Дослідження методів машинного навчання для аналізу великих даних в системах прийняття рішень для телекомунікаційних мереж
Автор: Сембай Владислав Володимирович
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: Проведене дослідження спрямоване на розробку системи адаптивного машинного навчання для аналізу великих даних у телекомунікаційних мережах, надаючи нові можливості для підвищення ефективності мережі та швидкого реагування на зміни умов. У роботі досліджуються різноманітні методи обробки даних та інноваційні техніки, включаючи класичні статистичні методи, сучасні алгоритми машинного навчання та методи глибокого навчання. Аналіз показує, що в той час як традиційні методи, такі як статистичний аналіз, кластеризація та регресія, залишаються актуальними інструментами для виявлення закономірностей і прогнозування тенденцій, новітні технології, зокрема методи глибокого навчання та обробки природної мови, дозволяють проводити більш детальний і точний аналіз даних, щоб зробити рішення. З точки зору управління мережею, ця робота підкреслює важливість штучного інтелекту та Інтернету речей як ключових компонентів автоматизації телекомунікаційних процесів. За допомогою цих інструментів можна підвищити якість взаємодії з користувачами, оптимізувати шляхи передачі даних і автоматично контролювати мережеві ресурси. Використання алгоритмів машинного навчання в аналітиці великих даних відкриває телекомунікаційним компаніям шлях до швидкої адаптації до мінливих умов мережі, підвищення конкурентоспроможності та задоволення зростаючих вимог клієнтів. У контексті постійного зростання обсягів даних мережеві оператори наголошують на необхідності інвестувати в адаптивні рішення для оптимізації інфраструктури та підвищення надійності мережевих рішень [1-3]. Дослідження висвітлює алгоритми оптимізації, математичні моделі та методи глибокого навчання як потужні інструменти для точного прогнозування та розподілу ресурсів. Запропонована адаптивна система прийняття рішень здатна автоматично перерозподіляти мережеві ресурси та миттєво реагувати на коливання навантаження, тим самим знижуючи ризик переривання обслуговування для кінцевих користувачів. Крім того, дослідження підкреслює важливість програм на основі штучного інтелекту для кібербезпеки. Використовуючи глибоке навчання, такі системи можуть виявляти аномалії мережевого трафіку, ідентифікувати потенційні загрози та покращувати захист конфіденційних даних у режимі реального часу. На основі змодельованих сценаріїв було підтверджено високу адаптивність та ефективність запропонованої системи машинного навчання до комунікаційних потреб. Дослідження демонструє здатність системи масштабуватися та працювати стабільно, коли вона обробляє зростаючі обсяги даних, що особливо важливо для хмарних програм, орієнтованих на зберігання та захист даних. Аналіз економічної вигоди показує, що розподілені системи зв’язку є більш прибутковими з точки зору повернення інвестицій і обробки великих наборів даних, ніж нерозподілені системи. Ця робота надає рішення для оперативного прийняття рішень у комунікаційних мережах, забезпечуючи масштабованість, надійність і адаптивність систем машинного навчання до все більш складних даних. Запропонований метод ефективно справляється з обробкою великих обсягів даних, забезпечуючи високу якість послуг і покращуючи досвід користувачів шляхом проактивного реагування на потреби мережі. У цьому контексті підкреслюється потенціал адаптивного машинного навчання, яке може динамічно адаптуватися до змін структур даних і умов роботи мережі. Розроблена система особливо корисна для підтримки цілісності даних, забезпечення високого рівня захисту та швидкого реагування на загрози безпеці. Дослідження також містить рекомендації щодо підвищення продуктивності системи, зокрема оптимізації вибору моделей машинного навчання, методів попередньої обробки даних і параметрів конфігурації на основі конкретних сценаріїв використання. Використання штучного інтелекту для прогнозного аналізу може допомогти системі заздалегідь передбачити навантаження на мережу та приймати рішення на основі прогнозу, тим самим значно підвищуючи ефективність роботи [4- 6]. Майбутні напрямки досліджень включають удосконалення алгоритмів виявлення аномалій, розробку нових методів фільтрації даних та економічні перспективи використання адаптивних і розподілених систем машинного навчання в комунікаційних мережах. Розробка та впровадження цієї структури забезпечить обробку великих обсягів даних у режимі реального часу, сприятиме безперебійній роботі мережі та підвищенню економічної ефективності. Об’єкт дослідження – Системи адаптивного машинного навчання у телекомунікаційних мережах. Сфера дослідження – Аналіз великих даних у телекомунікаційних мережах, оптимізація ресурсів і підвищення ефективності за допомогою інноваційних методів обробки інформації та автоматизованих рішень на основі штучного інтелекту. Мета дослідження – розробити адаптивну систему машинного навчання для покращення ефективності комунікаційних мереж і забезпечення здатності мереж швидко адаптуватися до змін умов та навантаження, використовуючи сучасні алгоритми обробки даних.