DEVELOPMENT A MODEL FOR FORECASTING KEY PERFORMANCE INDICATORS IN DISTRIBUTED INFORMATION MONITORING SYSTEM WITH DECENTRALIZED STRUCTURE

Abstract

В статье рассматривается подход к моделированию процесса прогнозирования ключевых параметров эффективности в рамках распределенной системы информационного мониторинга и управления качеством коммуникационных услуг, предоставляемых инфраструктурами «Интернета вещей» (IoT) и «Промышленного интернета вещей» (IIoT), базирующихся на решениях, поддерживающих межмашинное взаимодействие (machine-to-machine, M2M) и человеко-машинное взаимодействие (people-to-machine, P2M). В качестве методологической базы моделирования активного узла системы информационного мониторинга обосновывается выбор нейронной сети с долгой краткосрочной памятью (Long Short-Term Memory - LSTM). Приводится разработанная структура LSTM-сети, учитывающая пространственно-временную корреляцию полученных показателей в различных точках наблюдения распределенной системы информационного мониторинга. Обосновываются критерии оценивания эффективности предложенной модели для условий информационного мониторинга нестационарной нагрузки в режиме, близком к реальному времени. The article discusses an approach to modeling the process of predicting key performance parameters within distributed system of information monitoring and quality management of communication services, which provided by the Internet of Things (IoT) and the Industrial Internet of Things (IIoT) infrastructures, based on solutions that support machine-to-machine communication (machine-to-machine, M2M) and people-to-machine (P2M). The choice of a neural network with long short-term memory (LSTM) is substantiated as a methodological basis for modeling the active node of the information monitoring system. The developed structure of the LSTM-network is given, which considering the temporal-spatial correlation of the received indicators at various observation points. Criteria for evaluating the effectiveness of the proposed model for the conditions of information monitoring of non-stationary load in a real time mode are substantiated.