Главная

Постановка задачи. Современные сценарии высокоточного позиционирования в беспроводных локальных сетях требуют преодоления ограничений, связанных с многолучевым распространением сигналов и нелинейными задержками. Для реализации дальномерного метода позиционирования при отсутствии синхронизации между опорными приемопередающими узлами используется известный метод симметричного двустороннего двунаправленного измерения расстояния. Целью работы является исследование применения технологии симметричного двустороннего двунаправленного измерения расстояния в контексте определения местоположения пользовательского устройства в беспроводной локальной сети по технологии nanoLOC с нестационарной окружающей средой внутри помещений. Новизна заключается в разработке методического сопровождения для экспериментальной оценки точности позиционирования устройств внутри помещений с использованием технологии nanoLOC. Результаты показывают, что применение системы nanoLOC для решения задачи определения местоположения пользовательского устройства может обеспечить точность измерения в пределах нескольких дециметров за счет применения метода симметричного двустороннего двунаправленного измерения расстояния. Практическая значимость: представленное исследование может быть использовано для прикладной конфигурации сценариев определения местоположения внутри помещений с настройкой модулей сбора и обработки дальномерных измерений nanoLOC, а также для проведения лабораторных занятий по курсам систем прикладного радиодоступа.

Постановка задачи. Статья посвящена решению задачи выбора оптимальной стратегии передачи данных в гетерогенных сетях Интернета вещей. Для оценки и выбора стратегий с учетом таких противоречивых факторов, как энергопотребление, задержки и потери пакетов, предложен подход на основе нечеткого многокритериального анализа, позволяющий находить эффективные компромиссные решения в условиях неопределенности и нечеткости исходных данных, характерных для сетей Интернета вещей. Метод исследования: нечеткий многокритериальный анализ, обеспечивающий учет и обработку множества критериев и нечетких данных. Результаты: доказана эффективность предложенного подхода для определения стратегий передачи, обеспечивающих оптимальный баланс между энергопотреблением, задержками и потерями пакетов, что способствует повышению общей производительности сети. Практическая значимость: разработанный подход может применяться для оптимизации передачи данных в реальных сетях Интернета вещей, в том числе для снижения энергопотребления и задержек при сохранении высокой вероятности доставки, что актуально для приложений умного города и промышленной автоматизации.

Предмет и цель работы. Статья посвящена решению проблемы балансировки нагрузки в условиях нетерпеливых пользователей и разнородного трафика в телекоммуникационных системах. Целью работы является разработка концептуального фреймворка, сочетающего аналитические методы теории массового обслуживания и современные подходы машинного обучения для минимизации совокупного штрафа, учитывающего задержки обслуживания и стоимость отказов. Используемые методы. В основе исследования лежит аналитическая модель M/G/1/K с нетерпеливыми пользователями, позволяющая оценить ключевые показатели системы. Для случаев, когда аналитическое решение невозможно или неэффективно, предложено применение: (1) прогнозирования временных рядов для предсказания нагрузки, (2) бинарной классификации для оценки вероятности оттока, обучения с подкреплением для оптимизации целевой функции. Новизна работы заключается в системном подходе к сочетанию аналитических методов и методов машинного обучения для задач балансировки, а также в том, что учитывается разнородная стоимость отказов для различных классов трафика. Предложена новая формализация задачи через призму обучения с подкреплением. Основные результаты. Разработана концепция интеллектуальной системы балансировки, демонстрирующая потенциальные преимущества перед традиционными методами. Практическая значимость. Результаты исследования могут быть использованы при проектировании систем управления нагрузкой в автономных сетях.

Постановка задачи. В условиях растущего объема чувствительных данных и ужесточения требований к их защите традиционные централизованные методы машинного обучения становятся неприемлемыми из-за рисков утечек и нарушения конфиденциальности. Особенно остро эта проблема стоит в таких сферах, как здравоохранение и финансы, где передача персональных данных на центральный сервер недопустима. Одним из перспективных решений является федеративное обучение, позволяющее обучать глобальные модели без передачи исходных данных, однако сохранение баланса между точностью модели и уровнем приватности остается ключевым вызовом. Методы: для решения задачи предложен подход, сочетающий алгоритм агрегации FedAvg с механизмами дифференциальной приватности, включая обрезку градиентов и добавление гауссовского шума на стороне клиентов. Экспериментальная валидация проведена на наборе данных MNIST с использованием сверточной нейронной сети при различных параметрах дифференциальной приватности. Результаты: при оптимальных настройках (σ=0,5; ε≈3) достигнута точность 97,80 %, что лишь на 1 % уступает централизованному обучению (98,79 %). Безопасная агрегация с 10 клиентами за пять раундов показала точность 93,21 %. Анализ выявил четкую зависимость точности от параметров приватности, что позволяет гибко настраивать систему под конкретные требования. Практическая значимость: предложенная методика обеспечивает прозрачную и воспроизводимую оценку компромисса «точность ‒ приватность», что делает ее применимой для внедрения в реальные системы с чувствительными данными; результаты могут быть использованы в качестве базы для адаптации федеративного обучения в медицинских, финансовых и других критически важных приложениях, где конфиденциальность является приоритетом.