Магістерські роботи
Permanent URI for this collectionhttps://ena.lpnu.ua/handle/ntb/62310
Browse
Item Розроблення адаптивних систем машинного навчання для прийняття рішень у телекомунікаційних системах на основі Big Data(Національний університет "Львівська політехніка", 2024) Міщенко, Данііл Віталійович; Mishchenko, Daniil Vitaliiovych; Червенець, Володимир Володимирович; Національний університет "Львівська політехніка"Розробка адаптивних систем машинного навчання в комунікаційних системах на основі великих даних надає нові можливості для підвищення ефективності роботи та здатності реагувати на систематичні зміни умов. В роботі досліджено різні методи обробки даних і передові технології, такі як класичні статистичні технології, машинне навчання та глибоке навчання, щоб витріщити проблеми оброблення великих даних у сфері комунікацій. Класичні методи, такі як статистичний аналіз, кластеризація та регресія, все ще є важливими інструментами для визначення моделей і тенденцій, але передові технології, такі як глибоке навчання та обробка природної мови, дозволяють покращити аналіз. З точки зору управління мережею, інструменти на основі штучного інтелекту та Інтернету речей вважаються ключовими для автоматизованих процесів, оптимізації передачі даних і покращення взаємодії з користувачем. Поєднання алгоритмів машинного навчання та аналізу великих даних дозволяє постачальникам телекомунікаційних послуг отримувати реальну інформацію та швидко адаптуватися до коливань мережі, тим самим підвищуючи конкурентоспроможність на ринку. Зі збільшенням обсягу даних операторів закликають інвестувати в адаптивні рішення, щоб не відставати від технологічного прогресу та задовольняти мінливі потреби клієнтів. Алгоритми оптимізації, математичні моделі та технології машинного та глибокого навчання, такі як методи на основі штучного інтелекту, можуть допомогти підвищити точність прогнозування та розподілу ресурсів. Дослідження підкреслює роль адаптивних систем прийняття рішень, особливо тому, що вони можуть динамічно розподіляти мережеві ресурси, реагувати на зміни навантаження в реальному часі, тим самим скорочуючи час простою та знижуючи ризик переривання кінцевого обслуговування користувачів. Крім того, робота також наголошує на застосуванні додатків безпеки мережі штучного інтелекту та використовує глибоке навчання для виявлення ненормальних умов мережевого трафіку для запобігання вразливості безпеки. Автоматизовані системи аналізу великих даних можуть виявляти та зменшувати загрози в режимі реального часу, захищати конфіденційну інформацію та гарантувати цілісність даних. За допомогою проведеного моделювання доведено адаптивність та ефективність запропонованої системи машинного навчання у сфері комунікацій на основі оброблення великих даних. Це також підтверджує здатність системи розширюватися та підтримувати стабільність, коли обсяг даних зростає, вказуючи на те, що вона підходить для хмарних додатків, які важливі для цілісності даних і можливостей реагування. Аналіз економічної ефективності розподілених нерозподілених систем зв'язку показує, що розподілені системи мають економічні переваги та швидшу окупність інвестицій, що підтверджує доцільність великомасштабної обробки даних. Це дослідження пропонує методи прийняття рішень у режимі реального часу в телекомунікаційних системах, що забезпечують масштабованістюь та надійність, сприяє розвитку адаптивного машинного навчання. Зі збільшенням складності та кількості даних запропонований метод може досягти ефективної обробки даних, сприяти активному реагуванню на попит мережі та забезпечувати послуги високої якості. Результати підкреслили потенціал машинного навчання, що динамічно адаптується до складних сценаріїв даних і змінних умов мережі зв’язку. Ця адаптація до цілісності та надійності даних високого рівня особливо корисна для забезпечення цілісності даних і швидкого відгуку. Крім того, дослідження також дає рекомендації щодо покращення продуктивності системи шляхом вибору моделей машинного навчання, технології попередньої обробки даних і налаштування для конкретних випадків використання. Використовуючи передову технологію штучного інтелекту, таку як глибоке навчання для прогнозного аналізу, система може ефективно ідентифікувати режим даних, щоб оператори могли прогнозувати навантаження на мережу та приймати рішення. Ці розробки підтримують сильну структуру прийняття рішень не тільки для підвищення ефективності мережі, але й для підвищення рівня якості обслуговування клієнтів. Майбутній напрямок дослідження включає дослідження та вдосконалений алгоритм виявлення аномальних ситуацій, технологію фільтрації даних для покращення сценаріїв у реальному часі та довгострокові економічні вигоди від використання розподілених та адаптивних структур машинного навчання в різних середовищах зв’язку. Розробляючи та впроваджуючи такі структури, система зв’язку може краще обробляти зростаючі дані [1-7]. Об’єкт дослідження – Телекомунікаційні системи з обробленням Big Data. Сфера дослідження – Алгоритми прийняття рішень. Мета дослідження – Вдосконалення методів прийняття рішень при обробці Big Data з використанням машинного навчання для підвищення ефективності роботи телекомунікаційних систем.