Статья подробно рассматривает применение методов компиляции и интерпретации кода в разработке программного обеспечения, акцентируя внимание на использовании абстрактных синтаксических деревьев (AST) для оптимизации и профилирования кода на примерах языков C++ и Python. Разъясняется процесс создания интерпретирующих профилировщиков на базе AST, которые интегрируют анализ производительности в процесс исполнения программы. Описываются этапы разработки интерпретаторов и применение инструментов, таких как Clang и Python, для работы с AST. В статье также представлены конкретные примеры построения и использования AST, демонстрирующие важность этих методов для улучшения общей эффективности программных решений.
Идентификаторы и классификаторы
В процессе разработки программного обеспечения (ПО) значительное внимание уделяется методам компиляции и интерпретации кода, а также применению оптимизаций и профилированию. Эти процессы играют ключевую роль в обеспечении эффективности и высокой производительности приложений [Maruthamuthu, 2023], [Ampomah, 2017].
Компиляция и интерпретация программ позволяют разработчикам преобразовывать исходный код в исполняемую форму, подходящую для конкретных архитектур и исполняющих сред. Компиляция переводит исходный код в машинный или другой формат, который может быть непосредственно исполнен процессором, в то время как интерпретация выполняет код на лету, без необходимости предварительной компиляции.
Список литературы
1. Аветисян А.И., Курмангалеев К.Ю., Курмангалеев Ш.Ф. (2011) Динамическое профилирование программы для системы LLVM /// Труды ИСП РАН, 2011. №21. С. 71-82. EDN: OKGXKL
2. Пласковицкий В.А., Урбанович П.П. (2014) Использование абстрактных синтаксических деревьев для обфускации кода // Труды БГТУ. Серия 3: Физико-математические науки и информатика, 2014. №6 (170). C. 142-146. EDN: LJNDOM
3. Сидорова Е.В., Дмитриева Н.Г., Калинина Н.А. (2019) Решение задачи построения графа зависимостей программных модулей в системе node.JS // Труды НГТУ им. Р. Е. Алексеева, 2019. №4 (127). C. 44-52. EDN: UBQSCA
4. Федотова Е.Л., Федотов А.А., Мадумарова К.В. (2016) Методика унификации процессов интерпретации программного кода // Вестник евразийской науки, 2016. №3(34). C. 142.
5. Abdulhamit S. (2020( Practical Machine Learning for Data Analysis Using Python // Academic Press, 2020, p. 534.
6. Abelson H., Sussman G.J. (1996) Structure and Interpretation of Computer Programs, second edition // MIT Press, 1996, pp.574.
7. Ampomah E. K., Mensah E., Gilbert A. (2017) Qualitative Assessment of Compiled, Interpreted and Hybrid Programming Languages // Communications on Applied Electronics. 2017 № 7, pp. 8-13.
8. Maruthamuthu R., Dhabliya D., Abbas A. H., Barno A. (2023) Advancements in Compiler Design and Optimization Techniques // E3S Web of Conferences, 2023. Vol. 399, p/4047. EDN: VTLUZU
9. Parr T. (2013) The Definitive ANTLR 4 Reference // Pragmatic Bookshelf 2013, pp.305.
10. Rajwal S. Chakraborty P. (2023) Application of artificial intelligence in compiler design // Proceedings of Forty-first National Conference on Recent Trends in 5G Technology & Artificial Intelligence. 2023, pp.234-239.
11. Singla T., Vashishtha V., Singh S. (2014) Compiler Construction // International Journal of Research, 2014. Vol.1, №9 URL: https://journals.pen2print.org/index.php/ijr/article/view/610.
Выпуск
Другие статьи выпуска
Работа посвящена анализу структуры затрат на информационно-коммуникационные технологии и оценке факторов, влияющих на их формирование в регионах РФ. Важнейшими потребителями и производителями ИКТ продукции являются высокотехнологические компании, которые постепенно меняют свою финансовую политику, что приводит к формированию и перераспределению затрат. В исследовании показано, что большая часть затрат осуществляется за счет собственных средств предприятий и организаций, причем предприятия сокращают объем использования внешних средств, все больше рассчитывая на свои собственные средства. Для оценки факторов, влияющих на формирование затрат на ИКТ в регионах РФ, рассчитан индекс, показывающий соотношение внутренних и внешних затрат. Регионы проранжированы по значению этого индекса, выделено три группы и произведен регрессионный анализ по данным за 2019 год. Установлено, что наиболее тесная взаимосвязь внутренних затрат на ИКТ в регионах России наблюдается со следующими показателями: ВРП, численность персонала, занятого научными исследованиями, и используемые передовые производственные технологии.
В современной экономической литературе отмечается, что понимание устройства и моделирование работы коллективных ментальных конструкций (моделей) способствует развитию методов анализа процессов выбора и принятия решений, а также лучшему пониманию процессов эволюции экономических систем. Предлагаемое исследование, развивая эту тему, обосновывает идею, что каждый экономический индивид обладает универсальным инструментом координации (УИК), главным элементом которого являются коллективные ментальные конструкции. Индивиды оптимизируют настройки УИК в целях максимально полного учета деятельности друг друга в целях увеличения выгоды от своей совместной деятельности. УИК с настройками является для участников совместной деятельности общей информационной средой, а также средством определения оптимального содержания их совместной деятельности. Обсуждаются основные блоки и функции УИК как особого вида агентной имитационной модели. Рассмотрены необходимые условия для использования УИК. Из полученных результатов вытекает наличие у индивидов с УИК как содержательной, так и процедурной рациональности. Из этого выводится существование в экономических системах двух видов равновесия.
В статье рассматриваются основные тренды, тенденции и перспективы развития розничной торговли в России. Представлен всесторонний анализ эволюции отечественного розничного рынка, обусловленной экономическими, демографическими и технологическими изменениями. В статье выделяются ключевые тренды потребительского поведения, такие как разумный подход к тратам, растущее влияние поколения Z, предпочтительный выбор отечественных товаров, ответственное отношение к здоровью и к окружающей среде. Особое внимание уделяется важности цифровой трансформации в розничной торговле и омниканальному подходу. Авторами была представлена особая группа потребителей - «взломщики цен», которые тщательно ищут лучшие на рынке предложения через доступные каналы продаж. Приведены данные о влиянии инфляции, уровня безработицы, прироста реальной заработной платы и темпов кредитования населения на структуру потребительских расходов. Представлены три авторских прогноза развития розничной торговли в России до 2030 года: оптимистичный, реалистичный и пессимистичный. Оптимистичный прогноз предполагает, что рост доходов населения и повышение покупательской способности, а также адаптация розничной торговли к новым условиям приведут к устойчивому росту отрасли. Реалистичный прогноз основан на постепенной адаптации розничной торговли к текущим вызовам, с умеренным ростом и развитием новых форматов торговли. Пессимистичный прогноз рассматривает самый драматический сценарий развития событий, при котором розничная торговля столкнется со стагнацией под влиянием новых ограничений и вызовов.
В работе дан обзор различных подходов к проблеме выявления подозрительных адресов в публичных блокчейнах с помощью методов машинного обучения, в первую очередь, методов классификации. Эта задача весьма актуальны в связи с тем, что все легальные участники рынка криптоактивов сейчас должны соблюдать достаточно строгие правила по уточнению источников средств, участвующих в любой обрабатываемой транзакции. Несмотря на то, что Bitcoin и подобные ему платежные системы считаются анонимными, алгоритмы, использующие последние достижениях в области машинного обучения и искусственного интеллекта вместе с тщательным подбором признаков, описывающих наблюдения, могут демонстрировать весьма хорошие результаты. Рассмотрение ведется в основном для сети Bitcoin, но отмечено несколько интересных примеров для Ethereum. Насколько можно судить, обзор такого рода публикуется на русском языке впервые.
Статья продолжает работы авторов по изучению влияния искусственного интеллекта на общественное сознание. Целью настоящего исследования является разработка системного инструментария для обеспечения управленческих решений, позволяющего минимизировать риски негативного воздействия ИИ на цивилизационные особенности России. Для ее достижения авторами начато систематизированное экспериментальное исследование смещения, сжатия, манипулятивности ИИ с учетом факторов индивидуализма - коллективизма и макиавеллизма. Сравнивались контрольные группы людей с группами «личностей», сгенерированных ИИ. Результаты получены на основе небольших выборок, характерных для начальной стадии экспериментов. На орте индивидуализм-коллективизм не имеет места смещение оценок, наследованных ИИ, с бесспорным для любых принятых уровней значимости сжатием вариативности. Напротив, при оценке на макиавеллизм (меру манипулятивности) смещение оценок, наследованных ИИ, значимо отличаются от оценок контрольных групп людей. Полученные результаты позволяют сделать вывод о необходимости дальнейших исследований оценок вариативности по параметру макиавеллизма.
Статья продолжает разработки авторов в сфере восприятия искусственного интеллекта (ИИ), поднимая тему употребления антропоморфизмов в отношении ИИ - наделения его человеческими характеристиками, такими как разум, эмоции, намерения. Задача экспериментального выявления связи склонности людей к антропоморфизации ИИ с рядом личностных характеристик решалась с использованием статистических методов. В ходе пилотного исследования статистически значимых различий между группами мужчин и женщин по выбранным характеристикам обнаружено не было. Выявлена тенденция к наличию слабой связи между склонностью к макиавеллизму и коллективизмом, а также обратной связи между индивидуализмом и макиавеллизмом, обратной корреляции между горизонтальным коллективизмом и склонностью к употреблению антропоморфизмов в отношении искусственного интеллекта.
Технологии искусственного интеллекта во многом базируются на больших данных, и, помимо вычислений, которые обеспечивают должную точность и робастность результатов, а также безопасность систем именно вопросы хранения, передачи и обработки больших данных притягивают к себе пристальное внимание исследователей и разработчиков. Причём работу с данными можно рассматривать на математическом уровне, но в данной работе это сделано на уровне архитектуры информационных систем. А именно, рассматривается вопрос о том, какие модули современных информационных систем в финансовой сфере используют технологии искусственного интеллекта и как они соотносятся с хранилищами и процессорами данных. Структурно работа построена так, что за описанием сфер применения искусственного интеллекта следует обзор изобретений по теме, затем анализируются значимые для предметной области стандарты и, наконец, дана общая архитектура информационной системы.
В статье показана фундаментальная роль отраслевых ставок роялти в лицензионных договорах и аналитического метода их расчета. Аналитический метод расчета ставок роялти (RoS - Royalty on Sales price) на основе рентабельности продаж (ROS) и прибыли до вычета процентов и налогов (EBIT - Earnings Before Interest and Taxes) отличается высокой точностью и учитывает специфику отраслей, в которых используется объект интеллектуальной собственности. Этот метод широко применяется как в судебных экспертизах, так и в коммерческих сделках, охватывая расчеты убытков, оценку рыночной стоимости исключительных прав, а также определение размеров компенсации и вознаграждения авторам в различных юрисдикциях. Показано, что ставка роялти является ключевым элементом двухкомпонентного ценообразования в лицензионных сделках, обеспечивая гибкость и эффективность в управлении интеллектуальной собственностью.
В статье на конкретных примерах показано, как математика высокого класса иногда помогает решать проблемы в области экономики и информационных технологий, для решения которых она изначально не предназначалась. Особо подчеркивается роль выдающихся отечественных математиков относительно недалекого прошлого.
Издательство
- Издательство
- ЦЭМИ РАН
- Регион
- Россия, Москва
- Почтовый адрес
- 117418, Москва, Нахимовский пр, 47
- Юр. адрес
- 117418, Москва, Нахимовский пр, 47
- ФИО
- Альберт Рауфович БАХТИЗИН (Директор)
- E-mail адрес
- albert.bakhtizin@gmail.com
- Контактный телефон
- +7 (499) 1290822