1. Верзилин Д. Н., Максимова Т. Г., Шаныгин С. И. Облачные технологии в развитии институтов цифровой трансформации российской экономики: статистическое исследование // Вестник Санкт-Петербургского университета. Экономика. 2025. Т. 41, вып. 1. С. 146–178. DOI:https://doi.org/10.21638/spbu05.2025.107. EDN: https://elibrary.ru/VHOHTM

2. Давыденко Е. А., Сабиргалиева А. М. Архивирование и сжатие файлов в Linux: методы, алгоритмы и их эффективность // Научный вестник гуманитарно-социального института. 2025. № 20. 5 с. EDN: https://elibrary.ru/MNHKMT

3. Чуркин Я. М. Сжатие алгоритмом Хаффмана // Инструменты и механизмы устойчивого инновационного развития: сборник статей по итогам Всероссийской научно-практической конференции (Самара, Россия, 6 февраля 2022 г.). Стерлитамак: Агентство международных исследований, 2022. С. 20–22. EDN: https://elibrary.ru/YSDNPE

4. Левин И. И., Дудников Е. А. Структурная модификация метода Хаффмана для сжатия плотных потоков данных без потерь на РВС // Известия Южного федерального университета. Технические науки. 2024. № 5 (241). С. 48–58. DOI:https://doi.org/10.18522/2311-3103-2024-5-48-58. EDN: https://elibrary.ru/NDMYMD

5. Howard P. G., Vitter J. S. Arithmetic Coding for Data Compression // Proceedings of the IEEE. 1994. Vol. 82, iss. 6, pp. 857–865. DOI:https://doi.org/10.1109/5.286189.

6. Добычин Р. С., Петров А. Р. Сравнительный анализ работы алгоритмов Шеннона — Фано и Хаффмана // Междисциплинарные исследования в области математического моделирования и информатики: материалы 7-й научно-практической internet-конференции (Тольятти, Россия, 30–31 марта 2016 г.). Ульяновск: Зебра, 2016. С. 12–14. EDN: https://elibrary.ru/VPXXLB

7. Kreft S., Navarro G. LZ77-Like Compression with Fast Random Access // Proceedings of the 2010 Data Compression Conference (Snowbird, UT, USA, 24–26 March 2010). Institute of Electrical and Electronics Engineers, 2010. Pp. 239–248. DOI:https://doi.org/10.1109/DCC.2010.29.

8. LZ78 Compression in Low Main Memory Space / D. Arroyuello [et al.] // String Processing and Information Retrieval (SPIRE 2017): Proceedings of the 24th International Symposium, (Palermo, Italy, 26–29 September 2017). Lecture Notes in Computer Science. Vol. 10508 / G. Fici [et al.] (eds). Cham: Springer, 2017. Pp. 38–50. DOI:https://doi.org/10.1007/978-3-31967428-5_4.

9. Dheemanth H. N. LZW Data Compression // American Journal of Engineering Research. 2014. Vol. 3, iss. 2. Pp. 22–26.

10. Faykus M. H., Calhoun J., Smith M. Lossy and Lossless Compression for BioFilm Optical Coherence Tomography (OCT) // SC-W 2023: Proceedings of the Workshops of the International Conference on High Performance Computing, Network, Storage, and Analysis (Denver, CO, USA, 12–17 November 2023). New York: Association for Computing Machinery, 2023. Pp. 281–288. DOI:https://doi.org/10.1145/3624062.3625125.

11. PymzML v2.0: Introducing a Highly Compressed and Seekable GZip Format / M. Kösters [et al.] // Bioinformatics. 2018. Vol. 34, no. 14. Pp. 2513–2514. DOI:https://doi.org/10.1093/bioinformatics/bty046. EDN: https://elibrary.ru/VATXGQ

12. Oswal S., Singh A., Kumari K. Deflate Compression Algorithm // International Journal of Engineering Research and General Science. 2016. Vol. 4, iss. 1. Pp. 430–436.

13. Design and Optimization of Zstandard Algorithm Based on Concurrent Streaming of Multiple Hash Tables / L. Zheng [et al.] // Proceedings of the Second International Conference on Laser, Optics and Optoelectronic Technology (LOPET 2022) (Qingdao, China, 20–22 May 2022). Proceedings of SPIE. Vol. 12343. Bellingham (WA): Society of PhotoOptical Instrumentation Engineers, 2022. Pp. 571–576. DOI:https://doi.org/10.1117/12.2649516.

14. Эффективное сжатие лог-файлов: анализ производительности LZ4, Zstandard и гибридного подхода / И. Г. Рзун [и др.] // Вестник Академии знаний. 2025. № 4 (69). C. 435–443. EDN: https://elibrary.ru/EKTQIC

15. Brotli: A General-Purpose Data Compressor / J. Alakuijala [et al.] // ACM Transactions on Information Systems. 2019. Vol. 37, iss. 1. Art. no. 4. 30 p. DOI:https://doi.org/10.1145/3231935.

16. Гаврикова С. В. Обзор баз данных временных рядов // International Journal of Open Information Technologies. 2023. Vol. 11, no. 11. Pp. 83–102. EDN: https://elibrary.ru/JCGZBP

17. Google BigQuery // Bisong E. Building Machine Learning and Deep Learning Models on Google Cloud Platform: A Comprehensive Guide for Beginners. Berkeley (CA): Apress, 2019. Pp. 485–517. DOI:https://doi.org/10.1007/978-1-48424470-8_38.