АНАЛІЗ ДАНИХ ТА МАШИННЕ НАВЧАННЯ У ХМАРНИХ ТА ТУМАННИХ ПЛАТФОРМАХ ДЛЯ ЕФЕКТИВНОЇ ПЕРЕДАЧІ ДАНИХ
DOI:
https://doi.org/10.26906/SUNZ.2025.2.132Ключові слова:
машинне навчання, туманні обчислення, хмарні обчислення, LSTM, XGBoost, VAE, K-Means, SDN, оптимізація навантаження, стиснення даних, затримка передачі, енергоефективністьАнотація
У даній статті досліджується ефективність використання традиційних методів оптимізації передачі даних та запропонованої моделі на основі алгоритмів машинного навчання. В умовах стрімкого і постійного зростання обсягу інформації, розширення мережевої інфраструктури та зростаючих вимог до продуктивності систем з’являється необхідність адаптивного підходу до управління трафіком і зниженню енерговитрат. Особлива увага приділена інтеграції технологій машинного навчання з метою підвищення ефективності передачі даних у хмарних та туманних обчисленнях. Запропонована модель поєднує у собі методи прогнозування мережевого навантаження (LSTM, XGBoost), технології стиснення даних (VAE, K-Means) та програмно-визначені мережі (SDN) для балансування трафіку. У межах дослідження було проведено тестування комбінацій алгоритмів у розподілених середовищах із різними рівнями навантаження, що дало можливість оцінити ефективність кожного за критеріями продуктивності, надійності та енергоспоживання. Даний підхід забезпечує адаптивність до динамічних змін у трафіку і сприяє зменшенню затримок у передачі даних. Отримані результати досліджень підтверджують доцільність машинного навчання у застосуванні до оптимізації мережевої взаємодії і відкривають перспективи для подальших досліджень у сфері інтелектуального управління туманними обчисленнями. Запропоноване рішення може використовуватися у різних потребах, включаючи автономні транспортні системи, медичні інформаційні платформи, промисловий Інтернет речей та критично важливі інфраструктури.Завантаження
Посилання
1. Bonomi, F. Fog computing and its role in the internet of things [Text] / F. Bonomi, R. Milito, J. Zhu, S. Addepalli // Proceedings of the MCC Workshop on Mobile Cloud Computing. – 2012. – P. 13–16. DOI:10.1145/2342509.2342513.
2. Shi, W. Edge computing: Vision and challenges [Text] / W. Shi, J. Cao, Q. Zhang, Y. Li, L. Xu // IEEE Internet of Things Journal. – 2016. – Vol. 3, No. 5. – P. 637–646. DOI:10.1109/JIOT.2016.2579198.
3. Stock-Price Forecasting Based on XGBoost and LSTM / P. Hoang Vuong et al. Computer Systems Science and Engineering. 2022. Vol. 40, no. 1. P. 237–246. DOI.org/10.32604/csse.2022.017685
4. Chen, T. XGBoost: A scalable tree boosting system [Text] / T. Chen, C. Guestrin // Proceedings of the 22nd ACM SIGKDD International Conference. – 2016. – P. 785–794. DOI:10.1145/2939672.2939785.
5. Hochreiter, S. Long short-term memory [Text] / S. Hochreiter, J. Schmidhuber // Neural Computation. – 1997. – Vol. 9, No. 8. – P. 1735–1780. DOI:10.1162/neco.1997.9.8.1735.
6. Kingma, D. P. Auto-encoding variational Bayes [Text] / D. P. Kingma, M. Welling // arXiv preprint. – 2013. – arXiv:1312.6114.
7. Jain, A. K. Data clustering: 50 years beyond K-means [Text] / A. K. Jain // Pattern Recognition Letters. – 2010. – Vol. 31, No. 8. – P. 651–666. DOI:10.1016/j.patrec.2009.09.011.
8. Feamster, N. The Road to SDN: An Intellectual History of Programmable Networks [Text] / N. Feamster, J. Rexford, E. Zegura // ACM SIGCOMM Computer Communication Review. – 2014. – Vol. 44, No. 2. – P. 87–98. DOI:10.1145/2602204.2602219.
9. Volk М.О. Models optimization of resources in cloud computing: a hybrid approach to automation of operations and energy saving / M. О. Volk et al. Scientific notes of Taurida National V.I. Vernadsky University. Series: Technical Sciences. 2024. Vol. 1, no. 5. P. 91–96. URL: https://doi.org/10.32782/2663-5941/2024.5.1/15.
10. Belas A. O., Bidyuk P. I. CHOOSING A QUALITY CRITERION FOR EVALUATING THE FORECAST OF NONLINEAR NON-STATIONARY PROCESSES. KPI Science News. 2021. No. 2. URL: https://doi.org/10.20535/kpisn.2021.2.236936
11. Kreutz, D. Software-Defined Networking: A Comprehensive Survey [Text] / D. Kreutz, F. M. V. Ramos, P. E. Veríssimo // Proceedings of the IEEE. – 2015. – Vol. 103, No. 1. – P. 14–76. DOI:10.1109/JPROC.2014.2371999.
Downloads
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Iryna Ilina, Roman Artiukh, Mykola Zymohliad

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