Предиктивная аналитика, интеллектуальные системы поддержки принятия решений

Аннотация

Искусственный интеллект может анализировать данные о использовании сети, такие как объемы трафика, типы приложений и поведение пользователей, чтобы предсказывать будущие требования к сети и принимать соответствующие меры. Это позволяет операторам сети планировать и масштабировать сеть, чтобы удовлетворить растущие потребности пользователей. Ключевые слова. система управления, искусственная нейронная сеть, машинное обучение, предиктивная аналитика и выходной результат. Эволюционные алгоритмы представляют собой мощный инструмент для оптимизации процессов в беспроводных сенсорных сетях. Благодаря своей способности к эффективному поиску оптимальных решений в сложных и динамических средах, эти алгоритмы могут быть успешно применены для решения различных задач, таких как маршрутизация данных, управление ресурсами и оптимизация энергопотребления. Одним из основных преимуществ эволюционных алгоритмов является их способность к адаптации к изменяющимся условиям и требованиям сети, что делает их идеальным инструментом для оптимизации работы беспроводных сенсорных сетей в реальном времени. Кроме того, эволюционные алгоритмы позволяют находить оптимальные решения в условиях ограниченных ресурсов и неопределенности, что делает их особенно полезными для применения в сетях, где доступ к энергии и вычислительным ресурсам ограничен. Таким образом, эволюционные алгоритмы играют важную роль в повышении эффективности и надежности беспроводных сенсорных сетей, что делает их неотъемлемой частью современных технологий связи и передачи данных. Цель работы — применение нейросетевых моделей для решения задач управления сетью передачи данных в инфокоммуникационных системах (ИКС). В процессе выполнения работы рассмотрены нейросетевые модели, построенные на основе обучаемых нейронных сетей (НС), для эффективного решения задач контроля и управления трафиком сетей передачи информационных потоков (ИП) данных. Система управления ИКС имеет ряд особенностей [1]:  Отсутствует различие динамических характеристик объекта управления и информационной системы, по которой передаются сведения о его состоянии.  Элементы системы управления могут быть удалены друг от друга.  Информация о состоянии узлов и ветвей ИКС, которую должны обрабатывать устройства мультисервисных центров обработки информации и управления (МЦОУ), всегда оказывается запаздывающей. Основными путями управления ИКС являются управление объемом передаваемых ИП и их распределением. Для этого в основном применяется динамическое распределение ресурсов ИКС. Главными преимуществами динамического распределения ресурсов являются большая скорость и гибкость при установлении соединения в ИКС и более эффективное использование сетевых ресурсов после того, как соединение установлено. Постоянный рост количества пользователей и объем ИП данных в ИКС предъявляет новые требования к пропускной способности сетей связи и компьютерных сетей [2]. Графическая информация, голосовые данные, а также видеоприложения предъявляют 194 особые требования к ИКС. Для удовлетворения всех запросов одного увеличения емкости сети недостаточно. Комплекс технологических решений включает в себя информационно- коммуникационную инфраструктуру, программное обеспечение (в том числе в котором используются методы машинного обучения), процессы и сервисы по обработке данных и поиску решений. Принцип работы ИИ заключается в сочетании большого объема данных с возможностями быстрой, итеративной обработки этих данных интеллектуальными алгоритмами, что позволяет программам автоматически обучаться на базе закономерностей и признаков, содержащихся в данных. ИИ представляет собой комплексную дисциплину со множеством теорий, методик и технологий. Ключевыми понятиями в ИИ являются: Машинное обучение —алгоритмы анализа данных с целью найти в них закономерности. В нем используются методы нейросетей, статистики, исследования операций и т.п. для выявления скрытой полезной информации в данных; при этом явно не программируются инструкции, указывающие, где искать данные и как делать выводы. Нейросеть — это один из методов машинного обучения; математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. В общем случае искусственная нейронная сеть (ИНС) может состоять из нескольких слоев простейших процессоров (нейронов), каждый из которых осуществляет некоторое математическое преобразование (вычисляет результат математической функции) над входными данными и передает полученный результат на следующий слой или на выход сети. Нейроны входного слоя получают данные извне (например, от сенсоров системы распознавания лиц) и после их обработки передают сигналы через синапсы нейронам следующего слоя. Каждому из сигналов первоначально присваивается некоторый весовой коэффициент. Нейроны второго слоя (его называют скрытым, потому что он напрямую не связан ни с входом, ни с выходом ИНС) осуществляют математическое преобразов