Генерация пространственно-временных рядов сетевой нагрузки в задачах граничных вычислений

Филянин И.В., Капитонов А.А., Мартынюк А.П. Генерация пространственно-временных рядов сетевой нагрузки в задачах граничных вычислений // Научно-технический вестник информационных технологий, механики и оптики. 2026. Т. 26, № 2. С. 410–419. doi: 10.17586/2226-1494-2026-26-2-410-419

Введение. Исследование систем принятия решений в задачах граничных вычислений с множественным доступом зачастую основывается на абстрактном представлении сети связи, не имеющей профилей сетевой нагрузки. Целью работы являлась разработка инструментов генерации пространственно-временных данных сетевой нагрузки в зависимости от архитектуры сети связи. Метод. Применены методы стохастической геометрии и статистические данные для формирования профиля возможной нагрузки. Для оценки работы методов стохастической геометрии разработан инструмент генерации и валидации пространственно-временных рядов с поиском паттернов из открытой базы вышек сотовой связи OpenCellID. Основные результаты. Выполнен анализ научных работ и открытых наборов данных расположения и нагрузки вышек сотовой связи. На основе анализа сделан вывод о низком качестве данных в задачах обучения систем принятия решений размещения вычислительных сервисов в геораспределенных узлах обработки данных. Разработан инструмент генерации и валидации пространственно-временных рядов с поиском паттернов из открытой базы вышек сотовой связи OpenCellID. Сравнительный анализ базового и калиброванного алгоритмов Hard-Core Point Process показал существенные различия в характеристиках генерируемых распределений. Для города Санкт-Петербурга калиброванная модель обеспечила увеличение плотности размещения станций в 99 раз, сокращение межстанционных расстояний в 52 раза при эффективной площади покрытия 0,04 км². В случае города Новосибирска наблюдались аналогичные тенденции с меньшей интенсивностью: увеличение плотности в 12,5 раз, сокращение расстояний в 21 раз при площади покрытия 0,32 км². Обсуждение. Использование пространственно-временных рядов, полученных с помощью разработанного инструмента генерации, позволит повысить точность алгоритмов размещения вычислительных сервисов и снизить задержки в системах граничных вычислений за счет предобучения на данных коррелирующих с реальным расположением вышек сотовой связи. С помощью предложенного инструмента генерации можно задать координаты местности предполагаемой сети связи, что окажет влияние на паттерны распределения вышек и позволит сгенерировать более точные пространственно-временные ряды.

1. Al-Bahri M., Alkishri W., Ahmed F.Y.H., Alshar'e M., Maskari S.A. Enhancing IoT network security through digital object architecture-based approaches // Qubahan Academic Journal. 2024. V. 4. N 1. P. 224–239. https://doi.org/10.48161/qaj.v4n1a413

2. Li N., Hao W., Zhou F., Chu Z., Yang S., Muta O., Gacanin H. Min–max latency optimization for IRS-aided cell-free mobile edge computing systems // IEEE Internet of Things Journal. 2024. V. 11. N 5. P. 8757–8770. https://doi.org/10.1109/jiot.2023.3322751

3. Hua H., Li Y., Wang T., Dong N., Li W., Cao J. Edge computing with artificial intelligence: a machine learning perspective // ACM Computing Surveys. 2023. V. 55. N 9. P. 1–35. https://doi.org/10.1145/3555802

4. Pandey C., Tiwari V., Rathore R.S., Jhaveri R.H., Roy D.S., Selvarajan S. Resource-efficient synthetic data generation for performance evaluation in mobile edge computing over 5G networks // IEEE Open Journal of the Communications Society. 2023. V. 4. P. 1866–1878. https://doi.org/10.1109/OJCOMS.2023.3306039

5. Ismail A.A., Khalifa N.E., El-Khoribi R.A. A survey on resource scheduling approaches in multi-access edge computing environment: a deep reinforcement learning study // Cluster Computing. 2025. V. 28.N 3. P. 184. https://doi.org/10.1007/s10586-024-04893-7

6. Talpur A., Gurusamy M. DRLD-SP: A Deep-reinforcement-learning-based dynamic service placement in edge-enabled Internet of vehicles // IEEE Internet of Things Journal. 2022. V. 9. N 8. P. 6239–6251. https://doi.org/10.1109/jiot.2021.3110913

7. Kabeer M., Nordin R., Behjati M., Shaharuddin F.Y.B.M. An urban multi-operator QoE-aware dataset for cellular networks in dense environments // arXiv. 2025. arXiv:2506.22484. https://doi.org/10.48550/arXiv.2506.22484

8. Luo F., Zheng S., Ding W., Fuentes J., Li Y. An edge server placement method based on reinforcement learning // Entropy. 2022. V. 24. N 3. P. 317. https://doi.org/10.3390/e24030317

9. Pandey C., Tiwari V., Rodrigues J.J.P.C., Roy D.S. 5GT-GAN-NET: Internet traffic data forecasting with supervised loss based synthetic data over 5G // IEEE Transactions on Mobile Computing. 2024. V. 23. N 11. P. 10694–10705. https://doi.org/10.1109/TMC.2024.3364655

10. Xiang B., Elias J., Martignon F., Di Nitto E. A dataset for mobile edge computing network topologies // Data in Brief. 2021. V. 39. P. 107557. https://doi.org/10.1016/j.dib.2021.107557

11. Pasqualini L., Parton M. Pseudo random number generation: a reinforcement learning approach // Procedia Computer Science. 2020. V. 170. P. 1122–1127. https://doi.org/10.1016/j.procs.2020.03.057

12. Liu P., Lei J., Cao H., Garg S., Kaur K., Kaddoum G. A Stochastic geometry model and analysis scheme for SCMA aided mobile edge computing // Proc. of the IEEE Wireless Communications and Networking Conference (WCNC). 2024. P. 1-–6. https://doi.org/10.1109/WCNC57260.2024.10570726

13. Gu Y., Yao Y., Li C., Xia B., Xu D., Zhang C. Modeling and analysis of stochastic mobile-edge computing wireless networks // IEEE Internet of Things Journal. 2021. V. 8. N 18. P. 14051–14065. https://doi.org/10.1109/JIOT.2021.3068382

14. Facchini C., Holland O., Granelli F., da Fonseca N.L.S., Aghvami H. Dynamic green self-configuration of 3G base stations using fuzzy cognitive maps // Computer Networks. 2013. V. 57. N 7. P. 1597–1610. https://doi.org/10.1016/j.comnet.2013.02.011

15. Bufetov A.I. Rigidity of determinantal point processes with the Airy, the Bessel and the Gamma kernel // Bulletin of Mathematical Sciences. 2016. V. 6. N 1. P. 163–172. https://doi.org/10.1007/s13373-015-0080-z

16. Deng N., Zhou W., Haenggi M. The Ginibre point process as a model for wireless networks with repulsion // IEEE Transactions on Wireless Communications. 2015. V. 14. N 1. P. 107–121. https://doi.org/10.1109/twc.2014.2332335

17. Teichmann J., Ballani F., van den Boogaart K.G. Generalizations of Matérn’s hard-core point processes // Spatial Statistics. 2013. V. 3. P. 33–53. https://doi.org/10.1016/j.spasta.2013.02.001

18. Illian J., Penttinen A., Stoyan H., Stoyan D. Statistical Analysis and Modelling of Spatial Point Patterns. Wiley-Interscience, 2008. 560 p.

19. Stoyan D., Kendall W.S., Mecke J. Stochastic Geometry and its Applications. John Wiley & Sons, 2013. 584 p.

20. ElSawy H., Hossain E., Haenggi M. Stochastic geometry for modeling, analysis, and design of multi-tier and cognitive cellular wireless networks: a survey // IEEE Communications Surveys and Tutorials. 2013. V. 15. N 3. P. 996–1019. https://doi.org/10.1109/surv.2013.052213.00000

21. Ester M., Kriegel H.P., Sander J., Xu X. A density-based algorithm for discovering clusters // Proc. of the 2^nd International Conference on Knowledge Discovery and Data Mining. 1996. P. 226–231.

22. Богатырев В.А., Богатырев С.В., Богатырев А.В. Граничная оценка надежности кластерных систем на основе декомпозиции марковской модели при ограниченном восстановлении узлов с накоплением отказов // Научно-технический вестник информационных технологий, механики и оптики. 2025. Т. 25. № 3. С. 574–583. https://doi.org/10.17586/2226-1494-2025-25-3-574-583

23. Богатырев В.А., Богатырев С.В., Богатырев А.В. Оценка готовности компьютерной системы к своевременному обслуживанию запросов при его совмещении с информационным восстановлением памяти после отказов  // Научно-технический вестник информационных технологий, механики и оптики. 2023. Т. 23. № 3. С. 608–617. https://doi.org/10.17586/2226-1494-2023-23-3-608-617

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License