity: Privacy beyond k-anonymity. ACM Transactions on Knowledge Discovery from Data, 1(1), 3.uk_UA
dc.relation.references68. Balilo, B. B., Gerardo, B. D., & Byun, Y. (2019). CipherBit192: Encryption technique for securing data. In Applied computing and information technology (pp. 137–148). Springer.uk_UA
dc.relation.references69. Muralidhar, K., & Sarathy, R. (2006). Data shuffling – a new masking approach for numerical data. Management Science, 52(5), 658–670.uk_UA
dc.relation.references70. Cadar, C., Akritidis, P., Costa, M., Martin, J.-P., & Castro, M. (2008). Data randomization: Technical report, technical report TR-2008-120, Microsoft Research, 2008.uk_UA
dc.relation.references71. Muralidhar, K., Parsa, R., & Sarathy, R. (1999). A general additive data perturbation method for database security. Management Science, 45(10), 1399–1415.uk_UA
dc.relation.references72. Benkaouz, Y., Erradi, M., & Freisleben, B. (2015). Distributed privacy-preserving data aggregation via anonymization. In Lecture notes in computer science: vol. 9466, Networked systems – third international conference, NETYS 2015, Agadir, Morocco, May 13-15, 2015, revised selected papers (pp. 94–108). Springer.uk_UA
dc.relation.references73. Ardagna, C. A., Cremonini, M., Damiani, E., di Vimercati, S. D. C., & Samarati, P. (2007). Location privacy protection through obfuscation-based techniques. In Lecture notes in computer science: vol. 4602, Data and applications security XXI, 21st annual IFIP WG 11.3 working conference on data and applications security, Redondo Beach, CA, USA, July 8-11, 2007, proceedings (pp. 47–60). Springer.uk_UA
dc.relation.references74. Ren, W., Tong, X., Du, J., Wang, N., Li, S., Min, G., et al. (2021). Privacy enhancing techniques in the internet of things using data anonymisation. Information Systems Frontiers.uk_UA
dc.relation.references75. Abdulkadir, U., Waziri, V. O., Alhassan, J. K., & Ismaila, I. (2022). Ring learning with error-based encryption scheme for the privacy of electronic health records management. In 2022 5th information technology for education and development (pp. 1–5).uk_UA
dc.relation.references76. Hoh, B., & Gruteser, M. (2005). Protecting location privacy through path confusion. In First international conference on security and privacy for emerging areas in communications networks, SecureComm 2005, Athens, Greece, 5-9 September, 2005 (pp. 194–205). IEEE.uk_UA
dc.relation.references77. di Vimercati, S. D. C., Facchinetti, D., Foresti, S., Livraga, G., Oldani, G., Paraboschi, S., et al. (2023). Scalable distributed data anonymization for large datasets. IEEE Transactions on Big Data, 9(3), 818–831.uk_UA
dc.relation.references78. LeFevre, K., DeWitt, D. J., & Ramakrishnan, R. (2006). Mondrian multidimensional K-anonymity. In Proceedings of the 22nd international conference on data engineering, ICDE 2006, 3-8 April 2006, Atlanta, GA, USA (p. 25). IEEE Computer Society.uk_UA
dc.relation.references79. Aggarwal, C. C. (2005). On k-anonymity and the curse of dimensionality. In Proceedings of the 31st international conference on very large data bases, Trondheim, Norway, August 30 – September 2, 2005 (pp. 901–909). ACM.uk_UA
dc.relation.references80. Doreswamy, & Harishkumar, K. S. (2018). Multidimensional data model for air pollution data analysis. In 2018 international conference on advances in computing, communications and informatics, ICACCI 2018, Bangalore, India, September 19-22, 2018 (pp. 1684–1689). IEEE.uk_UA
dc.relation.references81. Saidi, F., Trabelsi, Z., & Ghézala, H. B. (2018). Towards a multidimensional model for terrorist attacks analysis and mining. In 28th international conference on computer theory and applications, ICCTA 2018, Alexandria, Egypt, October 30 – November 1, 2018 (pp. 55–59). IEEE.uk_UA
dc.relation.references82. Huang, C., Wang, D., & Chawla, N. V. (2020). Scalable uncertainty-aware truth discovery in big data social sensing applications for cyber-physical systems. IEEE Transactions on Big Data, 6(4), 702–713.uk_UA
dc.relation.references83. Казюра, А. В., and І. В. Віштак. Ергономічні аспекти організації робочих місць як фактор забезпечення охорони праці та збереження здоров'я працівників. Diss. Львівський державний університет безпеки життєдіяльності, 2025.uk_UA
dc.relation.references84. Герасимчук, О. В., and О. В. Кобилянський. Вплив тривалої роботи за комп’ютером на здоров’я студентів: шляхи мінімізації ризиків. Diss. ВНТУ, 2025.uk_UA
dc.relation.references85. Гурик, Олег Ярославович, et al. "Навчально-методичний посібник до практичних заняття з дисципліни «Безпека життєдіяльності, основи охорони праці» для студентів освітнього ступеня, бакалавр" усіх спеціальностей та форм навчання." (2025).uk_UA
dc.relation.references86. Методика планування заходів з евакуації: затверджена наказом Міністерства внутрішніх справ України від 10 липня 2017 року № 579. – Київ: Міністерство внутрішніх справ України, 2017. – 50 с.uk_UA
dc.relation.references87. Постанова Кабінету Міністрів України від 30.10.2013 № 841.uk_UA
dc.relation.references88. Баранов, Максим Дмитрович. "Розроблення автоматизованої системи пожежної безпеки на промисловому підприємстві." (2022).uk_UA
dc.contributor.affiliationТНТУ ім. І. Пулюя, Факультет комп’ютерно-інформаційних систем і програмної інженерії, Кафедра комп’ютерних наук, м. Тернопіль, Українаuk_UA
dc.coverage.countryUAuk_UA
dc.identifier.citation2015Вітів І. В. Методи багатовимірного опрацювання великих даних розумних міст з врахуванням процесів забезпечення конфіденційності процесів : робота на здобуття кваліфікаційного ступеня магістр : спец. 122 - комп’ютерні науки / наук. кер. В. В. Никитюк. Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2026. 86 с.uk_UA
Apareix a les col·leccions:122 — комп’ютерні науки, F3 Комп’ютерні науки

Arxius per aquest ítem:
Arxiu Descripció MidaFormat 
2026_KRM_SNnm-61_Ivan_VV.pdfДипломна робота2,03 MBAdobe PDFVeure/Obrir
Mostrar el registre simplificat de l'ítem


Els ítems de DSpace es troben protegits per copyright, amb tots els drets reservats, sempre i quan no s’indiqui el contrari.

Eines d'Administrador