БАГАТОКРИТЕРІАЛЬНА МОДЕЛЬ ЛОКАЛЬНОЇ ОБРОБКИ ДАНИХ ТА ОБЧИСЛЮВАЛЬНОГО РОЗВАНТАЖЕННЯ НА КІНЦЕВИХ ПРИСТРОЯХ IIOT
DOI:
https://doi.org/10.26906/SUNZ.2026.2.142Keywords:
Промисловий Інтернет речей, cloud-fog-edge архітектура, кінцевий пристрій, локальна обробка даних, адаптивна фільтрація, обчислювальне розвантаження, багатокритеріальна оптимізаціяAbstract
Актуальність. У системах Промислового Інтернету речей (IIoT) кінцеві пристрої функціонують в умовах обмежених обчислювальних, енергетичних і комунікаційних ресурсів, тоді як вхідні потоки даних мають гетерогенний, нестаціонарний і подієво-орієнтований характер. За таких умов передавання всіх необроблених даних до верхніх рівнів cloud-fog-edge архітектури призводить до зростання затримок, перевантаження каналів зв’язку та зниження загальної ефективності системи. Об’єкт дослідження. процес обробки інформації на кінцевих пристроях IIoT у багаторівневому середовищі cloud-fog-edge. Мета статті. узагальнення теоретико-математичних засад побудови багатокритеріальної моделі локальної обробки даних та обчислювального розвантаження на кінцевих пристроях з урахуванням характеристик потоку подій, ресурсного стану вузла та вимог до збереження інформативності даних. Результати дослідження. Запропоновано узагальнену модель, у межах якої кінцевий пристрій розглядається як активний вузол прийняття рішень, що виконує попередню обробку, оцінювання інформативності, адаптивну фільтрацію, агрегацію, стиснення та формування ознак перед передаванням даних на верхні рівні. Модель поєднує подання вхідного потоку як сукупності класозалежних подій, локальну чергову обробку з обмеженим буфером, вектор ресурсного стану пристрою та багатокритеріальну схему вибору між локальним виконанням і обчислювальним розвантаженням. Висновки. Запропонований підхід формує методологічну основу для подальшого синтезу адаптивних стратегій обробки інформації на кінцевих пристроях IIoT, орієнтованих на збалансування затримки, втрат, енергоспоживання, комунікаційного навантаження та збереження інформативності даних.Downloads
References
1. Alsadie, D. (2024). Advancements in heuristic task scheduling for IoT applications in fog-cloud computing: challenges and prospects. PeerJ Computer Science, 10, e2128. doi: https://doi.org/10.7717/PEERJ-CS.2128
2. Singh, S.P., Kumar, N., Kumar, G., Balusamy, B., Bashir, A.K., Al Dabel, M.M. (2025). Enhancing Quality of Service in IoTWSN through Edge-Enabled Multi-Objective Optimization. IEEE Transactions on Consumer Electronics. doi: https://doi.org/10.1109/TCE.2025.3526992
3. Kuchuk, H., Malokhvii, E. (2024). Integration of iot with Cloud, Fog and Edge computing: a review. Advanced Information Systems. 8(2), 65-78. doi: https://doi.org/10.20998/2522-9052.2024.2.08
4. Qayyum, T., Trabelsi, Z., Waqar Malik, A., Hayawi, K. (2022). Mobility-aware hierarchical fog computing framework for Industrial Internet of Things. Journal of Cloud Computing, 11(1), 72. doi: https://doi.org/10.1186/s13677-022-00345-y
5. Muñoz, L.A., Berná Martínez, J.V., Asensi, C.C., Pastor, D.S. (2025). Research Notes: Design of a Distributed and Highly Scalable Fog Architecture for Heterogeneous IoT Infrastructures. Int. Journal of Software Engineering and Knowledge Eng., 35(2), 195-215. doi: https://doi.org/10.1142/S0218194025430016
6. Jamil, B. Shojafar, M., Ahmed, I., Ullah, A., Munir, K., Ijaz, H. (2020). A job scheduling algorithm for delay and performance optimization in fog computing. Concurrency and Computation: Practice and Experience, 32(7). doi: https://doi.org/10.1002/cpe.5581
7. Malik, U.M., Javed, M.A., Frnda, J., Rozhon, J., Khan, W.U. (2022). Efficient Matching-Based Parallel Task Offloading in IoT Networks. Sensors, 22. doi: https://doi.org/10.3390/s22186906
8. Liu, L., Chen, H., Xu, Z. (2022). SPMOO: A Multi-Objective Offloading Algorithm for Dependent Tasks in IoT Cloud-EdgeEnd Collaboration. Information, 13, 75. doi: https://doi.org/10.3390/info13020075
9. Thomas, P., Jose, D.V. (2023). Towards Computation Offloading Approaches in IoT-Fog-Cloud Environment: Survey on Concepts, Architectures, Tools and Methodologies. Lecture Notes in Networks and Systems, 613 LNNS, 37-52. https://doi.org/10.1007/978-981-19-9379-4_4
10. Pardalos, P.M., Steponavičė, I., Z̆ ilinskas, A. (2012). Pareto set approximation by the method of adjustable weights and successive lexicographic goal programming. Optimization Letters, 6(4), 665-678. doi: https://doi.org/10.1007/s11590-011-0291-5
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Eduard Malokhvii
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
