|
|
 Фазылов Данис Альбертович, Кравец Елена Валентиновна
Санкт-Петербургский государственный университет телекоммуникаций им. проф. М. А. Бонч-Бруевича,
Санкт-Петербург, 193232, Российская Федерация
DOI 10.31854/2307-1303-2025-13-1-47-58
EDN TQUHQG
|
|
 Полный текст
 XML JATS
Аннотация
Постановка задачи. Управление уличным освещением с использованием современных технологий Интернета вещей связано со стремлением общества к созданию энергоэффективной системы, являющейся частью концепции «умного» города. Основными функциями автоматических систем освещения являются: управление линиями наружного освещения, индивидуальное и групповое диммирование, адаптация освещения под погодные условия, присутствие пешеходов и дорожный трафик. Для реализации задачи управления освещением требуется доступ к каждому светильнику, который может быть реализован на основе беспроводных технологий Интернета вещей. Целью работы является расчет параметров системы дистанционного управления уличным освещением. Используемые методы: для определения количества базовых станций, необходимых для дистанционного управления светильниками, используется модель распространения радиоволн Окамуры ‒ Хата. Эта модель позволяет определить радиус действия базовой станции в районах с типичной городской застройкой. Новизна исследования состоит в том, что проведено сравнение технологий низкоэнергетических сетей с широкой зоной покрытия для задачи управления освещением. Показано, что для повышения емкости сети можно использовать семь частотных каналов для передачи по каналу «вверх» и один фиксированный частотный канал для передачи по каналу «вниз». При этом вероятность доставки пакетов составляет 99 %. Результат: представлены результаты планирования сети начального приближения на основе технологии LoRa в системе проектирования RadioPlanner.
Ключевые слова
уличное освещение, Интернет вещей, технология LoRa, «умный» город, «умное» освещение.
Библиографическая ссылка на статью
Фазылов Д. А., Кравец Е. В. Моделирование системы автоматического управления уличным освещением с помощью технологии LoRa // Информационные технологии и телекоммуникации. 2025. Т. 13. № 1. С. 47‒58. DOI: 10.31854/2307-1303-2025-13-1-47-58. EDN: TQUHQG
Reference for citation
Fazylov D., Kravets E. The Modelling of the System of Automated Street Lighting Control Using LoRa Technology // Telecom IT. 2025. Vol. 13. Iss. 1. PP. 47‒58 (in Russian). DOI: 10.31854/2307-1303-2025-13-1-47-58. EDN: TQUHQG
|
|
Литература
1. Водовозов А. М., Бурцев А. В. Интеллектуальная система уличного освещения на основе парадигмы Интернета вещей // Вестник Череповецкого государственного университета. 2021. № 3(102). С. 7–17. DOI: 10.23859/1994-0637-2021-3-102-1. EDN: VYFOTX
2. Попов А. А. Алгоритм выбора информационной системы для предприятия с учетом уровня его готовности к автоматизации // Современные наукоемкие технологии. 2016. № 5–1. С. 66–70. EDN: VZCSYJ
3. Умный город. Онлайн. URL: https://russiasmartcity.ru (дата обращения 02.04.2025)
4. Мошаров Н. К., Бородин С. И. «Умное» освещение в «умном» городе // Умные технологии в современном мире: Материалы II Всероссийской научно-практической конференции (Челябинск, 18 февраля 2020 г.). Челябинск: Южно-Уральский государственный университет (национальный исследовательский университет), 2020.С. 306–313. EDN: KDWFVM
5. Никитин М. С., Тычков А. Ю. Система интеллектуального городского уличного освещения на основе IoT платформы // Измерение. Мониторинг. Управление. Контроль. 2022. № 1 (39). С. 13–20. DOI: 10.21685/2307-5538-2022-1-2. EDN: CIBTOC
6. Carli R., Dotoli M., Cianci E. An Optimization Tool for energy efficiency of Street Lighting Systems in Smart Cities // IFAC-Papers OnLine. 2017. Vol. 50. Iss. 1. PP. 14460–14464. DOI: 10.1016/j.ifacol.2017.08.2292
7. Московская компания разработала систему онлайн-управления уличным освещением // Официальный портал Мэра и Правительства Москвы. 13.08.2019. URL: https://www.mos.ru/news/item/60256073 (дата обращения 02.14.2025)
8. Освещение городских улиц // ServiceEnergy. URL: https://www.service energy.ru/solutions/umnoe-osveshchenie/osveshchenie-gorodskikh-ulits (дата обращения 02.04.2025)
9. Перспективы IoT для систем «умного» освещения // Умный свет. URL: https://smartlight.elec.ru/article/perspektivy-iot-dlya-sistem-umnogo-osvesheniya.html? ysclid=m95so9x3u5432863480 (дата обращения 02.04.2025)
10. Кумаритова Д. Л., Киричек Р. В. Обзор и сравнительный анализ технологий LPWAN сетей // Информационные технологии и телекоммуникации. 2016. Т. 4. №. 4. С. 33–48. EDN: YLNEQB
11. Сапрыкин А. LoRa, «Стриж» и ZigBeevs NB-IoT для АСУНО. NB-IoT ‒ основа «умного» города и «умного» света // Полупроводниковая светотехника. 2020. № 4(66). С. 58–64. EDN: YMZEYQ
12. Сковпин М. С., Лапшина М. Л. Планирование и оптимизация сетей сотовой связи // Вестник Воронежского государственного технического универ- ситета. 2013. Т. 9. № 6–3. С. 81–84. EDN: RXKQSP
13. Шешалевич В. В. LPWAN ‒ низкопотребляющие сети большого радиуса действия. Связь для Интернета вещей // Безопасность информационных технологий. 2017. Т. 24. № 3. С. 7–17. EDN: ZEMPHL
14. Целищев Д. В., Копысов А. Н. Использование технологии LoRa при создании автоматизированных систем контроля и управления // Информационные технологии в науке, промышленности и образовании: Сборник трудов Всероссийской научно-технической конференции (Ижевск, 31 марта 2019 г.). Ижевск: Изд-во ИжГТУ им. М. Т. Калашникова, 2019. С. 187–192. EDN: JQZJBR
15. LoRaWAN Specification v1.0.2 // LoRaAlliance. URL: https://resources. lora-alliance.org/document/lorawan-specification-v1-0-2 (дата обращения 02.04.2025)
16. Тихомиров А. В., Омельянчук Е. В., Семенова А. Ю., Михайлов В. Ю. Прогнозирование параметров распространения радиоволн в условиях городской застройки при использовании низко расположенных антенн // Труды МАИ. 2017. № 97. С. 15. EDN: YMIGSW
17. Руководство разработчика устройств LoRaWAN сети ЛАРТЕХ // Компания Лартех Телеком.URL: https://lar.tech/images/pdf/lorawan-lartech.pdf?ysclid =m95tj5nbh4571512524 (дата обращения 02.04.2025)
18. Лячек Ю. Т.,Мутанна М. М. А., Нассер С. С. С., Мутанна М. С. А. Плотность распределения базовых станций LoRa в глобальной сети LPWAN в «умном городе» // Известия СПбГЭТУ ЛЭТИ. 2020. № 8–9. С. 45–52. EDN: NAMOMZ
|
|
|
Виницкий Михаил Александрович, Дусталев Евгений Владимирович, Минин Дмитрий Александрович, Бабич Василий Николаевич, Бобровский Вадим Игоревич
Санкт-Петербургский государственный университет телекоммуникаций им. проф. М. А. Бонч-Бруевича,
Санкт-Петербург, 193232, Российская Федерация
DOI 10.31854/2307-1303-2025-13-1-40-46
EDN ZZGRGL
|
|
Полный текст
XML JATS
Аннотация
Постановка задачи. Методы машинного обучения и нейронные сети являются перспективным инструментом для прогнозирования и определения объектов в режиме реального времени, что позволяет найти применение подобным технологиям в обеспечении безопасности дорожного движения. Целью работы является разработка решения, способного с помощью методов искусственного интеллекта детектировать и классифицировать объекты, реализующее функции интеллектуальной системы помощи водителю на борту транспортного средства. Используемые методы: создание сервиса интеллектуального ассистирования на основе сверточных нейронных сетей. Элементом новизны представленного решения является реализация сервиса помощи принятия решения водителю на основе компактной маломощной вычислительной базы. Результат: выбранный сервис интеллектуальной системы помощи принятия решений водителю реализован на компактном маломощном вычислительном устройстве с точностью 87 % по оценке показателя средней точности (mAP) при средней частоте 32 кадра в секунду. Практическая значимость: представленное решение позволяет внедрить систему с использованием алгоритмов искусственного интеллекта на базу транспортного средства благодаря низкому энергопотреблению и нейропроцессорному модулю, способному работать с видеопотоком в режиме реального времени.
Ключевые слова
Advanced Driver’s Assistance System, сверточные нейронные сети, искусственный интеллект, машинное обучение, интеллектуальные транспортные системы, определение объектов.
Библиографическая ссылка на статью
Виницкий М. А., Дусталев Е. В., Минин Д. А., Бабич В. Н., Бобровский В. И. Разработка интеллектуальной системы помощи водителю // Информационные технологии и телекоммуникации. 2025. Т. 13. № 1. С. 40‒46. DOI: 10.31854/2307-1303-2025-13-1-40-46. EDN: ZZGRGL
Reference for citation
Vinitsky M., Dustalev E., Minin D., Babich V., Bobrovsky V. Development of an Advanced Driver Assistance System // Telecom IT. 2025. Vol. 13. Iss. 1. PP. 40‒46 (in Russian). DOI: 10.31854/2307-1303-2025-13-1-40-46. EDN: ZZGRGL
|
|
Литература
1. Accelerating the Future of Autonomous Vehicles // NVIDIA. URL: https:// www.nvidia.com/en-us/self-driving-cars (Accessed 10.01.2025)
2. Аналитический отчет по итогам исследования состояния и перспектив развития рынка бортового оборудования и технологий ADAS. 2019 // ГЛОНАСС / ГНСС Форум. URL: http://www.aggf.ru/projects (дата обращения 10.01.2025)
3. Autonomous Driving and Driver Assist Solutions. 2023 // Mentor. URL: https://www.mentor.com/mentorautomotive/autonomous (Accessed 10.01.2025)
4. Бабич В. Н., Виницкий М. А., Дусталев Е. В. Обзор существующих интеллектуальных бортовых систем помощи водителю транспортного средства // Студенческая весна-2023: Материалы 77-й региональной научно-технической конференции студентов, аспирантов и молодых ученых (Санкт-Петербург, 23–24 мая 2023 г.). СПб.: СПбГУТ, 2023. С. 77–82. EDN: OQXZRT
5. Explanation of Application Interface of AD/ADAS Vehicle Motion Control R23-11 // AUTOSCAR URL: https://www.autosar.org/fileadmin/standards/R23-11/CP/AUTOSAR_CP_MOD_AISpecification.zip (Accessed 10.01.2025)
6. Computer Vision for Autonomous Driving: Keep an Eye on the Road // Intellias. URL: https://www.intellias.com/computer-vision-keep-sharp-eye-road (Accessed 10.01.2025)
7. Platform for ADAS. 2023 // Green Hills. URL: https://www.ghs.com/products/auto_adas.html (Accessed 10.01.2025)
8. Xu J. Распознавание образов с помощью искусственного интеллекта. 07.01.2023 // Хабр. URL: https://habr.com/ru/articles/709432 (дата обращения 10.01.2025)
|
|
|
Цап Всеволод Владимирович, Фокин Григорий Алексеевич
Санкт-Петербургский государственный университет телекоммуникаций им. проф. М. А. Бонч-Бруевича,
Санкт-Петербург, 193232, Российская Федерация
DOI 10.31854/2307-1303-2025-13-1-14-22
EDN XYAPHF
|
|
Полный текст
XML JATS
Аннотация
В статье рассматривается применимость моделей и методов машинного обучения при спектральном зондировании для повышения скорости сканирования и анализа сигналов стандарта LTE. Описывается порядок работы программного модуля сканирования сигналов стандарта LTE по алгоритму спектрального зондирования в широком диапазоне частот. Методом исследования является натурный эксперимент с использованием плат программно-конфигурируемого радио. Результатом сканирования и анализа является обнаружение сигналов базовых станций стандарта LTE, работающих на передачу в заданном районе. Эффективность обнаружения базовых станций оценивается посредством классификации участков спектра методами машинного обучения. Практическая значимость: объединение программного модуля панорамного сканирования в широком диапазоне и программного модуля анализа в информационной полосе частот позволяет существенно сократить время обнаружения базовых станций стандарта LTE в заданном районе.
Ключевые слова
спектральное зондирование, стандарт LTE, программно-конфигурируемое радио, машинное обучение.
Библиографическая ссылка на статью
Цап В. В., Фокин Г. А. SDR-анализатор сигналов стандарта LTE с панорамным модулем сканирования на основе методов машинного обучения // Информационные технологии и телекоммуникации. 2025. Т. 13. № 1. С. 14‒22. DOI: 10.31854/2307-1303-2025-13-1-14-22. EDN: XYAPHF
Reference for citation
Tsap V., Fokin G. SDR-Based LTE Signal Analyzer with Panoramic Scanning Module Based on Machine Learning Methods // Telecom IT. 2025. Vol. 13. Iss. 1. PP. 14‒22 (in Russian). DOI: 10.31854/2307-1303-2025-13-1-14-22. EDN: XYAPHF
|
|
Литература
1. «Иртея» планирует поставлять отечественные базовые станции 5G на экспорт // TACC. 23.12.2024. URL: https://tass.ru/ekonomika/22750391 (дата обращения 01.03.2025)
2. Rao A. L. N., Ramesh B., Manjunatha, Jain A., Alzubaidi L. H., et al. The Role of Cognitive Radio in Optimizing Spectrum Utilization // Proceedings of 13th International Conference on Communication Systems and Network Technologies (CSNT, 06–07 April 2024, Jabalpur, India). IEEE, 2024. PP. 176–182. DOI: 10.1109/CSNT60213.2024.10546073
3. Фокин Г. А. Обзор моделей спектрального зондирования сигналов LTE и NR // Первая миля. 2024. № 8 (124). С. 40–47. DOI: 10.22184/2070-8963.2024. 124.8.40.47. EDN: XUXCHX
4. Фокин Г. А., Волгушев Д. Б., Рютин К. Е., Шеремет Н. В., Цап В. В. Прикладное использование технологий программно-конфигурируемого радио в системах связи и навигации. СПб.: СПбГУТ, 2025. 240 с. EDN: WIPEHY
5. Арефьев А. С., Варыгин А. А., Фокин Г. А. Анализ структуры целевого сигнала NR и LTE на основе нейросетевого подхода и методов глубокого обучения // Информационные технологии и телекоммуникации. 2024. Т. 12. № 1. С. 16–28. DOI: 10.31854/2307-1303-2024-12-1-16-28. EDN: GEOTKR
6. Capture and Label NR and LTE Signals for AI Training // MathWorks. URL: https://www.mathworks.com/help/wireless-testbench/ug/capture-and-label-nr-and-lte-signals-for-ai-training.html (accessed 31.03.2025)
7. Spectrum Sensing with Deep Learning to Identify 5G and LTE Signals // MathWorks. URL: https://www.mathworks.com/help/comm/ug/spectrum-sensing-with-deep-learning-to-identify-5g-and-lte-signals.html (accessed 31.03.2025)
8. Identify LTE and NR Signals from Captured Data Using SDR and Deep Learning // MathWorks. URL: https://www.mathworks.com/help/wireless-testbench/ ug/identify-lte-and-nr-signals-from-captured-data-using-sdr-and-deep-learning.html (accessed 31.03.2025)
9. Фокин Г. А., Волгушев Д. Б. Использование SDR-технологии для задач сетевого позиционирования. Апробация приема и обработки опорных сигналов LTE // Вестник СибГУТИ. 2023. Т. 17. № 3. С. 23–33. DOI: 10.55648/1998-6920-2023-17-3-23-33. EDN: YOIQZO
10. КОНСУЛ сориентируется на местности // Коммерсантъ. 2021. № 76. URL: https://www.kommersant.ru/doc/4793821 (дата обращения 05.03.2025).
11. Киреев А. В., Фокин Г. А. Оценка точности локального позициони-рования мобильных устройств с помощью радиокарт и инерциальной навига-ционной системы // Труды учебных заведений связи. 2017. Т. 3. № 4. С. 54–62. EDN: YMIHOI
12. Цап В. В., Фокин Г. А. Разработка и апробация анализатора сигналов стандарта LTE средствами программно-конфигурируемого радио // Вестник СПбГУТ. 2024. Т. 2. № 2. С. 4. EDN: LPOWHF
13. Otsu N. A Threshold Selection Method from Gray-Level Histograms // IEEE Transactions on Systems, Man, and Cybernetics. 1979. Vol. 9. Iss. 1. PP. 62–66. DOI: 10.1109/TSMC.1979.4310076
14. ETSI TS 136 101 V18.7.0: User Equipment (UE) Radio Transmission and Reception, 2024. URL: https://www.etsi.org/deliver/etsi_ts/136100_136199/136101/ (accessed 10.03.2025)
|
|
|
Калачиков Александр Александрович, Попович Иван Артемьевич, Пушница Владимир Алексеевич
Сибирский государственный университет телекоммуникаций и информатики,
Новосибирск, 630102, Российская Федерация
DOI 10.31854/2307-1303-2025-13-1-23-39
EDN TOKWFI
|
|
Полный текст
XML JATS
Аннотация
Постановка задачи. Программное радио позволяет гибко реализовывать алгоритмы обработки сигналов в радиосвязи. Прием сигналов возможен только при наличии синхронизации во временно́й и частотной областях, учитывающих свойства сигналов. При разработке систем связи требуется выбрать алгоритмы, позволяющие эффективно решить задачу синхронизации. Выбор алгоритма выполняется с использованием моделирования и тестовой реализации. В работе представлен прототип системы связи с ортогональным частотным мультиплексированием, реализованный на платформе Adalm Pluto с использованием библиотеки libiio. Цель исследования ‒ анализ и программная реализация алгоритмов символьной и частотной синхронизации при приеме сигналов с ортогональным частотным мультиплексированием. Для этого применена преамбула на основе последовательности Задова ‒ Чу. Оценка частотного смещения выполнена двумя методами: с использованием циклического префикса символов и с применением преамбулы Задова ‒ Чу. Новизна. Разработанные алгоритмы реализованы в виде программ, без применения специализированных библиотек готовых модулей и протестированы на аппаратной платформе Adalm Pluto. Практическая значимость состоит в экспериментальном подтверждении работоспособности предложенных решений, что позволяет использовать их в системах программного радио при реализации каналов связи различных автономных систем.
Ключевые слова
программное радио, временна́я синхронизация приема сигналов, частотная синхронизация приема сигналов.
Библиографическая ссылка на статью
Калачиков А. А., Попович И. А., Пушница В. А. Экспериментальная реализация алгоритмов синхронизации OFDM с использованием системы программного радио (SDR) // Информационные технологии и телекоммуникации. 2025. Т. 13. № 1. С. 23‒39. DOI: 10.31854/2307-1303-2025-13-1-23-39. EDN: TOKWFI
Reference for citation
Kalachikov A., Popovich I., Pushnitsa V. Experimental Implementation of OFDM Synchronization Algorithms Using Software Radio System (SDR) // Telecom IT. 2025. Vol. 13. Iss. 1. PP. 23‒39 (in Russian). DOI: 10.31854/2307-1303-2025-13-1-23-39. EDN: TOKWFI
|
|
Литература
1. Ahmadi S. LTE-Advanced: A Practical Systems Approach to Understanding the 3GPP LTE Releases 10 and 11 Radio Access Technologies. Oxford: Elsevier Science, 2014.
2. Tuninato R., Riviello D. G., Garello R., Melis B., Fantini R. A Comprehensive Study on the Synchronization Procedure in 5G NR with 3GPP-Compliant Link-Level Simulator // EURASIP Journal on Wireless Communications and Networking. 2023. Iss. 1. P. 111. DOI: 10.1186/s13638-023-02317-5. EDN: VSWKBI
3. Smaini L. RF Analog Impairments Modeling for Communication Systems Simulation: Application to OFDM-Based Transceivers. John Wiley & Sons, 2012. DOI: 10.1002/9781118438046
4. Collins T., Getz R., Wyglinski A. Software-Defined Radio for Engineers. Artech Housee, 2018. 378 p.
5. Cho Y. S., Kim J., Yang W. Y., Kang Ch. G. MIMO-OFDM Wireless Communications with MATLAB. John Wiley & Sons, 2010.
6. Morelli M., Kuo C.-C. J., Pun M.-O. Synchronization Techniques for Orthogonal Frequency Division Multiple Access (OFDMA): A Tutorial Review // Proceedings of the IEEE. 2007. Vol. 95. Iss. 7. PP. 1394–1427. DOI: 10.1109/JPROC.2007. 897979
7. Minn H., Bhargava V. K., Letaief K. B. A Robust Timing and Frequency Synchronization for OFDM Systems // IEEE Transactions on Wireless Communications. 2003. Vol. 2. Iss. 4. PP. 822–839. DOI: 10.1109/TWC.2003.814346
8. Shi K., Serpedin E. Coarse Frame and Carrier Synchronization of OFDM Systems: A New Metric and Comparison // IEEE Transactions on Wireless Communications. 2004. Vol. 3. Iss. 4. PP. 1271–1284. DOI: 10.1109/TWC.2004.828282
9. Yagli K., Aldirmaz Colak S. Preamble-Based Symbol Timing Algorithms in OFDM Systems // The European Journal of Research and Development. 2022. Vol. 2. Iss. 2. PP. 445–458. DOI: 10.56038/ejrnd.v2i2.91
10. Wang M. M., Agrawal A., Khandekar A., Aedudodla S. Preamble Design, System Acquisition, and Determination in Modern OFDMA Cellular Communications: An Overview // IEEE Communications Magazine. 2011. Vol. 49. Iss. 7. PP. 164–175. DOI: 10.1109/MCOM.2011.5936170
11. Morelli M., Moretti M. Carrier Frequency Offset Estimation for OFDM Direct Conversion Receivers // IEEE Transactions on Wireless Communications. 2012. Vol. 11. Iss. 7. PP. 2670–2679. DOI: 10.1109/TWC.2012.051512.120057
12. Golnari A., Shabany M., Nezamalhosseini A., Gulak G. Design and Implementation of Time and Frequency Synchronization in LTE // IEEE Transactions on Very Large Scale Integration (VLSI) Systems. 2015. Vol. 23. Iss. 12. PP. 2970–2982. DOI: 10.1109/TVLSI.2014.2387861
|
|
Парамонов Александр Иванович, Хоанг Фыок Ньян
Санкт-Петербургский государственный университет телекоммуникаций им. проф. М. А. Бонч-Бруевича,
Санкт-Петербург, 193232, Российская Федерация
DOI 10.31854/2307-1303-2025-13-1-1-13
EDN DYOMML
|
|
Полный текст
XML JATS
Аннотация
В статье рассматривается задача динамического выбора подканалов в гетерогенных сетях Интернета вещей с учетом изменений параметров сети и ограниченных вычислительных ресурсов устройств. Предметом исследования являются гетерогенные сети Интернета вещей, использующие различные технологии передачи данных. В исследовании применяется метод обучения с подкреплением для динамического выбора подканалов на основе анализа исторических данных и текущего состояния сети, также используется алгоритм перетягивания каната для распределения ресурсов между подканалами. Основные результаты. Разработан метод динамического выбора подканалов, который позволяет учитывать вероятность успешной передачи данных, частоту использования подканала и вероятность отказов, обеспечивая баланс между эффективностью передачи и вычислительными затратами. Практическая значимость результатов заключается в повышении производительности и надежности гетерогенных сетей Интернета вещей при высокой нагрузке и ограниченных ресурсах устройств.
Ключевые слова
гетерогенные сети, канал связи, Интернет вещей, алгоритм перетягивания каната, обучение с подкреплением.
Библиографическая ссылка на статью
Парамонов А. И., Хоанг Ф. Н. Метод динамического выбора подканалов в гетерогенных средах Интернета вещей // Информационные технологии и телекоммуникации. 2025. Т. 13. № 1. С. 1‒13. DOI: 10.31854/2307-1303-2025-13-1-1-13. EDN: DYOMML
Reference for citation
Paramonov A., Hoang Ph. N. Method for Dynamic Subchannel Selection in Heterogeneous Internet of Things Environments // Telecom IT. 2025. Vol. 13. Iss. 1. PP. 1‒13. (in Russian). DOI: 10.31854/2307-1303-2025-13-1-1-13. EDN: DYOMML
|
|
Литература
1. Кучерявый А. Е., Киричек Р. В., Маколкина М. А., Парамонов А. И., Дунайцев Р. А. и др. Новые перспективы научных исследований в области сетей связи на 2021‒2024 годы // Информационные технологии и телекоммуникации. 2020. Т. 8. № 3. С. 1‒19. DOI: 10.31854/2307-1303-2020-8-3-1-19. EDN: XDGHAO
2. Кучерявый А. Е. Триллионные сети // Телекоммуникации. 2013. № S7. C. 19–22. EDN: REKFXF
3. Noaman M., Khan M. S., Abrar M. F., Ali S., Alvi A., et al. Challenges in integration of heterogeneous internet of things // Scientific Programming. 2022. DOI: 10.1155/2022/8626882
4. Qiu T., Chen N., Li K., Atiquzzaman M., Zhao W. How Can Heterogeneous Internet of Things Build Our Future: A Survey // IEEE Communications Surveys & Tutorials. 2018. Vol. 20. Iss. 3. PP. 2011‒2027. DOI: 10.1109/COMST.2018.2803740. EDN: YFGIPJ
5. Марочкина А. В., Парамонов А. И. Метод маршрутизации трафика в трехмерной сети Интернета вещей высокой плотности с применением серого реляционного анализа // Труды учебных заведений связи. 2023. Т. 9. № 4. С. 75‒85. DOI: 10.31854/1813-324X-2023-9-4-75-85. EDN: HOADGI
6. Paramonov A., Koucheryavy A., Tonkikh E., Tatarnikova T. M. High Density Internet of Things Network Analysis // Internet of Things, Smart Spaces, and Next Generation Networks and Systems: Proceedings of the 20th International Conference NEW2AN 2020, and 13th Conference ruSMART 2020 (St. Petersburg, Russia, 26–28 August 2020). Lecture Notes in Computer Science. 2020. Vol. 12525. PP. 307‒316. DOI: 10.1007/978-3-030-65726-0_27. EDN: FGGLAB
7. Бушеленков С. Н., Парамонов А. И. Анализ и формирование структуры сети интернета вещей на основе моделей решеток // Электросвязь. 2021. № 7. С. 23‒28. DOI: 10.34832/ELSV.2021.20.7.002. EDN: JIBLHT
8. Кучерявый А. Е., Окунева Д. В., Парамонов А. И., Хоанг Ф. Н. Методы распределения трафика в гетерогенной сети Интернета вещей высокой плотности // Труды учебных заведений связи. 2024. Т. 10. № 2. С. 67‒74 DOI: 10.31854/ 1813-324X-2024-10-2-67-74. EDN: RTNVEU.
9. Ateya A. A., Bushelenkov S., Muthanna A., Paramonov A., Koucheryavy A., Chelloug S. A., Abd El-Latif A. A. Multipath Routing Scheme for Optimum Data Transmission in Dense Internet of Things Mathematics. 2023. Vol. 11. Iss. 19. P. 4168. DOI: 10.3390/math11194168. EDN: ZQDDWQ
10. Koucheryavy A., Paramonov A., Makolkina M., Muthanna A., Vybornova A., et. al. 3 dimension multilayer heterogenous ultra dense networks // Информационные технологии и телекоммуникации. 2022. Т. 10. № 3. С. 1‒12. DOI: 10.31854/2307-1303-2022-10-3-1-12. EDN: ZPMLSV
11. Nguyen D. D., Nguyen H. X., White L. B. Reinforcement Learning With Network-Assisted Feedback for Heterogeneous RAT Selection // IEEE Transactions on Wireless Communications. 2017. Vol. 16. Iss. 19. PP. 6062–6076. DOI: 10.1109/TWC. 2017.2718526
12. Kim S. J., Aono M., Hara M. Tug-of-war model for the two-bandit problem: Nonlocally-correlated parallel exploration via resource conservation // Biosystems. 2010. Vol. 101. Iss. 1. PP. 29‒36. DOI: 10.1016/j.biosystems.2010.04.002. EDN: NWLJZT
13. Kim S. J., Aono M. Amoeba-inspired algorithm for cognitive medium access // Nonlinear Theory and Its Applications, IEICE. 2014. Vol. 5. Iss. 2. PP. 198‒209. DOI: 10.1587/nolta.5.198
|
|
|
Статья
Метаданные статьи распространяются по лицензии