МЕТОД АДАПТИВНОГО КЕРУВАННЯ ТРАФІКОМ У БАГАТОРІВНЕВИХ БЕЗДРОТОВИХ СИСТЕМАХ
DOI:
https://doi.org/10.26906/SUNZ.2026.2.223Ключові слова:
бездротова система, керування трафіком, MESH-архітектура, черги, потоки, навантаження, затримка, QoSАнотація
Актуальність. Сучасні багаторівневі бездротові системи функціонують в умовах стохастичних коливань навантаження, різнорідності потоків та взаємозалежності сенсорного, проміжного MESH- і магістрального рівнів. Традиційні статичні механізми керування трафіком не забезпечують стабільності роботи мережі в пікових режимах, що призводить до локальних перевантажень, зростання затримок, довжин черг і втрат пакетів. Це зумовлює необхідність розроблення адаптивних методів керування, здатних у режимі реального часу реагувати на зміни інтенсивності потоків і забезпечувати гарантовані показники якості обслуговування (QoS). Об’єкт дослідження: процеси керування трафіком у багаторівневих бездротових системах за умов змінного навантаження. Мета статті: розроблення та дослідження методу адаптивного керування трафіком, що забезпечує стабілізацію показників QoS шляхом оптимального перерозподілу потоків між рівнями мережі на основі оцінювання їх поточного стану. Результати дослідження. У роботі запропоновано метод, що ґрунтується на динамічному визначенні ефективних інтенсивностей потоків, оцінюванні завантаження окремих рівнів і формуванні керуючих дій відповідно до цільової функції мінімізації перевантажень. Розроблено математичну модель, яка формалізує взаємодію рівнів мережі та дозволяє аналізувати її поведінку за різних сценаріїв навантаження. Імітаційне моделювання в середовищі OMNeT++ підтвердило здатність методу зменшувати затримку, довжину черг і втрати пакетів у періоди підвищеної інтенсивності. Інтегральний виграш за показниками QoS становив у середньому 20–30 %, а в пікові інтервали досягав 30–32 %, що свідчить про ефективність адаптивного перерозподілу потоків у критичних режимах роботи. Висновки. Показано, що стабільність багаторівневих бездротових систем визначається не лише інтенсивністю трафіку, а й здатністю мережі адаптивно реагувати на його коливання. Запропонований метод забезпечує згладжування пікових навантажень, підвищує структурну стійкість системи та покращує показники QoS, що робить його перспективним для інтеграції в протокольні стеки мереж наступного покоління. Сфера використання отриманих результатів: енсорні мережі, MESH-архітектури, багаторівневі бездротові системи, IoT-платформи, мультисервісні мережі 5G/6G, задачі оптимізації керування трафіком та забезпечення QoS.Завантажити
Посилання
1. М.В. Савченко, М.В. Шиман. Метод аналізу завантаження вузлів кластеру MESH-мережі на основі математичної моделі мереж Джексона. Системи управління, навігації та зв’язку. Полтава, НУ ПП. 2025. Т. 1, № 79. C. 201-204. DOI: https://doi.org/10.26906/SUNZ.2025.1.201-204
2. Воронець О. М., Пустовойтов П. Є. Метод формування зон покриття сенсорної мережі з нерівномірною щільністю вузлів. Вісник Національного технічного університету «ХПІ». Серія: Нові рішення в сучасних технологіях. 2025. № 2 (24). С. 35-42. DOI: https://doi.org/10.20998/2413-4295.2025.02.05
3. Касілов О.В., Дмитрук К.С. Модель динамічного балансування навантаження в роєвій мережі дронів. Вчені записки ТНУ ім. В. Вернадського. Серія: Техн.науки. 2025. Т. 36 (4), С. 53-61. DOI: https://doi.org/10.32782/2663-5941/2025.4.1/0
4. Jain N.K., Saini R.K., Mittal P. A Review on Traffic Monitoring System Techniques. Soft Computing: Theories and Applications. Advances in Intelligent Systems and Computing. 2018. Vol. 742. P. 569-577. DOI: https://doi.org/10.1007/978-981-13-0589-4_53
5. Ian F. Akyildiz, Shuai Nie, Shih-Chun Lin, Manoj Chandrasekaran. 5G roadmap: 10 key enabling technologies. Computer Networks. 2016. Vol. 106. P. 17-48. DOI: https://doi.org/10.1016/j.comnet.2016.06.010
6. D. Bega, M. Gramaglia, M. Fiore, A. Banchs, X. Costa-Pérez. DeepCog: Optimizing Resource Provisioning in Network Slicing With AI-Based Capacity Forecasting. IEEE Journal on Selected Areas in Communications. 2020. Vol. 38, no. 2. P. 361-376. DOI: https://doi.org/10.1109/JSAC.2019.2959245
7. G. Zhao, Y. Li, C. Xu, Z. Han, Y. Xing, S. Yu. Joint Power Control and Channel Allocation for Interference Mitigation Based on Reinforcement Learning. IEEE Access. 2019. Vol. 7. P. 177254-177265. DOI: https://doi.org/10.1109/ACCESS.2019.2937438
8. П. Пустовойтов, О. Воронець. Метод забезпечення оптимальної маршрутизаціїз урахування QoS та енергозбереження. Вісник Національного технічного університету «ХПІ». Серія: Інформатика і моделювання. 2025. Т. 1, № 1 (13). С. 64- 79. DOI: https://doi.org/10.20998/2411-0558.2025.01.05
9. Воронець В.М., Пустовойтов П.Є. Метод формування плану передачі пакетів при піковому навантаженні мережі, який знижує відгук. Системи управління, навігації та зв’язку. Полтава, НУ ПП. 2024. Т. 1, № 75. С. 185-188. DOI: https://doi.org/10.26906/SUNZ.2024.1.185
10. Pustovoitov P., Voronets V., Voronets O., Sokol H., Okhrymenko M. Assessment of QOS indicators of a network with UDP and TCP traffic under a node peak load mode. Eastern-European Journal of Enterprise Technologies. 2024. Vol. 1, no. 4 (127). P. 23–31. DOI: https://doi.org/10.15587/1729-4061.2024.299124
11. Bithas P. S., Michailidis E. T., Nomikos N., Vouyioukas D., Kanatas A. G. A Survey on Machine-Learning Techniques for UAV-Based Communications. Sensors. 2019. Vol. 19, no. 23:5170. DOI: https://doi.org/10.3390/s19235170
12. Jaafari S., Nassiri M., Mohammadi R. Traffic-aware Routing with Software-defined Networks Using Reinforcement Learning and Fuzzy Logic. International Journal of Computing. 2022. Vol. 21, no. 3. P. 318-324. DOI: https://doi.org/10.47839/ijc.21.3.2687
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Kostiantyn Dmytruk, Oleg Kasilov

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