moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2018.23.4.026 536 ПРОБЛЕМА ВЫБОРА НЕЙРОСЕТЕВОЙ МОДЕЛИ ДЛЯ ПРОГНОЗИРОВАНИЯ ПОТОКОВ ДАННЫХ РАСПРЕДЕЛЕННЫХ ИНФОРМАЦИОННЫХ СИСТЕМ THE PROBLEM OF THE SELECTION OF A NEURAL NETWORK MODEL FOR PREDICTING THE STREAMS OF DATA OF DISTRIBUTED INFORMATION SYSTEMS Сорокин Сергей Александрович Sorokin Sergey Alexandrovich aff-1 Кравец Олег Яковлевич Kravets Oleg Yakovlevich csit@bk.ru aff-2 Акопов Владимир Олегович Akopov Vladimir Olegovich aff-3 Научно-исследовательский институт вычислительных комплексов им. М.А.Карцева Research Institute of Computing Complexes n.a. M.A. Karceva Воронежский государственный технический университет Voronezh State Technical University Научно-исследовательский и экспериментальный институт автомобильной электроники и электрооборудования Research and Experimental Institute of Automobile Electronics and Electrical Equipment 01 01 2026 1 1 10.26102/2310-6018/2018.23.4.026 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

Объектом исследования в работе являются распределенные информационные системы, на вход которых поступает поток заявок, требующих для своего обслуживания выполнения определенных ресурсов. Предметом исследования является прогнозирование потоков данных в таких системах. Цель работы заключается в анализе проблемы выбора нейросетевой модели для прогнозирования потоков данных распределенных информационных систем. Проанализирована специфика исследуемой задачи, а также подходы к решению на основе теории систем массового обслуживания. Сделан вывод о недостаточной адекватности таких систем в условиях динамического изменения состояния. В связи с этим возникла необходимость разработки собственного специализированного математического и алгоритмического аппарата. В результате предложен подход к сокращению объема выборки на основе совмещения нейросетевой модели с численным методом, учитывающим известные закономерности функции и освобождающим нейросеть от прогнозирования этих закономерностей. Специфика математического аппарата потребовала использования соответствующего алгоритмического обеспечения для ее решения. Таким образом, проведен анализ проблемы выбора нейросетевой модели для прогнозирования потоков данных распределенных информационных систем.

The object of research in the work are distributed information systems, at the entrance of which comes a stream of requests that require the implementation of certain resources for their service. The subject of research is the prediction of data flows in such systems. The purpose of the work is to analyze the problem of choosing a neural network model for predicting the data flows of distributed information systems. The specificity of the studied problem is analyzed, as well as approaches to the solution based on the theory of queuing systems. The conclusion is drawn about the insufficient adequacy of such systems under conditions of a dynamic change of state. In this regard, it became necessary to develop their own specialized mathematical and algorithmic apparatus. As a result, an approach was proposed to reduce the sample size on the basis of combining the neural network model with a numerical method that takes into account the known regularities of the function and exempts the neural network from predicting these regularities. The specificity of the mathematical apparatus required the use of appropriate algorithmic support for its solution. Thus, the analysis of the problem of choosing a neural network model for predicting the data flows of distributed information systems was carried out.

 распределенные информационные системы задача прогнозирования нейронные сети, формализация нейронные сети, формализация distributed information systems forecasting problem neural networks formalization Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References Гнеденко Б.В., Коваленко И.Н. Введение в теорию массового обслуживания. - М.: Наука, 1987. – 336 с. Бронштейн О.И., Духовный И.М. Модели приоритетного обслуживания в информационно-вычислительных системах. - М.: Наука, 1976. - 220 с. Глушков В.М., Гусев В.В., Марьянович Т.П., Сахнюк М.А. Программные средства моделирования непрерывно-дискретных систем. - Киев: Наукова думка, 1975. Ivakhnenko A.G., Krotov G.I., Cheberkus V.I. Harmonic and exponentialharmonic GMDH algorithms for long-term prediction of oscillating processes. Part I. Sov. J. of Automation and Information Sciences, v.14, no.l, 1981, P.3-17. Muller J.-A. Analysis and prediction of ecological systems. SAMS, vol.21, 1996. Галушкин А.И., Томашевич Д.С., Томашевич Н.С., Муромский М.Ю., Шачнев Е.А. Нейронные алгоритмы экстраполяции функций и их применение в задачах прогнозирования работы Call-центров. Часть 1. // Нейрокомпьютеры. - № 2, 2000. - 12 с. Заенцев И.В. Прогнозирование загрузки локальной вычислительной сети пейджингового центра на основе нейронных сетей// Студенческие научные сообщения (вып. 2). Тез. докл. - Воронеж: ВГУ, 1998. - С. 27. Николис Г., Пригожий И. Самоорганизация в неравновесных системах. - М.: Мир, 1979. - 309 с. Николис Г. Динамика иерархических систем. - М.: Мир, 1989. - 486 с Суровцев И.С., Клюкин В.И., Пивоварова Р.П. Нейронные сети. Введение в современную информационную технологию. - Воронеж: ВГУ, 1994. - 224 с Розенблатт Ф. Принципы нейродинамики (Перцептроны и теория механизмов мозга) - М.: Энергия, 1965. - 480с. Минский М., Пайперт С. Персептроны. - М.: Мир, 1971. - 261 с. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика. - М.: Мир, 1992. - 180с. Горбань А. Н. Обучение нейронных сетей. - М.: СП Параграф, 1990. -159с. Muller В., Reinhardt J. Neural Networks. An introduction. - Berlin: Springer-Verlag, 1991. - 266p. Мкртчян С. О. Нейроны и нейронные сети. (Введение в теорию формальных нейронов) - М.: Энергия, 1971. - 232 с. Волькенштейн М.В. Биофизика: Учеб. руководство. - М.: Наука, Гл. ред. физ.-мат. лит., 1988. - 592 с. Куффлер С., Николе Дж. От нейрона к мозгу. - М.: Мир, 1979. - 440с. Соколов Е.Н., Вайткявичюс Г. Г. Нейроинтеллект: от нейрона к нейрокомпьютеру. - М.: Наука, 1989. - 238 с. Соколов Е.Н., Шмелев Л. А. Нейробионика. (Организация нейроподобных элементов и систем).- М.: Наука, 1983. - 280 с. Ripley B.D. Pattern Recognition and Neural Networks. - Cambridge: Cambridge University Press, 1996. - 403 p. Masters T. Signal and Image Processing with Neural Networks: A C++ Sourcebook. - New York: Wiley, 1994. - 286 p. Волобуев Н.А., Неганов В.А., Нефедов Е.И., Романчук П.И. Квантовомеханические эффекты при работе ионных каналов// Вестник новых медицинских технологий. - 1997, №1-2. - 16 с. Lawrence S., Tsoi A.C., BackA.D. Function Approximation with Neural Networks and Local Methods: Bias, Variance and Smoothness// Australian Conference on Neural Networks, ACNN - 1996. - P. 16-21. Hornik K. Some New Results on Neural Network Approximation// Neural Networks. - 1993, No.6. - P. 1069-1072. Yang Т., Chua L. Implementing Back-Propagation-Through-Time Learning Algorithm Using Cellular Neural Networks. // International Journal on Bifurcation and Chaos. - 1999, Vol. 9, No.6. - P. 1041-1074. Bondarenko E.V. Self-organization Processes in Chaotic Neural Net works Under External Periodic Force // International Journal of Bifurcation and Chaos. - 1997, Vol. 7, No. 8. - P. 1887-1895. Заенцев И.В. Критерии эффективности обработки информации в нейронных сетях. // Межвуз. НПК "Актуальные проблемы совершенствования научно-технического обеспечения деятельности ОВД": Воронеж. Воронежский институт МВД России, 1999. - С. 109- 111. Draghici S. Sethi I.К. On the Possibilities of the Limited Precision Weights Neural Networks in Classification Problems. // Australian Conference on Neural Networks, ACNN - 1996. - P. 132-139.

The authors declare that there are no conflicts of interest present.