Розробка методу прогнозно-адаптивного перерозподілу ресурсів з диспетчеризацією критичних процесів в інформаційних системах на мобільній платформі

Автор(и)

  • Віталій Миколайович Ткачов Харківський національний університет радіоелектроніки, Україна https://orcid.org/0000-0002-6524-9937
  • Ігор Вікторович Рубан Харківський національний університет радіоелектроніки, Україна https://orcid.org/0000-0002-4738-3286

DOI:

https://doi.org/10.15587/1729-4061.2026.350796

Ключові слова:

інформаційна система, прогнозно-адаптивне керування, живучість критичних процесів, динамічне резервування ресурсів

Анотація

Об’єкт дослідження – процес оперативного керування ресурсами інформаційної системи на мобільній платформі в умовах переривчастої зв’язності, деструктивних впливів та нестаціонарної доступності ресурсу. Проблема полягає в тому, що похибка прогнозу та інерційність реконфігурації платформи здатні спричиняти коливальні режими перерозподілу, унаслідок чого критичні процеси епізодично втрачають мінімально потрібний ресурс у кожному такті керування. Отримано такі результати. Сформовано тактовий метод прогнозно-адаптивного перерозподілу з динамічним резервуванням. Метод вводить оперативне обмеження живучості як вимогу до мінімально гарантованого ресурсного профілю для критичних процесів. Запропоновано адаптувати обсяг резерву відповідно до міри достовірності поточного прогнозу. Введено обмеження на частоту реконфігурацій у ковзному вікні. Також передбачено диспетчеризацію критичних процесів за показниками терміновості та допустимої затримки. Завдяки поєднанню прогнозної адаптації резервування з інерційно-узгодженими обмеженнями реконфігурацій контур керування зменшує амплітуду та сумарну інтенсивність перебудов. Зокрема, для сценарію зі сплесками критичного навантаження максимальний крок реконфігурації зменшується приблизно на 52%, а сумарна величина змін профілю – приблизно на 14%. Отримані ефекти пояснюються тим, що резервні ресурси компенсують погіршення прогнозу, тоді як обмеження реконфігурацій запобігають різким керувальним діям і стабілізують тактовий розподіл ресурсів. Результати можуть бути використані під час побудови інформаційних систем керування ресурсами робототехнічних платформ, сенсорних мереж та мобільних комплексів за умов переривчастої зв’язності та деградації ресурсів у режимі реального часу

Біографії авторів

Віталій Миколайович Ткачов, Харківський національний університет радіоелектроніки

Кандидат технічних наук

Кафедра електронних обчислювальних машин

Ігор Вікторович Рубан, Харківський національний університет радіоелектроніки

Доктор технічних наук

Кафедра електронних обчислювальних машин

Посилання

  1. Fesenko, H., Illiashenko, O., Kharchenko, V., Leichenko, K., Sachenko, A., Scislo, L. (2024). Methods and Software Tools for Reliable Operation of Flying LiFi Networks in Destruction Conditions. Sensors, 24 (17), 5707. https://doi.org/10.3390/s24175707
  2. Dodonov, O., Gorbachyk, O., Kuznietsova, M. (2023). Critical Infrastructure Resilience and Cybersecurityof Information Management Systems. Selected Papers of the XXIII International Scientific and Practical Conference "Information Technologies and Security" (ITS 2023). Available at: https://ceur-ws.org/Vol-3887/paper1.pdf
  3. Xia, X., Fattah, S. M. M., Babar, M. A. (2023). A Survey on UAV-Enabled Edge Computing: Resource Management Perspective. ACM Computing Surveys, 56 (3), 1–36. https://doi.org/10.1145/3626566
  4. Churyumov, G., Tokarev, V., Tkachov, V., Partyka, S. (2018). Scenario of Interaction of the Mobile Technical Objects in the Process of Transmission of Data Streams in Conditions of Impacting the Powerful Electromagnetic Field. 2018 IEEE Second International Conference on Data Stream Mining & Processing (DSMP), 183–186. https://doi.org/10.1109/dsmp.2018.8478539
  5. Kvasnikov, V., Ornatskyi, D., Graf, M., Shelukha, O. (2021). Designing a computerized information processing system to build a movement trajectory of an unmanned aircraft. Eastern-European Journal of Enterprise Technologies, 1 (9 (109)), 33–42. https://doi.org/10.15587/1729-4061.2021.225501
  6. Dodonov, O., Jiang, B., Dodonov, V. (2019). Survivability Mechanisms of Complex Computer Systems Based on Common Information Space. Computer Engineering, 45 (7), 41–45. https://doi.org/10.19678/j.issn.1000-3428.0053440
  7. Yu, C., Rosendo, A. (2021). Risk-Aware Model-Based Control. Frontiers in Robotics and AI, 8. https://doi.org/10.3389/frobt.2021.617839
  8. Ruban, I. V., Tkachov, V. M. (2025). A method for synthesizing index policies to ensure the survivability of a mobile platform-based information system. Applied Aspects of Information Technology, 8 (4), 424–441. https://doi.org/10.15276/aait.08.2025.27
  9. Dahiya, A., Akbarzadeh, N., Mahajan, A., Smith, S. L. (2022). Scalable Operator Allocation for Multirobot Assistance: A Restless Bandit Approach. IEEE Transactions on Control of Network Systems, 9 (3), 1397–1408. https://doi.org/10.1109/tcns.2022.3153872
  10. Zeng, Y., Wu, L., Li, J., Zhuang, X., Wu, C. (2025). Resilient Task Allocation for UAV Swarms: A Bilevel PSO-ILP Optimization Approach. Drones, 9 (9), 623. https://doi.org/10.3390/drones9090623
  11. Bali, A., Houm, Y. E., Gherbi, A., Cheriet, M. (2024). Automatic data featurization for enhanced proactive service auto-scaling: Boosting forecasting accuracy and mitigating oscillation. Journal of King Saud University - Computer and Information Sciences, 36 (2), 101924. https://doi.org/10.1016/j.jksuci.2024.101924
  12. Kuchuk, N., Tkachov, V. (2022). Self-healing Systems Modelling. Advances in Self-Healing Systems Monitoring and Data Processing, 57–111. https://doi.org/10.1007/978-3-030-96546-4_2
  13. Zhang, X., Debroy, S. (2023). Resource Management in Mobile Edge Computing: A Comprehensive Survey. ACM Computing Surveys, 55 (13s), 1–37. https://doi.org/10.1145/3589639
  14. Djigal, H., Xu, J., Liu, L., Zhang, Y. (2022). Machine and Deep Learning for Resource Allocation in Multi-Access Edge Computing: A Survey. IEEE Communications Surveys & Tutorials, 24 (4), 2449–2494. https://doi.org/10.1109/comst.2022.3199544
  15. Ismail, A. A., Khalifa, N. E., El-Khoribi, R. A. (2025). A survey on resource scheduling approaches in multi-access edge computing environment: a deep reinforcement learning study. Cluster Computing, 28 (3). https://doi.org/10.1007/s10586-024-04893-7
  16. Zhan, W., Luo, C., Wang, J., Wang, C., Min, G., Duan, H., Zhu, Q. (2020). Deep-Reinforcement-Learning-Based Offloading Scheduling for Vehicular Edge Computing. IEEE Internet of Things Journal, 7 (6), 5449–5465. https://doi.org/10.1109/jiot.2020.2978830
  17. Hu, X., Huang, Y. (2022). Deep reinforcement learning based offloading decision algorithm for vehicular edge computing. PeerJ Computer Science, 8, e1126. https://doi.org/10.7717/peerj-cs.1126
  18. Luo, Q., Li, C., Luan, T. H., Shi, W. (2020). Collaborative Data Scheduling for Vehicular Edge Computing via Deep Reinforcement Learning. IEEE Internet of Things Journal, 7 (10), 9637–9650. https://doi.org/10.1109/jiot.2020.2983660
  19. Qu, G., Wu, H., Li, R., Jiao, P. (2021). DMRO: A Deep Meta Reinforcement Learning-Based Task Offloading Framework for Edge-Cloud Computing. IEEE Transactions on Network and Service Management, 18 (3), 3448–3459. https://doi.org/10.1109/tnsm.2021.3087258
  20. Chang, J., Wang, J., Li, B., Zhao, Y., Li, D. (2024). Attention-Based Deep Reinforcement Learning for Edge User Allocation. IEEE Transactions on Network and Service Management, 21 (1), 590–604. https://doi.org/10.1109/tnsm.2023.3292272
  21. Shlash Mohammad, A. A., Shelash Al-Hawary, S. I., Hindieh, A., Vasudevan, A., Mohd Al-Shorman, H., Al-Adwan, A. S. et al. (2025). Intelligent Data-Driven Task Offloading Framework for Internet of Vehicles Using Edge Computing and Reinforcement Learning. Data and Metadata, 4, 521. https://doi.org/10.56294/dm2025521
  22. Ding, Y., Li, K., Liu, C., Li, K. (2022). A Potential Game Theoretic Approach to Computation Offloading Strategy Optimization in End-Edge-Cloud Computing. IEEE Transactions on Parallel and Distributed Systems, 33 (6), 1503–1519. https://doi.org/10.1109/tpds.2021.3112604
  23. Chen, Y., Zhao, J., Wu, Y., Huang, J., Shen, X. (2024). QoE-Aware Decentralized Task Offloading and Resource Allocation for End-Edge-Cloud Systems: A Game-Theoretical Approach. IEEE Transactions on Mobile Computing, 23 (1), 769–784. https://doi.org/10.1109/tmc.2022.3223119
  24. Munir, Md. S., Abedin, S. F., Tran, N. H., Han, Z., Huh, E.-N., Hong, C. S. (2021). Risk-Aware Energy Scheduling for Edge Computing With Microgrid: A Multi-Agent Deep Reinforcement Learning Approach. IEEE Transactions on Network and Service Management, 18 (3), 3476–3497. https://doi.org/10.1109/tnsm.2021.3049381
  25. Zhou, S., Ali, A., Al-Fuqaha, A., Omar, M., Feng, L. (2024). Robust Risk-Sensitive Task Offloading for Edge-Enabled Industrial Internet of Things. IEEE Transactions on Consumer Electronics, 70 (1), 1403–1413. https://doi.org/10.1109/tce.2023.3323146
  26. Mao, S., He, S., Wu, J. (2021). Joint UAV Position Optimization and Resource Scheduling in Space-Air-Ground Integrated Networks With Mixed Cloud-Edge Computing. IEEE Systems Journal, 15 (3), 3992–4002. https://doi.org/10.1109/jsyst.2020.3041706
  27. Xu, Z., Yu, Q., Yang, X. (2024). Joint Resource Allocation Optimization in Space–Air–Ground Integrated Networks. Drones, 8 (4), 157. https://doi.org/10.3390/drones8040157
  28. Zhang, J., Ning, Z., Waqas, M., Alasmary, H., Tu, S., Chen, S. (2024). Hybrid Edge-Cloud Collaborator Resource Scheduling Approach Based on Deep Reinforcement Learning and Multiobjective Optimization. IEEE Transactions on Computers, 73 (1), 192–205. https://doi.org/10.1109/tc.2023.3326977
  29. Taghinezhad-Niar, A., Taheri, J. (2024). Security, Reliability, Cost, and Energy-Aware Scheduling of Real-Time Workflows in Compute-Continuum Environments. IEEE Transactions on Cloud Computing, 12 (3), 954–965. https://doi.org/10.1109/tcc.2024.3426282
  30. Nkongolo, M. (2023). Using ARIMA to Predict the Growth in the Subscriber Data Usage. Eng, 4 (1), 92–120. https://doi.org/10.3390/eng4010006
  31. Al-Absi, M. A., Fu, R., Kim, K.-H., Lee, Y.-S., Al-Absi, A. A., Lee, H.-J. (2021). Tracking Unmanned Aerial Vehicles Based on the Kalman Filter Considering Uncertainty and Error Aware. Electronics, 10 (24), 3067. https://doi.org/10.3390/electronics10243067
  32. Park, M.-J., Yang, H.-S. (2024). Comparative Study of Time Series Analysis Algorithms Suitable for Short-Term Forecasting in Implementing Demand Response Based on AMI. Sensors, 24 (22), 7205. https://doi.org/10.3390/s24227205
  33. Zhang, S., Lu, J., Zhao, H. (2024). Deep Network Approximation: Beyond ReLU to Diverse Activation Functions. Journal of Machine Learning Research, 25. Available at: https://jmlr.org/papers/volume25/23-0912/23-0912.pdf
  34. Wang, W., Mao, C., Zhao, S., Cao, Y., Yi, Y., Chen, S., Liu, Q. (2021). A Smart Semipartitioned Real‐Time Scheduling Strategy for Mixed‐Criticality Systems in 6G‐Based Edge Computing. Wireless Communications and Mobile Computing, 2021 (1). https://doi.org/10.1155/2021/6663199
  35. Tkachov, V., Ruban, I. (2025). Experimental Dataset (S1–S5): Resource Reallocation and Critical Process Dispatching on Mobile Platforms. Zenodo. https://doi.org/10.5281/zenodo.18056221
  36. Jierula, A., Wang, S., OH, T.-M., Wang, P. (2021). Study on Accuracy Metrics for Evaluating the Predictions of Damage Locations in Deep Piles Using Artificial Neural Networks with Acoustic Emission Data. Applied Sciences, 11 (5), 2314. https://doi.org/10.3390/app11052314
  37. Hodson, T. O. (2022). Root-mean-square error (RMSE) or mean absolute error (MAE): when to use them or not. Geoscientific Model Development, 15 (14), 5481–5487. https://doi.org/10.5194/gmd-15-5481-2022
Розробка методу прогнозно-адаптивного перерозподілу ресурсів з диспетчеризацією критичних процесів в інформаційних системах на мобільній платформі

##submission.downloads##

Опубліковано

2026-02-27

Як цитувати

Ткачов, В. М., & Рубан, І. В. (2026). Розробка методу прогнозно-адаптивного перерозподілу ресурсів з диспетчеризацією критичних процесів в інформаційних системах на мобільній платформі. Eastern-European Journal of Enterprise Technologies, 1(3 (139), 6–23. https://doi.org/10.15587/1729-4061.2026.350796

Номер

Том 1 № 3 (139) (2026): Процеси управління

Розділ

Процеси управління

Ліцензія

Авторське право (c) 2026 Vitalii Tkachov, Ihor Ruban

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.