DATA ANALYSIS AND MACHINE LEARNING IN CLOUD AND FOG PLATFORMS FOR EFFICIENT DATA TRANSMISSION
ID елемента: 20977
2026/04/30
Цитування
eNUPPIR (). DATA ANALYSIS AND MACHINE LEARNING IN CLOUD AND FOG PLATFORMS FOR EFFICIENT DATA TRANSMISSION. https://enuppir.politeh.duckdns.org/item/20977
eNUPPIR. "DATA ANALYSIS AND MACHINE LEARNING IN CLOUD AND FOG PLATFORMS FOR EFFICIENT DATA TRANSMISSION." Web. . <https://enuppir.politeh.duckdns.org/item/20977>.
eNUPPIR. "DATA ANALYSIS AND MACHINE LEARNING IN CLOUD AND FOG PLATFORMS FOR EFFICIENT DATA TRANSMISSION." Accessed . https://enuppir.politeh.duckdns.org/item/20977.
Скопійовано в буфер обміну
Властивості
Назва
Англійська
DATA ANALYSIS AND MACHINE LEARNING IN CLOUD AND FOG PLATFORMS FOR EFFICIENT DATA TRANSMISSION
Російська
.
Українська
АНАЛІЗ ДАНИХ ТА МАШИННЕ НАВЧАННЯ У ХМАРНИХ ТА ТУМАННИХ ПЛАТФОРМАХ ДЛЯ ЕФЕКТИВНОЇ ПЕРЕДАЧІ ДАНИХ
Опис
Англійська
This article investigates the effectiveness of traditional methods for optimizing data transmission and the proposed model based on machine learning algorithms. In the context of rapid and constant growth in the volume of information, expansion of network infrastructure and increasing requirements for system performance, there is a need for an adaptive approach to traffic management and reducing energy consumption. Special attention is paid to the integration of machine learning technologies in order to increase the efficiency of data transmission in cloud and fog computing. The proposed model combines network load prediction methods (LSTM, XGBoost), data compression technologies (VAE, K-Means) and software-defined networks (SDN) for traffic balancing. As part of the study, combinations of algorithms were tested in distributed environments with different load levels, which made it possible to evaluate the effectiveness of each according to the criteria of performance, reliability and energy consumption. This approach provides adaptability to dynamic changes in traffic and helps reduce data transmission delays. The obtained research results confirm the feasibility of machine learning in the application to the optimization of network interaction and open up prospects for further research in the field of intelligent control of fog computing. The proposed solution can be used for various needs, including autonomous transportation systems, medical information platforms, industrial Internet of Things and critical infrastructures.
Українська
У даній статті досліджується ефективність використання традиційних методів оптимізації передачі даних та запропонованої моделі на основі алгоритмів машинного навчання. В умовах стрімкого і постійного зростання обсягу інформації, розширення мережевої інфраструктури та зростаючих вимог до продуктивності систем з’являється необхідність адаптивного підходу до управління трафіком і зниженню енерговитрат. Особлива увага приділена інтеграції технологій машинного навчання з метою підвищення ефективності передачі даних у хмарних та туманних обчисленнях. Запропонована модель поєднує у собі методи прогнозування мережевого навантаження (LSTM, XGBoost), технології стиснення даних (VAE, K-Means) та програмно-визначені мережі (SDN) для балансування трафіку. У межах дослідження було проведено тестування комбінацій алгоритмів у розподілених середовищах із різними рівнями навантаження, що дало можливість оцінити ефективність кожного за критеріями продуктивності, надійності та енергоспоживання. Даний підхід забезпечує адаптивність до динамічних змін у трафіку і сприяє зменшенню затримок у передачі даних. Отримані результати досліджень підтверджують доцільність машинного навчання у застосуванні до оптимізації мережевої взаємодії і відкривають перспективи для подальших досліджень у сфері інтелектуального управління туманними обчисленнями. Запропоноване рішення може використовуватися у різних потребах, включаючи автономні транспортні системи, медичні інформаційні платформи, промисловий Інтернет речей та критично важливі інфраструктури.
Автор
Українська
Ilina, Iryna
Українська
Artiukh, Roman
Українська
Zymohliad, Mykola
Тематика
Англійська
machine learning
Англійська
fog computing
Англійська
cloud computing
Англійська
LSTM
Англійська
Extreme Gradient Boosting) Variational Autoencoder
Англійська
K-Means
Англійська
SDN
Англійська
load optimization
Англійська
data compression
Англійська
transmission latency
Англійська
energy efficiency
Російська
23
Українська
машинне навчання
Українська
туманні обчислення
Українська
хмарні обчислення
Українська
LSTM
Українська
XGBoost
Українська
VAE
Українська
K-Means
Українська
SDN
Українська
оптимізація навантаження
Українська
стиснення даних
Українська
затримка передачі
Українська
енергоефективність
Видавництво
Українська
Національний університет «Полтавська політехніка імені Юрія Кондратюка»
Тип
info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
Українська
Рецензована Стаття
Формат
application/pdf
Ідентифікатор
https://journals.nupp.edu.ua/sunz/article/view/3825
10.26906/SUNZ.2025.2.132
Джерело
Англійська
Control, Navigation and Communication Systems. Academic Journal; Vol. 2 No. 80 (2025): Control, Navigation and Communication Systems; 132-136
Російська
Системы управления, навигации и связи. Сборник научных трудов; Том 2 № 80 (2025): Системи управління, навігації та зв'язку; 132-136
Українська
Системи управління, навігації та зв’язку. Збірник наукових праць; Том 2 № 80 (2025): Системи управління, навігації та зв'язку; 132-136
2073-7394
10.26906/SUNZ.2025.2
Мова
uk
Відношення
https://journals.nupp.edu.ua/sunz/article/view/3825/3131
Права
Українська
Авторське право (c) 2025 Iryna Ilina, Roman Artiukh, Mykola Zymohliad
Українська
http://creativecommons.org/licenses/by-nc/4.0
Інформація про метадані
Створено
2026-4-30 16:43
Остання зміна
2026-4-30 16:43
ID елемента
#20977