АНАЛІЗ ДАНИХ ТА МАШИННЕ НАВЧАННЯ У ХМАРНИХ ТА ТУМАННИХ ПЛАТФОРМАХ ДЛЯ ЕФЕКТИВНОЇ ПЕРЕДАЧІ ДАНИХ

Автор(и)

  • Iryna Ilina
  • Roman Artiukh
  • Mykola Zymohliad

DOI:

https://doi.org/10.26906/SUNZ.2025.2.132

Ключові слова:

машинне навчання, туманні обчислення, хмарні обчислення, LSTM, XGBoost, VAE, K-Means, SDN, оптимізація навантаження, стиснення даних, затримка передачі, енергоефективність

Анотація

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

Дані завантаження ще не доступні.

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

2025-06-19

Номер

Розділ

Інформаційні технології