Дослідження методів інтеграції великих даних у системах прийняття рішень для телекомунікаційних мереж на основі глибинного навчання
Автор: Яцишин Олександр Петрович
Кваліфікаційний рівень: магістр
Спеціальність: Проектування та адміністрування інформаційних комунікаційних мереж
Інститут: Інститут телекомунікацій, радіоелектроніки та електронної техніки
Форма навчання: денна
Навчальний рік: 2024-2025 н.р.
Мова захисту: українська
Анотація: У сучасних телекомунікаційних мережах обробка великих обсягів даних і автоматизація процесів прийняття рішень є ключовими факторами для забезпечення якості зв’язку. Інтеграція технології глибинного навчання надає нові можливості для підвищення ефективності управління мережею. Це дослідження зосереджено на розробці методів інтеграції великих даних у системи прийняття рішень, використовуючи моделі глибинного навчання для вдосконалення механізмів обробки інформації, адаптації до динамічних змін навантаження та забезпечення стабільності мережі. Запропонований підхід дозволяє автоматизувати процес аналізу даних, ідентифікувати аномалії трафіку та пріоритезувати дані в умовах змінного навантаження, що особливо важливо для мереж з високими вимогами до QoS та надійності. В роботі представлено основні характеристики системи прийняття рішень у комунікаційній мережі, зосереджуючись на важливості інтелектуальної обробки великих даних. Інтеграція машинного навчання та штучного інтелекту дозволяє системам не тільки ефективно аналізувати великі обсяги інформації, але й забезпечувати високу продуктивність і безперервність обслуговування. З огляду на сучасні кіберзагрози, здатність систем адаптуватися, пріоритезувати трафік і автоматизувати процеси є критично важливою для підтримки стабільності та безпеки мережі. Довгострокове значення цих мереж забезпечується адаптивністю та здатністю до самонавчання систем, які можуть ефективно працювати в середовищах із високим навантаженням. Також обговорюються переваги глибинного навчання для обробки великих даних у контексті комунікаційних мереж. Особлива увага приділяється здатності глибоких нейронних мереж обробляти неструктуровані дані з різних джерел, таких як текстові повідомлення або зображення, що дозволяє виявити приховані закономірності, невидимі для традиційних методів обробки. Автоматизація таких процесів за допомогою глибокого навчання може допомогти зробити мережу більш ефективною за рахунок зменшення обчислювальних витрат і часу, необхідних для обробки даних. Досвід у різних галузях, таких як медицина, фінанси та менеджмент, показує, що глибоке навчання може значно покращити якість послуг і підвищити прибутковість за рахунок підвищення точності прийняття рішень. Теоретична частина досліження зосереджена на огляді сучасних моделей глибокого навчання, таких як рекурентні нейронні мережі (RNN) і їх удосконалення для LSTM, потужного інструменту для аналізу часових рядів і послідовностей даних. Хоча RNN мають деякі обмеження, включаючи можливі проблеми з градієнтами, вони все ще важливі для створення прогнозів на основі історичних даних. Поява Transformer віщує подальший розвиток методів послідовної обробки даних, що забезпечує високу ефективність обробки тексту, розпізнавання мовлення та завдань аналізу даних у реальному часі. У той же час поєднання цих методів з новими архітектурами відкриває нові горизонти для глибокого навчання, особливо в галузі природної мови, фінансового прогнозування та медичних досліджень. В роботі отримано результати експериментального моделювання алгоритмів, розроблених для покращення продуктивності мережі під час високих навантажень. Запровадження алгоритму важливості даних може розподілити ресурси відповідно до пріоритету, зменшити витрати на обчислення та зменшити споживання енергії. Запропонований метод аналізу співвідношення сигнал/шум може покращити стабільність зв’язку навіть у динамічних умовах і забезпечити високоякісні послуги для критично важливих додатків, таких як дистанційне керування транспортом і медичне обслуговування. Експериментальні результати показують, що адаптивний метод управління ресурсами на основі глибокого навчання знижує витрати на обчислення на 10% і покращує стабільність зв’язку. Це дозволяє мережі URLLC 6G підтримувати високу продуктивність, тим самим підвищуючи загальну ефективність у контексті нових вимог до зв’язку. Таким чином, це дослідження підтверджує думку про те, що інтеграція великих даних і глибокого навчання в системи прийняття рішень у комунікаційних мережах сприяє її адаптивності та стійкості до кіберзагроз і покращує витрати на обробку інформації. Оскільки розширення мереж 6G вимагає високого ступеня гнучкості та стабільності, запропонований метод має потенціал для подальшого розвитку. Очікується, що в майбутньому подальше вдосконалення алгоритму підвищить ефективність обробки великих даних у реальному часі та задовольнить потреби розвитку комунікаційних мереж нового покоління [1-8]. Об’єкт дослідження – Системи прийняття рішень у телекомунікаційних мережах з використанням глибинного навчання для інтеграції великих даних. Сфера дослідження – Інтелектуальна обробка великих даних, автоматизація прийняття рішень, адаптивність та стабільність комунікаційних мереж. Мета дослідження: Розробка та впровадження методів інтеграції великих даних у системи прийняття рішень, що базуються на моделях глибинного навчання, з метою підвищення ефективності управління телекомунікаційними мережами.