Реєстраційний номер
0826U004215, Дисертація доктора філософії
На здобуття
Доктор філософії
Дата захисту
10-09-2026
Статус
Наказ про видачу диплома
Назва роботи
Моделі та методи адаптивної маршрутизації в транспортних IoT мережах
Здобувач
Ляшенко Андрій Володимирович,
Керівник Глоба Лариса Сергіївна
Опонент Климаш Михайло Миколайович
Опонент Борисенко Ірина Ігорівна
Рецензент Астраханцев Андрій Анатолійович
Рецензент Макаренко Анатолій Олександрович
Установа, організація, у вченій раді якої відбудеться/відбувся захист
Національний технічний університет України "Київський політехнічний інститут імені Ігоря Сікорського"
Опис
Ляшенко А.В. Моделі та методи адаптивної маршрутизації в транспортних IoT мережах. — Кваліфікаційна наукова праця на правах рукопису.
Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 172 — Телекомунікації та радіотехніка. — Навчально-науковий інститут телекомунікаційних систем КПІ ім. Ігоря Сікорського, Київ, 2026.
У дисертації вирішено науково-прикладну задачу управління інформаційними потоками автономних транспортних засобів в IoV-мережі розумного міста, що об'єднує мобільні IoT-вузли, придорожні модулі, базові станції та хмарні сервіси; транспортний засіб є джерелом потоків V2X-повідомлень, телеметрії та сенсорних даних, для яких ETSI ITS і 3GPP C-V2X задають жорсткі вимоги до затримки.
Проблема — у просторово-часовій нерівномірності навантаження: у години пік на окремих сегментах різко зростає інтенсивність потоків, на інших зберігається помірний режим; навантаження нестаціонарне, зашумлене і поширюється між суміжними ребрами графа. Класичні методи згладжування (пакетна обробка, ковзне вікно, EMA) не забезпечують балансу шумостійкості й швидкості реакції; статичні алгоритми пошуку шляху ігнорують майбутній стан мережі, а прогнозні моделі без топології не відтворюють поширення навантаження.
Задача формалізована як часозалежна зважена IoV-мережа Gₓ = (V, E, W(t), T), де вершини — вузли інфраструктури (RSU, gNB, хмарні агрегатори), а вага ребра — час обслуговування потоку на сегменті, обчислюваний за QoS-індикаторами: пропускною здатністю η, завантаженням L і темпом його зміни τ.
Розроблено телекомунікаційну модель IoV-мережі та два взаємопов'язані методи. Метод адаптивної оцінки стану визначає коефіцієнт згладжування α автоматично за результатами кластеризації QoS-стану (η, L, τ) із застосуванням метрики Махаланобіса, коефіцієнта Бхаттачар'ї та нечіткого висновку Такагі—Сугено, що забезпечує реакцію на сплески навантаження без експертного налаштування. Метод прогнозування та пошуку оптимального маршруту використовує графову нейронну мережу з дифузійною згорткою (DiffusionConv) і GRU-блоками як часозалежну евристику алгоритму A*, що оцінює очікуваний QoS-стан сегментів і скорочує простір пошуку при збереженні оптимальності маршруту.
Мета роботи — підвищення ефективності управління інформаційними потоками автономних транспортних засобів в IoV-мережі за рахунок розробленої моделі та методів адаптивної оцінки, прогнозування і маршрутизації на основі модифікованого A*. Вирішено сім задач: аналіз архітектури IoV-мереж, дослідження обмежень існуючих методів, розробка моделі, методу адаптивної оцінки, методу прогнозування, удосконалення методу пошуку маршруту, створення програмного комплексу та експерименти на стенді м. Ірпінь і наборі METR-LA.
Об'єкт дослідження — процеси формування, передавання та управління інформаційними потоками автономних транспортних засобів в IoV-мережі. Предмет дослідження — методи адаптивної оцінки стану, прогнозування та реактивно-проактивної маршрутизації потоків.
Використано методи теорії графів, машинного навчання, нечітких множин, імітаційного моделювання та інженерії ПЗ. Реалізацію виконано як мікросервіси на Apache Kafka з CSR-графом у пам'яті, сервісами TGNN-прогнозування та маршрутизації реального часу.
Експерименти підтвердили ефективність методів: помилка оцінки зростає лише у 1,2 рази при сплесках навантаження проти 2,7 рази для ковзного вікна; на METR-LA час реакції — близько 9 с проти 171 с, шумостійкість +10% при σ = 3 mph. TGNN містить 205 тис. параметрів (на 32% менше DCRNN) і дає виграш 24% за MAE (2,10 проти 2,77 mph). Пошук маршруту скорочує простір на 56–68% при втраті оптимальності не більше 0,00–0,08%. За навантаження 583 повід./с (363 000 повідомлень) комплекс обробляє 96,6% потоку із затримкою 1,19 мс проти 27,2% для повного перерахунку з БД.
Наукова новизна: 1) уперше розроблено телекомунікаційну модель IoV-мережі у вигляді часозалежного зваженого орієнтованого графа, в якій вага ребра — час обслуговування потоку на сегменті на основі QoS-індикаторів; 2) отримав подальший розвиток метод адаптивної оцінки стану потоків з автоматичним формуванням бази нечітких правил за результатами кластеризації (Махаланобіс, Бхаттачар'я, Такагі—Сугено) без участі експерта; 3) удосконалено метод пошуку оптимального маршруту на основі A* за рахунок часозалежної прогнозної евристики, що скорочує простір пошуку при збереженні оптимальності та дотриманні обмежень ETSI ITS.
Практичне значення — створено програмний комплекс управління потоками в IoV-мережі на основі Apache Kafka, In-Memory CSR-графа, сервісів адаптивної оцінки, TGNN-прогнозування та пошуку маршруту, придатний для обробки високочастотної телеметрії та підтримки рішень у реальному часі.
Ключові слова: ІНТЕРНЕТ РЕЧЕЙ (IOT), INTERNET OF VEHICLES (IOV), АДАПТИВНА МАРШРУТИЗАЦІЯ, НЕЙРОННІ МЕРЕЖІ, НЕЧІТКА ЛОГІКА, ТЕЛЕКОМУНІКАЦІЙНІ МЕРЕЖІ, УПРАВЛІННЯ ІНФОРМАЦІЙНИМИ ПОТОКАМИ, ІМІТАЦІЙНЕ МОДЕЛЮВАННЯ, ПРОСТОРОВО-ЧАСОВЕ ПРОГНОЗУВАННЯ, РОЗУМНЕ МІСТО.
Дата реєстрації
2026-07-31
Додано/оновлено в НРАТ
2026-07-31 / 2026-09-29
