Метод та засоби інтелектуальної обробки даних в мережах Інтернет речей

Гайдай, Анатолій Русланович

Метод та засоби інтелектуальної обробки даних в мережах Інтернет речей

dc.contributor.advisor	Клименко, Ірина Анатоліївна
dc.contributor.author	Гайдай, Анатолій Русланович
dc.date.accessioned	2026-07-15T14:20:55Z
dc.date.available	2026-07-15T14:20:55Z
dc.date.issued	2026
dc.description.abstract	Гайдай А. Р. Метод та засоби інтелектуальної обробки даних в мережах Інтернет речей. – Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 123 – Комп’ютерна інженерія з галузі знань 12 – Інформаційні технологіії. – Національний Технічний Університет України «Київський Політехнічний Інститут імені Ігоря Сікорського», Київ, 2026. Дисертаційна робота присвячена розв’язанню актуальної науковопрактичної задачі підвищення ефективності обробки потоків даних та функціонування інфраструктури на граничному рівні розподілених систем Інтернету речей (IoT), що функціонують в режимі реального часу та за умов надходження великої кількості різнорідних сенсорних даних, багатопоточності обробки та масштабування інфраструктури. У роботі обґрунтовано системний підхід до адаптивної інтелектуальної обробки даних на граничному рівні розподілених систем IoT, що ґрунтується на формуванні адаптивно-інтелектуально керованої гібридної інфраструктури IoT, у межах якої процеси обробки потоків даних, моніторингу даних та стану ресурсів, інтелектуальної аналітики та забезпечення ефективності інфраструктури інтегровані в єдиний керуючий контур. Актуальність дослідження зумовлена активним розвитком промислових високотехнологічних та критичних систем, де широко застосовуються системи ІоТ. У таких системах функціонують тисячі сенсорів і вимірювальних пристроїв, які безперервно генерують значні обсяги даних, формуючи надвеликі потоки інформації, що потребують ефективної адаптивної обробки та інтелектуальної інтеграції ресурсів. Збільшення обсягів сенсорних даних у сучасних системах IoT робить традиційне передавання необроблених даних до централізованих хмарних систем все менш ефективним, оскільки це призводить до зростання навантаження на мережеву інфраструктуру, збільшення затримок обробки та обмеження масштабованості. Перехід до граничних обчислень (edge computing) частково вирішує ці проблеми. Проте актуальності набуває проблема обробки цих даних у режимі реального часу, оскільки значна кількість алгоритмів обробки та керування виконується на пристроях з обмеженими апаратними ресурсами, таких як мікроконтролери, одноплатні мінікомп’ютери та інші спеціалізовані обчислювальні платформи. Додатковою складністю є те, що сенсорні дані часто характеризуються низькою якістю та залежать від динаміки стану оточуючого середовища, включаючи, наприклад, сезонні, технологічні та експлуатаційні коливання, що ускладнює їх аналіз і потребує застосування ефективних методів попередньої обробки та корекції. Традиційні методи обробки потоків даних базуються на централізованій архітектурі та підходах до організації системи керування інфраструктурою і орієнтовані на обробку наперед визначених подій. Така організація обмежує оперативність прийняття рішень, знижує масштабованість і не дозволяє ефективно реагувати на динамічні зміни стану інфраструктури. В умовах зростання обсягів сенсорних даних та обмежених ресурсів граничних пристроїв виникає необхідність переходу до гібридної інфраструктури з розподіленим та централізованим керуванням і забезпечує автоматизацію, адаптивність та інтелектуальність процесів. Такий підхід дозволяє інтегрувати ключові функції обробки, моніторингу та аналітики у єдиний керуючий контур, підвищуючи ефективність, безпеку та гнучкість систем IoT у режимі реального часу. Метою роботи є підвищення ефективності обробки потоків даних та функціонування інфраструктури на граничному рівні розподілених систем IoT, що функціонують в режимі реального часу та за умов надходження великої кількості різнорідних сенсорних вимірювань, багатопоточності обробки та масштабування інфраструктури. Для досягнення поставленої мети були обґрунтовані принципи системного підходу до адаптивної інтелектуальної обробки даних на основі формування адаптивно-інтелектуальної керованої гібридної інфраструктури розподіленої системи IoT; формалізовані критерії ефективності обробки даних та функціонування інфраструктури ІоТ; розроблено новий комплексний метод адаптивної інтелектуальної обробки даних у розподілених системах IoT, який базується на інтеграції взаємопов’язаних часткових методів та засобів для підвищення достовірності сенсорних вимірювань, ефективного керування потоками даних, балансування обчислювального навантаження та забезпечення безпеки функціонування інфраструктури ІоТ; сформована методика практичної реалізації запропонованого методу; розроблені арифметичні розширювачі на гетерогенній реконфігуровній платформі SoC/ПЛІС, зокрема, для реалізації багаторівневого конвеєра фільтрації сенсорних даних та нейромережевого модуля прийняття рішень; реалізовані механізми взаємодії між вбудованим процесором ARM і програмно-конфігурованою логікою ПЛІС, що забезпечують динамічну реконфігурацію ПЛІС; проведені експериментальні дослідження для оцінки ефективності запропонованих рішень для забезпечення обробки потоків даних на граничному рівні інфраструктури IoT. У межах дослідження розроблено формальні моделі обробки потоків сенсорних даних, на основі яких проведено аналіз ефективності запропонованого методу, що разом із результатами експериментальних досліджень на реальному устаткуванні підтвердив доцільність його застосування та практичну ефективність у умовах адаптивної інтелектуальної обробки даних на граничному рівні IoT. Наукова новизна отриманих результатів полягає у розробленні комплексного методу адаптивної інтелектуальної обробки даних у розподілених системах ІоТ, який відрізняється від відомих поєднанням сукупності взаємопов’язаних часткових методів і засобів у межах єдиного керуючого контуру для забезпечення динамічного керування потоками даних та реконфігурації обчислювальних вузлів на ПЛІС з ціллю забезпечення оперативних керуючих впливів, підвищення ефективності використання обчислювальних ресурсів і безпеки функціонування інфраструктури. Удосконалено спосіб адаптивного налаштування порогів контролю у моніторингових системах, який на відміну від відомих підходів із фіксованими пороговими значеннями поєднує механізми вирівнювання сигналу, виділення тренду та адаптивного самоналаштування порогів, що дозволяє зменшити кількість хибних спрацювань і підвищити достовірність виявлення аномалій. Запропоновано спосіб динамічної реконфігурації обчислювальних вузлів на гетерогенних платформах SoC/ПЛІС, який забезпечує ефективну інтеграцію реконфігурованої логіки з вбудованим процесором ARM та дозволяє динамічно перерозподіляти обчислювальні задачі між апаратною і програмною складовими системи залежно від навантаження та класу вирішуваних задач. Така інтеграція створює умови для реалізації динамічних алгоритмів обробки сенсорних потоків у реальному часі на периферії системи. Отримав подальшого розвитку метод автоматичного прийняття рішень у безпекових сценаріях розподілених систем ІоТ, який відрізняється від відомих інтеграцією трьох компонентів: безперервного моніторингу стану системи з виконанням формалізованих алгоритмів аналізу аномальних подій та автоматизованим виконання керуючих впливів. Запропоновано спосіб інтелектуальної нейромережевої обробки сенсорних даних на ПЛІС, який поєднує апаратну стабілізацію вхідних даних із нейромережевим прийняттям рішень у межах єдиного обчислювального контуру, що дозволяє підвищити ефективність обробки даних завдяки апаратній реалізації нейромережі для прийняття рішень у реальному часі на периферії IoT. Практичне значення отриманих результатів полягає у створенні програмноапаратної платформи адаптивної інтелектуальної обробки сенсорних даних, що включає три взаємопов’язані компоненти: апаратний багаторівневий конвеєр на ПЛІС для фільтрації даних та отримання трендів, необхідних для реалізації адаптивних порогів; інтелектуальний нейромережевий модуль для прийняття рішень на основі оброблених сенсорних сигналів; автоматизоване адаптивне керування інфраструктурою IoT, що забезпечує динамічне перерозподілення обчислювальних ресурсів і оптимізацію потоків обробки даних». Запропонований метод досліджено з викоританням гетерогенної платформи SoC/ПЛІС Cyclone V. Експерименти проводились із використанням реальних потоків сенсорних даних (температура, вологість, освітленість та концентрація CO2) і підтвердили, що застосування апаратних фільтрів з адаптивними порогами контролю підвищує якість сенсорних вимірювань, зменшує затримки обробки та формування керуючих впливів та кількість хибних реакцій, підвищує енергоефективність порівняно з виключно програмною реалізацією на мінікомп’ютерах. Запропоновані метод та засоби можуть бути використані в промислових і високотехнологічних системах, включаючи підприємства, виробництва, критичні технологічні об’єкти, а також у системи промислового ІоТ та розумних містах, для підвищення якості моніторингу даних та ресурсів, безпеки, адаптивного балансування навантаження та інтеграції нейронних і реконфігурованих обчислень на ПЛІС. Основні положення та результати дисертаційного дослідження пройшли апробацію на міжнародних науково-технічних конференціях, а також обговорювалися на наукових семінарах профільної кафедри. За результатами дослідження опубліковано наукові праці, які повною мірою відображають зміст дисертації, зокрема статті у фахових виданнях України та тези доповідей. Дисертаційна робота оформлена відповідно до державних стандартів і складається зі вступу, чотирьох розділів, загальних висновків, списку використаних джерел та додатків.
dc.description.abstractother	Haidai A.R. Method and Tools for Intelligent Data Processing in Internet of Things Networks. – Qualifying scientific work on manuscript rights. Dissertation for obtaining the scientific degree of Doctor of Philosophy in specialty 123 – Computer engineering from the field of knowledge 12 – Information technologies. – National Technical University of Ukraine «Igor Sikorsky Kyiv Polytechnic Institute», Kyiv, 2026. The dissertation is devoted to solving a scientific and practical problem of improving the efficiency of data stream processing and the functioning of infrastructure at the edge level of distributed Internet of Things (IoT) systems operating in real time under conditions of large volumes of heterogeneous sensor data, multithreaded processing, and infrastructure scalability. The study substantiates a systemic approach to adaptive intelligent data processing at the edge level of distributed IoT systems, based on the formation of an adaptively intelligent managed hybrid IoT infrastructure. Within this infrastructure, data stream processing, data and resource monitoring, intelligent analytics, and infrastructure efficiency assurance are integrated into a unified control loop. The relevance of the research is driven by the rapid development of industrial, hightech, and critical systems where IoT technologies are widely applied. Such systems involve thousands of sensors and measurement devices continuously generating large volumes of data, forming massive information flows that require efficient adaptive processing and intelligent resource integration. The growth in sensor data volumes in modern IoT systems makes traditional transmission of raw data to centralized cloud systems increasingly inefficient, as it leads to increased network load, higher processing latency, and limited scalability. The transition to edge computing partially addresses these issues. However, the problem of real-time data processing remains actual, since many processing and control algorithms are executed on devices with limited hardware resources, such as microcontrollers, single-board computers, and other specialized computing platforms. An additional challenge is that sensor data are often of low quality and depend on environmental dynamics, including seasonal, technological, and operational variations, which complicates analysis and necessitates effective preprocessing and correction methods. Traditional data stream processing methods are based on centralized architectures and predefined event-driven approaches to infrastructure management. Such organization limits decision-making responsiveness, reduces scalability, and does not allow effective reaction to dynamic infrastructure changes. Under conditions of increasing data volumes and limited edge resources, there is a need to transition to a hybrid infrastructure combining distributed and centralized control, enabling automation, adaptability, and intelligence of processes. This approach allows integrating key functions of processing, monitoring, and analytics into a unified control loop, increasing efficiency, security, and flexibility of IoT systems in real time. The aim of the work is to improve the efficiency of data stream processing and infrastructure functioning at the edge level of distributed IoT systems operating in real time under conditions of large volumes of heterogeneous sensor measurements, multithreaded processing, and infrastructure scalability. To achieve this goal, the following were accomplished: substantiation of principles of a systemic approach to adaptive intelligent data processing based on the formation of an adaptively intelligent managed hybrid IoT infrastructure; formalization of efficiency criteria for data processing and IoT infrastructure functioning; development of a new comprehensive method for adaptive intelligent data processing in distributed IoT systems based on the integration of interrelated partial methods and tools to improve sensor data reliability, efficient data flow management, load balancing, and infrastructure security; development of a methodology for practical implementation of the proposed method; design of arithmetic accelerators on a heterogeneous reconfigurable SoC/FPGA platform, including implementation of a multi-level sensor data filtering pipeline and a neural network decision-making module; implementation of interaction mechanisms between the embedded ARM processor and FPGA programmable logic enabling dynamic FPGA reconfiguration; and conducting experimental studies to evaluate the effectiveness of the proposed solutions for edge-level data processing in IoT infrastructure. Within the study, formal models of sensor data stream processing were developed, based on which the efficiency of the proposed method was analyzed. Together with experimental results obtained on real hardware, this confirmed its feasibility and practical effectiveness under conditions of adaptive intelligent data processing at the IoT edge level. The scientific novelty of the obtained results lies in the development of a comprehensive method for adaptive intelligent data processing in distributed IoT systems, which differs from existing approaches by combining a set of interrelated partial methods and tools within a unified control loop to ensure dynamic data flow management and reconfiguration of FPGA-based computing nodes, enabling operational control actions, improved resource utilization efficiency, and enhanced infrastructure security. The method of adaptive adjustment of control thresholds in monitoring systems has been improved. Unlike known approaches with fixed thresholds, it combines signal smoothing, trend extraction, and adaptive self-tuning of thresholds, which reduces false alarms and improves anomaly detection accuracy. A method for dynamic reconfiguration of computing nodes on heterogeneous SoC/FPGA platforms has been proposed. It ensures effective integration of reconfigurable logic with an embedded ARM processor and enables dynamic redistribution of computational tasks between hardware and software components depending on load and task type. This integration creates conditions for implementing dynamic real-time sensor data processing algorithms at the system edge. The method of automated decision-making in security scenarios of distributed IoT systems has been further developed. It differs from existing approaches by integrating three components: continuous system monitoring, formalized anomaly detection algorithms, and automated execution of control actions. A method for intelligent neural network processing of sensor data on FPGA has been proposed, combining hardware stabilization of input data with neural network decision-making within a unified computational loop. This enables increased efficiency of data processing through hardware implementation of neural inference in real time at the IoT edge. The practical significance of the results lies in the development of a hardwaresoftware platform for adaptive intelligent processing of sensor data, which includes three interconnected components: a hardware multi-level FPGA pipeline for data filtering and trend extraction required for adaptive thresholds; an intelligent neural network module for decision-making based on processed sensor signals; and an automated adaptive IoT infrastructure management system providing dynamic redistribution of computational resources and optimization of data processing flows. The proposed method was investigated using a heterogeneous SoC/FPGA platform (Cyclone V). Experiments were conducted using real sensor data streams (temperature, humidity, illumination, and CO2 concentration) and confirmed that the use of hardware filters with adaptive thresholds improves sensor data quality, reduces processing and response latency, decreases false reactions, and increases energy efficiency compared to purely software-based implementations on mini-computers. The proposed methods and tools can be applied in industrial and high-tech systems, including enterprises, manufacturing, critical technological facilities, as well as industrial IoT and smart city systems, to improve data and resource monitoring quality, security, adaptive load balancing, and integration of neural and reconfigurable FPGA-based computing. The main provisions and results of the dissertation were validated at international scientific and technical conferences and discussed at departmental scientific seminars. Based on the research results, scientific publications were produced, fully reflecting the dissertation content, including articles in specialized Ukrainian journals and conference proceedings. The dissertation is structured in accordance with national standards and consists of an introduction, four chapters, general conclusions, a list of references, and appendices.
dc.format.extent	213 с.
dc.identifier.citation	Гайдай, А. Р. Метод та засоби інтелектуальної обробки даних в мережах Інтернет речей : дис. … д-ра філософії : 123 Комп'ютерна інженерія / Гайдай Анатолій Русланович. – Київ, 2026. – 213 с.
dc.identifier.uri	https://ela.kpi.ua/handle/123456789/82252
dc.language.iso	uk
dc.publisher	КПІ ім. Ігоря Сікорського
dc.publisher.place	Київ
dc.subject	розподілені системи
dc.subject	Інтернет речей
dc.subject	граничні обчислення
dc.subject	локальні мережі
dc.subject	балансування навантаження
dc.subject	безпека
dc.subject	системи-на-кристалі
dc.subject	ПЛІС
dc.subject	реконфігурація ПЛІС
dc.subject	інтелектуальна обробка даних
dc.subject	якість сенсорних даних
dc.subject	фільтрація сенсорних данних
dc.subject	адаптивні пороги контролю
dc.subject	нейронний обчислювач
dc.subject	моніторингові системи
dc.subject	distributed systems
dc.subject	Internet of Things
dc.subject	edge computing
dc.subject	local area networks
dc.subject	load balancing
dc.subject	security
dc.subject	systems-on-chip
dc.subject	FPGA
dc.subject	FPGA reconfiguration
dc.subject	intelligent data processing
dc.subject	sensor data quality
dc.subject	sensor data filtering
dc.subject	adaptive control thresholds
dc.subject	neural networks
dc.subject	monitoring systems
dc.subject.udc	004.75 (004.62)
dc.title	Метод та засоби інтелектуальної обробки даних в мережах Інтернет речей
dc.title.alternative	Method and Tools for Intelligent Data Processing in Internet of Things Networks
dc.type	Thesis Doctoral

Файли

Контейнер файлів

Зараз показуємо 1 - 1 з 1

Назва:: Haidai_dys.pdf
Розмір:: 4 MB
Формат:: Adobe Portable Document Format

Завантажити

Ліцензійна угода

Зараз показуємо 1 - 1 з 1

Назва:: license.txt
Розмір:: 8.98 KB
Формат:: Item-specific license agreed upon to submission
Опис:

Завантажити

Зібрання

Дисертації (ОТ)
Дисертації (вільний доступ)