Дослідження комп'ютерної системи та інтелектуальних алгоритмів для систем з loT пристроями

Abstract

Стрімкий розвиток інформаційних технологій і зокрема концепції інтернету речей (IoT) зумовив глибокі зміни у підходах до створення, інтеграції та експлуатації розподілених комп’ютерних систем. Сучасні IoT-рішення охоплюють величезну кількість сенсорних пристроїв, контролерів, шлюзів і хмарних аналітичних модулів, які спільно забезпечують безперервний збір і передачу телеметричних даних. Зростання обсягів цієї інформації вимагає нових підходів до її оброблення - не лише на рівні збереження та маршрутизації, а й на рівні інтелектуального аналізу з використанням алгоритмів машинного навчання. Традиційні централізовані архітектури не забезпечують потрібної швидкодії та адаптивності, що створює ризики перевантаження систем, втрати даних і зниження точності прогнозів. Тому актуальною науково-практичною задачею є створення комп’ютерної системи, здатної інтегрувати інтелектуальні алгоритми аналізу IoT-потоків даних у режимі реального часу для підвищення ефективності керування технічними об’єктами та технологічними процесами [1]. Метою магістерської роботи є розроблення та дослідження комп’ютерної системи з інтелектуальними алгоритмами аналізу й прогнозування параметрів у середовищі IoT-пристроїв, яка забезпечує адаптивну обробку даних, автоматичне виявлення аномалій і підвищення точності прогнозів за рахунок застосування моделей машинного навчання. Для досягнення поставленої мети у роботі необхідно виконати такі завдання: 1. провести системний аналіз предметної області та існуючих архітектур IoT-систем і технологій обміну даними. 2. Розробити інформаційну, структурну та функціональну моделі комп’ютерної системи з урахуванням вимог до продуктивності й надійності. 3. Спроєктувати архітектуру системи збору, оброблення та інтелектуального аналізу IoT-телеметрії з використанням Python-технологій. 4. Реалізувати алгоритми машинного навчання для прогнозування параметрів середовища й виявлення відхилень у потокових даних. 5. Провести програмну реалізацію системи, тестування її працездатності, стабільності та швидкодії. 6. Оцінити ефективність запропонованих алгоритмів за критеріями точності прогнозу, обчислювальної складності та масштабованості системи. Об’єктом дослідження є процес функціонування комп’ютерної системи збору, оброблення й інтелектуального аналізу даних у розподіленому середовищі IoT-пристроїв. Предметом дослідження є методи, моделі та алгоритми машинного навчання для прогнозування, класифікації та адаптивного керування потоками даних у комп’ютерних IoT-системах. Методи дослідження базуються на використанні системного аналізу, математичного моделювання, теорії інформаційних процесів і методів машинного навчання. Для практичної реалізації застосовано Python-середовище з бібліотеками NumPy, Pandas, Scikit-learn, TensorFlow, а також протоколи MQTT і HTTPs для комунікації між сенсорними пристроями, сервером аналітики й користувацьким інтерфейсом. Наукова новизна отриманих результатів полягає у розробленні інтегрованої комп’ютерної системи, що поєднує архітектуру подієвого обміну даними з інтелектуальними алгоритмами машинного навчання для аналізу IoT-потоків у реальному часі. Запропоновано метод динамічної адаптації прогнозних моделей залежно від характеристик вхідних даних, що забезпечує підвищення точності й стабільності прогнозів у порівнянні з традиційними статичними підходами. Розроблена система є універсальною платформою для аналітики телеметричних даних та може бути використана у сферах енергоменеджменту, автоматизованого контролю мікроклімату, виробничого моніторингу й розумного середовища [2].