Метод адаптивної реплікації та міграції даних в гетерогенних мережах з динамічною структурою

Анотація

Актуальність дослідження полягає у розв’язанні протиріччя між забезпеченням високої доступності та цілісності інформації і обмеженнями ресурсів (енергоспоживання, обсяг пам’яті, смуга пропускання) мобільних терміналів в умовах стохастично змінної топології гетерогенної мережі. Традиційні підходи на основі розподілених хеш-таблиць, статичної реплікації та NoSQL-сховищ обмежені високими накладними комунікаційними витратами, деградацією маршрутизації при частих розривах зв’язку та нездатністю до превентивного прогнозування динаміки оточення, що обумовлює розробку ефективного математичного та програмного забезпечення для збереження структурованих даних. Метою роботи є підвищення доступності, семантичної цілісності та енергоефективності збереження структурованих даних у гетерогенних мережах з динамічною структурою шляхом розвитку гібридної моделі адаптивної реплікації під управлінням нейронної мережі Deep Q-Network. Для досягнення цієї мети поставлено такі завдання: формалізувати цільову функцію витрат доступу з урахуванням ресурсних параметрів мобільних вузлів; розробити метод адаптивної реплікації та міграції даних у вигляді конвеєра машинного навчання, оптимізованого для розгортання на периферійних пристроях; розробити топологію нейронної мережі Deep Q-Network для адаптивного управління розміщенням, міграцією та конкурентним заміщенням реплік у стохастичному топологічному оточенні. Методи дослідження базуються на теорії марковських процесів прийняття рішень, алгоритмах глибинного навчання з підкріпленням та методах математичної статистики для аналізу дрейфу даних. Результатами роботи є формалізація методу адаптивної реплікації структурованих даних під керівництвом нейромережевої моделі за критеріями очікуваного часу життя каналу і зваженого попиту, а також розробка конвеєра машинного навчання, з використанням алгоритмів глибинного навчання з підкріпленням, оптимізованого для розгортання на периферійних пристроях. Експериментальне дослідження розроблених рішень на імітаційному стенді із використанням просторово-часових датасетів реальної мобільності довело, що запропонований метод утримує коефіцієнт успішності доставки запитів на рівні вісімдесят три цілих дев’ять десятих відсотка при швидкості руху вузлів до ста км/год (порівняно з сорока шістьма цілими дев’ятьма десятим відсотка для статичної реплікації та сорока одним цілим одним десятим відсотка для Bamboo DHT), скорочує середній час пошуку на п’ятдесят вісім відсотків (з двохсот семи мілісекунд до вісімдесяти семи мілісекунд), знижує енерговитрати комунікації на тридцять відсотків та зменшує кількість циклів перезапису накопичувачів на п’ятдесят відсотків. Отримані висновки підтверджують високу ефективність застосування DRL-оркестрації  для забезпечення режиму контрольованої неузгодженості в умовах просторової ізоляції мережевих сегментів. Наукова новизна отриманих результатів полягає у розвитку методу адаптивної реплікації структурованих даних у в гетерогенних мережах з динамічною структурою шляхом неперервного визначення коефіцієнта реплікації та оптимальних вузлів розміщення копій даних на основі прогнозування траєкторій вузлів і рівня їхніх апаратно-енергетичних ресурсів. Практичне значення полягає в адаптації оптимізованого конвеєра машинного навчання, що уможливлює безпосереднє впровадження моделі в автономному транспорті, сенсорних мережах моніторингу довкілля та системах екстреного реагування.