МЕТОД ПРОГНОЗУВАННЯ ЗБОЇВ ДЛЯ МЕРЕЖ ІНТЕРНЕТУ РЕЧЕЙ ЗА ДОПОМОГОЮ МАШИННОГО НАВЧАННЯ

Анотація

У статті розглядається проблема забезпечення надійності та безперебійного функціонування мереж Інтернету речей, що складаються з великої кількості сенсорних вузлів, шлюзів та розподілених обчислювальних елементів. Через високу гетерогенність пристроїв, швидку змінність топології та неоднорідність потоків даних такі мережі є вразливими до відмов різних типів - апаратних, мережевих та програмних. З огляду на це все більшої актуальності набувають методи прогнозування збоїв, здатні завчасно виявляти ризики дестабілізації системи. Обґрунтовано переваги використання гібридних підходів машинного навчання, що поєднують аналіз часових рядів та оцінку просторової взаємодії між вузлами мережі. Запропоновано метод прогнозування LGFP, побудований на поєднанні графових нейронних мереж (GNN) та архітектури LSTM, що забезпечує комплексну інтерпретацію даних. Метод дозволяє оцінювати ймовірність виникнення відмови на основі поточних і попередніх параметрів телеметрії, враховуючи взаємовплив елементів мережі. Проведено аналіз існуючих підходів, виконано порівняння моделей машинного навчання, а також описано процес формування вибірки для дослідження. Особливу увагу приділено проблемі балансування класів та фільтрації шумових структур у даних, що є критично важливими етапами для підвищення точності прогнозування. Отримані експериментальні результати демонструють перевагу запропонованого методу порівняно з традиційними моделями, такими як Random Forest, SVM та ізольовані LSTM-архітектури, що підтверджується підвищенням точності класифікації та F1-міри. Практичне застосування запропонованого підходу може забезпечити істотне підвищення стійкості IoT-систем у промислових, енергетичних та побутових умовах. Перспективи подальших досліджень включають розширення простору ознак, інтеграцію механізмів уваги для покращення інтерпретованості моделі та апробацію методу в реальних промислових умовах.