Сообщение

Главная

Синтез аналитических моделей и методов машинного обучения для балансировки нагрузки при строгих ограничениях на время отклика

orcid Редругина Наталия Михайловна, orcid Тарабанов Илья Федорович

Санкт-Петербургский государственный университет телекоммуникаций им. проф. М. А. Бонч-Бруевича,
Санкт-Петербург, 193232, Российская Федерация

DOI  10.31854/2307-1303-2025-13-2-43-51

EDN FMMVHK

 Полный текст

XML JATS


Аннотация

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.


Ключевые слова
машинное обучение, теория массового обслуживания, нагрузка, математическое моделирование, миграция, балансировка.

Библиографическая ссылка на статью

Редругина Н. М., Тарабанов И. Ф. Синтез аналитических моделей и методов машинного обучения для балансировки нагрузки при строгих ограничениях на время отклика // Информационные технологии и телекоммуникации. 2025. Т. 13. № 2. С. 43‒51. DOI: 10.31854/2307-1303-2025-13-2-43-51. EDN: FMMVHK


Reference for citation

Redrugina N. M., Tarabanov I. F. Synthesis of Analytical Models and Machine Learning Methods for Load Balancing under Strict Response Time Constraints // Telecom IT. 2025. Vol. 13. Iss. 2. PP. 43‒51. (in Russian). DOI: 10.31854/2307-1303-2025-13-2-43-51. EDN: FMMVHK


Литература

1. ETSI GS ZSM 002 V1.1.1 (2019-08). Zero-touch network and Service Management (ZSM). Reference Architecture.

2. ETSI TS 128 533 V15.0.0 (2018-10). 5G. Management and orchestration. Architecture framework (3GPP TS 28.533 version 15.0.0 Release 15).

3. ETSI TS 128 535 V16.1.0 (2020-11). 5G. LTE. Management and orchestration. Management services for communication service assurance. Requirements (3GPP TS 28.535 version 16.1.0 Release 16).

4. ETSI TS 128 536 V16.0.0 (2020-07). LTE. 5G. Management and orchestration. Management services for communication service assurance. Stage 2 and stage 3 (3GPP TS 28.536 version 16.0.0 Release 16).

5. ETSI TR 28 810 V17.0.0 (2020-09). Study on concept, requirements and solutions for levels of autonomous network. (3GPP TR 28.810 version 17.0.0 Release 17).

6. ETSI TS 128 100 V17.0.0 (2022-05). 5G. Management and orchestration. Levels of autonomous network (3GPP TS 28.100 version 17.0.0 Release 17).

7. ETSI TR 28 812 V17.1.0 (2020-12). Telecommunication management; Study on scenarios for Intent driven management services for mobile networks. (3GPP TR 28.812 version 17.1.0 Release 17).

8. ETSI TS 28.312 V17.1.1 (2022-09). Management and orchestration; Intent driven management services for mobile networks (3GPP TR 28.312 version 17.1.1 Release 17).

9. De Kok A. G., Tijms H. C. A queueing system with impatient customers // Journal of Applied Probability. 1985. Vol. 22. Iss. 3. PP. 688–696.

10. Almasan P., Ferriol-Galmes M., Paillisse J., Suarez-Varela J., Perino D., et al. Network Digital Twin: Context, Enabling Technologies and Opportunities // IEEE Communications Magazine. 2022. Vol. 60. Iss. 11. PP. 22–27. DOI: 10.1109/MCOM. 001.2200012. EDN: JBSBYX

11. Eisen M., Ribeiro A. Optimal Wireless Resource Allocation with Random Edge Graph Neural Networks // IEEE Transactions on Signal Processing. 2020. Vol. 68. PP. 2977–2991. DOI: 10.1109/TSP.2020.2988255

12. Rashka S., Liu Y. H., Mirjalili V. Machine Learning using PyTorch and Scikit-Learn. Developing machine learning and deep learning models in Python. Packt Publishing Ltd, 2022.

13. ETSI TS 23 501 V19.4.0 (2025-06). System architecture for the 5G System (5GS). Stage 2. (3GPP TS 23.501 version 19.4.0 Release 19).

 

cc-by Статья распространяется по лицензии Creative Commons Attribution 4.0 License.

cc0  Метаданные статьи распространяются по лицензии CC0 1.0 Universal


 
войти

Авторизация