МЕТОД АДАПТИВНОЇ КЛАСТЕРИЗАЦІЇ МОБІЛЬНИХ ВУЗЛІВ ТУМАННОГО ШАРУ ІНТЕРНЕТУ РЕЧЕЙ

Andriy Kovalenko; Heorhii Kuchuk

doi:10.26906/SUNZ.2026.3.106

Автор(и)

Andriy Kovalenko
Heorhii Kuchuk

DOI:

https://doi.org/10.26906/SUNZ.2026.3.106

Ключові слова:

мобільний пристрій, інтернет речей, кластеризація, туманний шар, точковий процес Томаса

Анотація

Актуальність. Основним критерієм кластеризації туманних пристроїв є близькість розташування туманних вузлів, що входять до кластера. Але при наявності мобільних вузлів структура кластера може порушитися внаслідок виходу будь-якого мобільного вузла за межі кластера. Це призведе до непередбачених затримок при обробці даних Інтернету речей. Тому для таких систем додається критерій стійкості структури кластера. Предметом дослідження є методи кластеризації туманного шару Інтернету речей з високою щільністю. Метою дослідження є підвищення стійкості мобільних компонент туманного шару за рахунок модифікації методу кластеризації за рахунок розробки методу формування стійкого мобільного кластеру. Завдання дослідження: розробка підходу до формування архітектури мобільної компоненти, моделі та методу забезпечення стійкості мобільного кластера туманного шару Інтернету речей з високою щільністю. .Результати дослідження. Для організації взаємодії мобільних пристроїв розроблено архітектуру мобільної компоненти туманного шару, побудовану з урахуванням його децентралізованої структури та особливостей функціонування мобільних пристроїв Інтернету речей. Запропонована архітектура має чотири рівні та передбачає виділення на нижньому рівні окремих мобільних кластерів туманних пристроїв. Для дослідження процесів формування мобільних кластерів розроблено відповідну модель, у якій враховано випадковий характер переміщення пристроїв Інтернету речей. Моделювання просторового розподілу мобільних компонентів здійснюється на основі точкового процесу Томаса. На основі запропонованої моделі виконано модифікацію алгоритму кластеризації FOREL, у якій визначення положення центра кластера здійснюється з використанням вагових коефіцієнтів, що характеризують стійкість його компонентів. Висновки. Результати моделювання засвідчили підвищення стійкості сформованих мобільних кластерів у середовищах із високою та надвисокою щільністю пристроїв. Встановлено, що зі збільшенням середнього відносного відхилення фактичних траєкторій руху пристроїв від запланованих стійкість кластерної структури зростає. Така поведінка пояснюється зміщенням центра кластера у напрямку найбільш нестійких його компонентів, що забезпечує адаптацію кластерної структури до змін просторового розташування мобільних пристроїв. Запропонований метод доцільно застосовувати для організації кластеризації мобільних компонентів туманного шару Інтернету речей за умов, коли середнє відхилення руху пристроїв від заданих траєкторій не перевищує 20 % радіуса кластера.

Завантажити

Дані для завантаження поки недоступні.

Посилання

1. Hu, N. (2024). Internet of things edge data mining technology based on cloud computing model. International Journal of Innovative Computing, Information and Control, 20(6), 1749–1763. http://dx.doi.org/10.24507/ijicic.20.06.1749

2. Hunko, M., Tkachov, V., Kovalenko, A., Kuchuk, H. (2023). Advantages of Fog Computing: A Comparative Analysis with Cloud Computing for Enhanced Edge Computing Capabilities. KhPI Week 2023 - Conference Proceedings, 1–5. https://doi.org/10.1109/KhPIWeek61412.2023.10312948 DOI: https://doi.org/10.1109/KhPIWeek61412.2023.10312948

3. Kuchuk, H., Malokhvii, E. (2024). Integration of iot with Cloud, Fog and Edge computing: a review. Advanced Information Systems. 8(2), 65-78. https://doi.org/10.20998/2522-9052.2024.2.08 DOI: https://doi.org/10.20998/2522-9052.2024.2.08

4. Fatlawi, A., Al Dujaili, M.J. (2023), Integrating the Internet of Things (IoT) and Cloud Computing Challenges and Solutions: A Review. AIP Conference Proceedings, 2977(1), 020067. http://dx.doi.org/10.1063/5.0181842 DOI: https://doi.org/10.1063/5.0181842

5. Singh, C., Khilari, S., Taware, R. (2024). Active Machine-to-Machine (M2M) and IoT Communication Architecture for Mobile Devices and Sensor Nodes. Lecture Notes in Networks and Systems, pp. 25–38. https://doi.org/10.1007/978-981-97-5786-2_3 DOI: https://doi.org/10.1007/978-981-97-5786-2_3

6. Kuchuk, N., Kovalenko, A., Ruban, I., Shyshatskyi, A., Zakovorotnyi, O., Sheviakov, I. (2023). Traffic Modeling for the Industrial Internet of NanoThings. 2023 IEEE 4th KhPI Week on Advanced Technology, KhPI Week 2023 - Conference Proc., 194480. http://dx.doi.org/10.1109/KhPIWeek61412.2023.10312856 DOI: https://doi.org/10.1109/KhPIWeek61412.2023.10312856

7. Alsadie, D. (2024). Advancements in heuristic task scheduling for IoT applications in fog-cloud computing: challenges and prospects. PeerJ Computer Science, 10, e2128. https://doi.org/10.7717/PEERJ-CS.2128 DOI: https://doi.org/10.7717/peerj-cs.2128

8. Sobchuk, V., Pykhnivskyi, R., Barabash, O., Korotin, S., Omarov, S. (2024). Sequential intrusion detection system for zerotrust cyber defense of IoT/IIoT networks. Advanced Information Systems, 8(3), 92–99. https://doi.org/10.20998/2522-9052.2024.3.11 DOI: https://doi.org/10.20998/2522-9052.2024.3.11

9. Saurabh, Dhanaraj, R.K. (2024). Enhance QoS with fog computing based on sigmoid NN clustering and entropy-based scheduling. Multimed Tools Appl, 83, 305–326. https://doi.org/10.1007/s11042-023-15685-3 DOI: https://doi.org/10.1007/s11042-023-15685-3

10. Kuchuk, H., Mozhaiev, O., Kuchuk, N., Tiulieniev, S., Mozhaiev, M., Gnusov, Y., Tsuranov, M., Bykova, T., Klivets, S., Kuleshov, A. (2024). Devising a method for the virtual clustering of the Internet of Things edge environment. Eastern-European Journal of Enterprise Technologies, 1(9(127), 60–71. https://doi.org/10.15587/1729-4061.2024.298431 DOI: https://doi.org/10.15587/1729-4061.2024.298431

11. Sharma, Sh. Saini H. (2019). A novel four-tier architecture for delay aware scheduling and load balancing in fog environment. Sustainable Computing: Informatics and Systems, 24. https://doi.org/10.1016/j.suscom.2019.100355 DOI: https://doi.org/10.1016/j.suscom.2019.100355

12. Li, G., Liu, Y., Wu, J., Lin, D., Zhao, Sh. (2019). Methods of Resource Scheduling Based on Optimized Fuzzy Clustering in Fog Computing. Sensors, 19(9). https://doi.org/10.3390/s19092122 DOI: https://doi.org/10.3390/s19092122

13. 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). https://doi.org/10.1002/cpe.5581 DOI: https://doi.org/10.1002/cpe.5581

14. Ding, H., Ding, X., Xia, F., Zhou, F. (2023). An Efficient Method for Implementing Applications of Smart Devices Based on Mobile Fog Processing in a Secure Environment. International Journal of Advanced Computer Science and Applications, 14(10), 93–105. https://doi.org/10.14569/IJACSA.2023.0141011 DOI: https://doi.org/10.14569/IJACSA.2023.0141011

15. 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. https://doi.org/10.1186/s13677-022-00345-y DOI: https://doi.org/10.1186/s13677-022-00345-y

16. Routray, K., Bera, P. (2024). Fog-Assisted Dynamic IoT Device Access Management Using Attribute-Based Encryption. ACM International Conference Proceeding Series, 346–352. https://doi.org/10.1145/3631461.3631466 DOI: https://doi.org/10.1145/3631461.3631466

17. Kuchuk, H., Kalinin, Y., Dotsenko, N., Chumachenko, I., Pakhomov, Y. (2024). Decomposition of integrated high-density IoT data flow. Advanced Information Systems, 8(3), 77–84. https://doi.org/10.20998/2522-9052.2024.3.09 DOI: https://doi.org/10.20998/2522-9052.2024.3.09

18. Proietti Mattia, G., Beraldi, R. (2023). P2PFaaS: A framework for FaaS peer-to-peer scheduling and load balancing in Fog and Edge computing. SoftwareX, 21, 101290. https://www.sciencedirect.com/science/article/pii/S2352711022002084 DOI: https://doi.org/10.1016/j.softx.2022.101290

19. Lu, S., Wu, J., Wang, N., Duan, Y., Liu, H., Zhang, J., Fang, J. (2023). Resource provisioning in collaborative fog computing for multiple delay-sensitive users. Software – Practice and Experience, 53(2), 243–262. https://doi.org/10.1002/spe.3000 DOI: https://doi.org/10.1002/spe.3000

20. Pardo, C., Wei, R., Ivens, B.S. (2022). Integrating the business networks and internet of things perspectives: A system of systems (SoS) approach for industrial markets. Industrial Marketing Management, 104, 258–275. https://doi.org/10.1016/j.indmarman.2022.04.012 DOI: https://doi.org/10.1016/j.indmarman.2022.04.012

21. Drabech, Z., Douimi, M., Zemmouri, E. (2024). A Markov random field model for change points detection. Journal of Computational Science, 83, 102429. https://doi.org/10.1016/j.jocs.2024.102429 DOI: https://doi.org/10.1016/j.jocs.2024.102429

22. Zhu, Q., Hu, L., Wang, R. (2022). Image Clustering Algorithm Based on Predefined Evenly-Distributed Class Centroids and Composite Cosine Distance. Entropy, 24(11), 1533. https://doi.org/10.3390/e24111533 DOI: https://doi.org/10.3390/e24111533

23. Mutambik, I. (2024). An Entropy-Based Clustering Algorithm for Real-Time High-Dimensional IoT Data Streams. Sensors, 24(22), 7412. https://doi.org/10.3390/s24227412 DOI: https://doi.org/10.3390/s24227412

24. Petrovska, I., Kuchuk, N., Pochebut, M., Kuchuk, H., Mozhaiev, O., Onishchenko Y. (2023). Sequential Series-Based Prediction Model in Adaptive Cloud Resource Allocation for Data Processing and Security. The 13th IEEE Int. Conf. on Dependable Systems, Services and Technologies, DESSERT’2023, Athens, Greece, pp. 1–6. https://doi.org/10.1109/DESSERT61349.2023.10416496 DOI: https://doi.org/10.1109/DESSERT61349.2023.10416496

25. Filosi, M., Visintainer, R., Riccadonna, S., Jurman, G., Furlanello, C. (2014). Stability indicators in network reconstruction. PLoS ONE, 9(2), e89815. https://doi.org/10.1371/journal.pone.0089815 DOI: https://doi.org/10.1371/journal.pone.0089815

26. Petrovska І., Kuchuk, H. Mozhaiev М. (2022). Features of the distribution of computing resources in cloud systems. 2022 IEEE 3rd KhPI Week on Advanced Technology, KhPI Week 2022 - Conference Proceedings, 03-07 October 2022. https://doi.org/10.1109/KhPIWeek57572.2022.9916459 DOI: https://doi.org/10.1109/KhPIWeek57572.2022.9916459

27. Kuchuk, N., Kashkevich, S., Radchenko, V., Andrusenko, Y., Kuchuk, H. (2024). Applying edge computing in the execution IoT operative transactions. Advanced Information Systems, 8(4), 49–59. https://doi.org/10.20998/2522-9052.2024.4.07 DOI: https://doi.org/10.20998/2522-9052.2024.4.07

28. 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 DOI: https://doi.org/10.1007/978-981-19-9379-4_4

29. Mani Kiran, C.V.N.S., Jagadeesh Babu, B., Singh, M.K. (2023). Study of Different Types of Smart Sensors for IoT Application Sensors. Smart Innovation, Systems and Technologies, 290, 101–107. https://doi.org/10.1007/978-981-19-0108-9_11 DOI: https://doi.org/10.1007/978-981-19-0108-9_11

30. Emami Khansari, M., Sharifian, S. (2024). A scalable modified deep reinforcement learning algorithm for serverless IoT microservice composition infrastructure in fog layer. Future Generation Computer Systems, 153, 206–221. https://doi.org/10.1016/j.future.2023.11.022 DOI: https://doi.org/10.1016/j.future.2023.11.022