Моделі та методи адаптивної маршрутизації в транспортних IoT мережах

Ляшенко, Андрій Володимирович

Моделі та методи адаптивної маршрутизації в транспортних IoT мережах

dc.contributor.advisor	Глоба, Лариса Сергіївна
dc.contributor.author	Ляшенко, Андрій Володимирович
dc.date.accessioned	2026-08-31T14:22:25Z
dc.date.available	2026-08-31T14:22:25Z
dc.date.issued	2026
dc.description.abstract	Ляшенко А.В. Моделі та методи адаптивної маршрутизації в транспортних IoT мережах. – Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 172 – Телекомунікації та радіотехніка. – Навчально-науковий інститут телекомунікаційних систем КПІ ім. Ігоря Сікорського, Київ, 2026. У дисертаційній роботі вирішено актуальну науково-прикладну задачу управління інформаційними потоками автономних транспортних засобів в інформаційно-комунікаційній IoV-мережі розумного міста. Сучасна IoV-мережа об’єднує мобільні IoT-вузли, придорожні модулі, вузли попередньої обробки даних, базові станції та хмарні сервіси в єдину інформаційно-комунікаційну систему. У цій системі транспортний засіб виступає не лише об’єктом маршрутизації, а насамперед джерелом інтенсивних потоків V2X-повідомлень, телеметрії, сенсорних даних і службових метаданих. Для таких потоків розроблено методи адаптивної оцінки поточного QoS-стану сегментів мережі, просторово-часового прогнозування інформаційного навантаження та маршрутизації інформаційних потоків, які генеруються мобільними IoT-вузлами та обслуговуються інфраструктурними елементами IoV-мережі. Стандарти ETSI ITS і 3GPP C-V2X задають для них жорсткі вимоги до затримки доставки та актуальності даних. Постановка проблеми визначається просторово-часовою нерівномірністю інформаційного навантаження в IoV-мережі. У години пік концентрація автономних транспортних засобів на окремих сегментах мережі призводить до різкого зростання інтенсивності V2X-повідомлень, телеметрії та потоків сенсорних даних, тоді як на інших сегментах зберігається помірний режим роботи. Таке навантаження є нестаціонарним, зашумленим і схильним до швидкого поширення між суміжними ребрами графа, тому для оперативного керування мережею необхідні методи адаптивної оцінки стану інформаційних потоків, їх просторово-часового прогнозування та пошуку оптимального шляху обслуговування. Аналіз існуючих підходів показав, що класичні методи статистичного усереднення, зокрема пакетна обробка, ковзне вікно та EMA з фіксованим коефіцієнтом згладжування, не забезпечують необхідного компромісу між шумостійкістю та швидкістю реакції на сплески інформаційного навантаження. Статичні алгоритми пошуку шляху в часозалежному графі ігнорують очікуваний майбутній стан сегментів мережі, а моделі прогнозування без урахування топології не здатні відтворити поширення навантаження між сусідніми сегментами. Промислові підходи не забезпечують явного узгодження між реактивною оцінкою поточного стану та проактивним прогнозом майбутнього інформаційного навантаження. Таким чином, актуальною є задача адаптивної маршрутизації інформаційних потоків в умовах динамічно змінного QoS-стану сегментів IoV-мережі, що потребує розробки нових моделей і методів, здатних одночасно оцінювати поточний стан каналу, прогнозувати його зміну та приймати маршрутне рішення в межах часових обмежень, визначених стандартами ETSI ITS. У роботі задача формалізується у вигляді часозалежної зваженої IoV-мережі, в якій вершини відображають вузли телекомунікаційної інфраструктури (RSU, gNB, хмарні агрегатори), а ребра — сегменти передавання даних між суміжними вузлами мережі. Вага ребра визначається як час обслуговування інформаційного потоку на сегменті — тобто час перебування мобільного IoT-вузла в зоні активної генерації V2X-даних. Вимірювані QoS-індикатори стану сегмента визначають адаптивне оновлення оцінки швидкості, на основі якої обчислюється ця вага. Таке подання дозволяє поєднати реактивне оновлення стану за потоковими вимірами з прогнозом майбутнього навантаження та процедурою вибору маршруту обслуговування інформаційних потоків. Формальною основою роботи є телекомунікаційна модель IoV-мережі у вигляді часозалежного зваженого графа 𝐺𝑇 = (𝑉 , 𝐸, 𝑊(𝑡), 𝑇 ) та модель вхідного потоку даних 𝑆𝑖𝑛. У роботі розроблено телекомунікаційну модель IoV-мережі та два взаємопов’язані методи. Телекомунікаційна модель IoV-мережі подає мережеву інфраструктуру у вигляді часозалежного зваженого орієнтованого графа 𝐺𝑇 = (𝑉 , 𝐸, 𝑊, 𝑇 ), в якому вага ребра визначається як час обслуговування інформаційного потоку на сегменті. Вимірювані QoS-індикатори стану сегмента — коефіцієнт пропускної здатності 𝜂, коефіцієнт завантаження 𝐿 та коефіцієнт зміни завантаження каналу 𝜏 — визначають адаптивне оновлення оцінки швидкості, на основі якої обчислюється ця вага. Першим є метод адаптивної оцінки стану інформаційних потоків на сегментах IoV-мережі. У ньому коефіцієнт згладжування 𝛼 визначається автоматично за результатами кластеризації QoS-стану сегмента у просторі ознак (𝜂, 𝐿, 𝜏). Для побудови бази нечітких знань використано пакетно-інкрементальну кластеризацію, метрику Махаланобіса, коефіцієнт Бхаттачар’ї та нечіткий висновок Такагі–Сугено. Це забезпечує автоматичне формування правил без експертного налаштування та дозволяє змінювати 𝛼 від режиму стійкої фільтрації шуму до режиму миттєвої реакції на сплеск інформаційного навантаження. Другим є метод просторово-часового прогнозування інформаційного навантаження сегментів IoV-мережі та пошуку оптимального маршруту обслуговування інформаційних потоків. Прогнозування реалізовано на основі графової нейронної мережі з дифузійною згорткою (DiffusionConv) та блоками GRU, яка враховує топологію мережі та кореляції між суміжними сегментами. Прогноз використовується як часозалежна евристика алгоритму A, що оцінює очікуваний QoS-стан сегментів на момент проходження через них інформаційного потоку, та забезпечує суттєве скорочення простору пошуку при збереженні оптимальності маршруту. Розроблені модель і методи утворюють єдиний контур обробки даних. На основі телекомунікаційної моделі IoV-мережі формується часозалежний граф; метод адаптивної оцінки формує згладжену реактивну оцінку поточного QoS-стану сегментів; метод прогнозування генерує короткостроковий прогноз навантаження; алгоритм A з часозалежною евристикою визначає маршрут з мінімальним очікуваним сумарним часом обслуговування інформаційного потоку. Завдяки цьому рішення приймається не на основі одиничного зашумленого виміру, а на основі узгодженої реактивно-прогнозної оцінки стану IoV-мережі. Метою дисертаційної роботи є підвищення ефективності управління інформаційними потоками автономних транспортних засобів в IoV-мережі розумного міста за рахунок розробки телекомунікаційної моделі IoV-мережі та методів автоматичної оцінки поточного QoS-стану сегментів мережі, їх просторово-часового прогнозування та пошуку оптимального маршруту обслуговування на основі модифікованого алгоритму A, що забезпечують скорочення часу реакції системи на зміну інформаційного навантаження та зменшення обчислювальних витрат при маршрутизації. Для досягнення мети у дисертації поставлено та вирішено сім задач: проведено аналіз архітектури IoV-мереж та особливостей формування інформаційних потоків; досліджено обмеження існуючих методів оцінки стану інформаційного навантаження; розроблено телекомунікаційну модель IoV-мережі; розроблено метод адаптивної оцінки стану; розроблено метод просторово-часового прогнозування та удосконалено метод пошуку оптимального маршруту; створено програмний комплекс та проведено експериментальні дослідження на імітаційному стенді IoV-мережі м. Ірпінь та наборі даних METR-LA. Об’єктом дослідження є процеси формування, передавання та управління інформаційними потоками автономних транспортних засобів в інформаційно-комунікаційній IoV-мережі розумного міста. Предметом дослідження є методи адаптивної оцінки стану, просторово-часового прогнозування та реактивно-проактивної маршрутизації інформаційних потоків у часозалежній IoV-мережі. Для розв’язання поставлених задач застосовано методи теорії графів для побудови часозалежної моделі IoV-мережі та реалізації алгоритмів пошуку шляху; методи машинного навчання та штучних нейронних мереж для просторово-часового прогнозування показника стану інформаційного потоку; методи теорії нечітких множин для формування адаптивної оцінки; методи імітаційного моделювання для побудови експериментального стенду IoV-мережі на основі реальної топології та синтетичних інформаційних потоків; методи інженерії програмного забезпечення для створення мікросервісної архітектури та структур даних в оперативній пам’яті. Експериментальну перевірку виконано у двох різних, але взаємопов’язаних середовищах. Перше — імітаційний стенд IoV-мережі м. Ірпінь, побудований за реальною топологією дорожнього графа та синтетичними сценаріями навантаження. Він призначений для дослідження локальних перевантажень, інцидентів і пікової інтенсивності. Друге — еталонний набір даних METR-LA, що дає змогу зіставити результати із сучасними роботами у галузі просторово-часового прогнозування. Програмну реалізацію виконано як мікросервісну систему з Apache Kafka, CSR-графом в оперативній пам’яті, сервісом TGNN-прогнозування та сервісом маршрутизації реального часу. Експериментальні результати підтвердили ефективність розроблених методів. Метод адаптивної оцінки стану інформаційних потоків демонструє зростання помилки лише у 1,2 рази при масових сплесках навантаження проти 2,7 рази для ковзного вікна, а на бенчмарку METR-LA — час реакції близько 9 с проти 171 с та шумостійкість +10% при 𝜎 = 3 mph. Компактна модель TGNN містить лише 205 тис. параметрів, що на 32% менше, ніж у DCRNN, і забезпечує 24% виграш за MAE (2,10 проти 2,77 mph). У наборі METR-LA ця метрика вимірюється в милях на годину, а швидкість 𝑣𝑠𝑒𝑔 виступає фізичним індикатором стану інформаційного навантаження сегмента. Метод пошуку оптимального шляху скорочує простір пошуку на 56–68% при емпірично зафіксованій втраті оптимальності не більше 0,00–0,08%. Навантажувальне тестування (583 повід./с, 363 000 повідомлень) показало, що програмний комплекс обробляє 96,6% потоку із затримкою 1,19 мс, тоді як підхід на основі повного перерахунку з БД обробляє лише 27,2%. Наукова новизна одержаних результатів полягає в тому, що: 1. Вперше розроблено телекомунікаційну модель IoV-мережі у вигляді часозалежного зваженого орієнтованого графа, в якій, на відміну від класичних графових моделей маршрутизації, вага ребра визначається як час обслуговування інформаційного потоку на сегменті та формується на основі вимірюваних QoS-індикаторів стану сегмента, що забезпечує формальну основу для задачі маршрутизації інформаційних потоків з урахуванням динаміки телекомунікаційного навантаження; 2. Отримало подальшого розвитку метод адаптивної оцінки стану інформаційних потоків на сегментах IoV-мережі автономних транспортних засобів, в якому, на відміну від традиційних підходів з експертним заданням бази нечітких знань, реалізовано автоматичне формування бази правил за результатами кластеризації QoS-стану сегментів з використанням метрик Махаланобіса та коефіцієнта Бхаттачар’ї і нечіткого висновку Такагі–Сугено, що забезпечує миттєву реакцію на зміну інтенсивності інформаційних потоків без участі експерта; 3. Удосконалено метод пошуку оптимального маршруту обслуговування інформаційних потоків на основі алгоритму A за рахунок використання часозалежної прогнозної евристики на основі розробленого методу прогнозування, що оцінює очікуваний QoS-стан сегментів на момент проходження через них інформаційного потоку, що забезпечує суттєве скорочення простору пошуку при збереженні оптимальності маршруту та виконання пошуку в межах часових обмежень, визначених стандартами ETSI ITS. Практичне значення одержаних результатів полягає у створенні програмного комплексу управління інформаційними потоками в IoVмережі на основі Apache Kafka, In-Memory CSR-графа, сервісів адаптивної оцінки, TGNN-прогнозування та пошуку оптимального шляху. Розроблені методи й програмні засоби можуть бути використані для задач обробки високочастотної телеметрії та підтримки рішень у реальному часі.
dc.description.abstractother	A.V. Liashenko Models and Methods of Adaptive Routing in Transport IoT Networks. – Qualifying scientific work on manuscript rights. Thesis for the degree of Doctor of Philosophy in specialty 172 – Telecommunications and Radio Engineering. – Educational and Scientific Institute of Telecommunication Systems of Igor Sikorsky KPI, Kyiv, 2026. The dissertation addresses an urgent scientific and practical problem of managing information flows of autonomous vehicles in a smart-city Internet of Vehicles (IoV) network. The developed methods provide adaptive estimation of the current QoS state of each network segment, spatio-temporal forecasting of information load, and routing of information flows generated by mobile IoT sources and served by IoV infrastructure. The problem statement is driven by the spatial and temporal unevenness of information load in IoV networks. During peak hours, the concentration of connected vehicles on specific network segments causes a sharp growth of V2X messages, telemetry packets, and sensor-data streams, while other segments remain moderately loaded. This load is non-stationary, noisy, and propagates through adjacent edges of the graph. Therefore, efficient operation of the network requires adaptive estimation of the current state of information flows, forecasting of future load distribution, and search for an optimal service path. The analysis of existing approaches showed that batch processing, sliding-window methods, and EMA with a fixed smoothing coefficient do not provide the required balance between noise suppression and fast response to bursts of information load. Static path-search algorithms ignore the future state of network segments, while forecasting models without graph topology cannot represent load propagation between neighboring edges. Industrial solutions do not explicitly synchronize reactive estimation with proactive forecasting of future network conditions. Thus, the problem of adaptive routing of information flows under dynamically changing QoS state of IoV network segments is relevant, requiring new models and methods capable of simultaneously estimating the current channel state, forecasting its change, and making routing decisions within the time constraints defined by ETSI ITS standards. In the dissertation, the problem is formalized as a time-dependent weighted IoV network in which vertices represent telecommunication infrastructure nodes (RSU, gNB, cloud aggregators), whereas edges correspond to data-transfer segments between adjacent nodes. The edge weight is defined as the service time of the information flow on the segment — that is, the time an OBU spends in the zone of active V2X data generation — and is formed on the basis of measurable QoS indicators of the segment state. Such a representation makes it possible to combine reactive state updating from streaming measurements with future-load forecasting and route selection for information-flow servicing. The dissertation develops a telecommunication model of the IoV network and two interconnected methods. The telecommunication model of the IoV network represents the infrastructure as a time-dependent weighted directed graph 𝐺𝑇 = (𝑉 , 𝐸, 𝑊, 𝑇 ), in which the edge weight is defined as the service time of the information flow on the segment and is formed on the basis of measurable QoS indicators of the segment state — the channel capacity coefficient 𝜂, the channel load coefficient 𝐿, and the channel load change coefficient 𝜏. The first method is the method of adaptive state estimation of information flows on IoV network segments. In this method, the smoothing coefficient 𝛼 is determined automatically from clustering results of the QoS state of segments in the three-dimensional feature space (𝜂, 𝐿, 𝜏). The method uses batch-incremental clustering, Mahalanobis distance, the Bhattacharyya coefficient, and Takagi–Sugeno fuzzy inference to build the knowledge base automatically and to switch between stable noise filtering and immediate reaction to load bursts. The second method is the method of spatio-temporal forecasting of information load on IoV network segments and optimal service route search. Forecasting is implemented using a graph neural network with Diffusion Convolution and GRU blocks that account for network topology and inter-segment correlations. The forecast is used as a time-dependent heuristic for the A* algorithm that evaluates the expected QoS state of segments at the moment of flow passage through them, providing significant reduction of the search space while preserving route optimality. The developed model and methods form a unified data-processing loop: the telecommunication model provides the time-dependent graph; the adaptive estimation method produces a smoothed reactive estimate of the current QoS state; the forecasting method generates a short-term load forecast; and the A* algorithm with the time-dependent heuristic determines the route with the minimum expected total service time. As a result, decisions are made not from a single noisy measurement but from a consistent reactive-predictive estimate of IoV-network state. The aim of the dissertation is to improve the efficiency of information flow management for autonomous vehicles in a smart-city IoV network by developing a telecommunication model of the IoV network and methods for automatic estimation of the current QoS state of network segments, their spatio-temporal forecasting, and optimal service route search based on a modified A* algorithm, providing reduced system reaction time to changes in information load and lower computational cost of routing. The dissertation solves seven tasks: analysis of IoV architecture and information-flow formation; identification of limitations of existing state-estimation methods; development of the telecommunication model of the IoV network; development of the adaptive estimation method; development of the TGNN-based forecasting method and improvement of the optimal-path search method; and implementation plus experimental validation on the Irpin IoV network simulation testbed and the METR-LA benchmark. The object of research is the processes of formation, transmission, and management of information flows of autonomous vehicles in a smart-city information and communication IoV network. The subject of research is methods of adaptive state estimation, spatio-temporal forecasting, and reactive-proactive routing of information flows in a time-dependent IoV network. To solve the stated tasks, the work applies graph-theory methods for time-dependent IoV network modelling and path-search algorithms; machine learning and neural-network methods for spatio-temporal prediction of information flow state indicators; fuzzy-set methods for adaptive state estimation; simulation methods for building an experimental IoV network testbed based on real topology and synthetic information flows; and software-engineering methods for microservice architecture and in-memory data structures. Experimental validation was conducted in two complementary environments. The first one is the Irpin IoV network simulation testbed, built from the real road-graph topology and synthetic load scenarios and intended for studying local overloads, incidents, and peak-intensity scenarios. The second one is the benchmark METR-LA dataset, which enables direct comparison with modern spatio-temporal forecasting studies. The software implementation was developed as a microservice system based on Apache Kafka, an in-memory CSR graph, a TGNN forecasting service, and a routing service operating in real time. Experimental results confirm the effectiveness of the proposed methods. The adaptive state-estimation method increases its error only by 1.2 times during mass load bursts versus 2.7 times for the sliding-window baseline, and on the METR-LA benchmark the reaction time is about 9 s versus 171 s. The compact TGNN model has only 205 k parameters, which is 32% fewer than DCRNN, and improves MAE by 24% (2.10 vs 2.77 mph). The optimal-path search method reduces the search space by 56–68% with empirically observed optimality loss not exceeding 0.00–0.08%. Under a high-intensity stream (583 msg/s, 363,000 messages), the software complex processes 96.6% of the flow with 1.19 ms latency, whereas the full DB recalculation approach processes only 27.2%. The obtained results show that the practical effect of the proposed approach lies not only in reducing estimation error and shrinking the search space, but also in improving the stability of IoV-system operation in real time. Faster reaction to load bursts makes it possible to detect the risk of segment overload earlier, while reducing the number of expanded vertices lowers computational costs under mass request servicing. Therefore, the proposed solutions are applicable to decision-support services, urban mobility monitoring platforms, and streaming telemetry management systems for connected and autonomous vehicles. The scientific novelty of the obtained results consists in the following: 1. for the first time, a telecommunication model of the IoV network in the form of a time-dependent weighted directed graph has been developed, in which, unlike classical graph routing models, the edge weight is defined as the service time of the information flow on the segment and is formed on the basis of measurable QoS indicators of the segment state, providing a formal basis for the problem of routing information flows with account for telecommunication load dynamics; 2. the method of adaptive state estimation of information flows on IoV network segments of autonomous vehicles has been further developed, in which, unlike traditional approaches with expert-defined fuzzy knowledge bases, automatic generation of the rule base is implemented from clustering results of the QoS state of segments using Mahalanobis distance, the Bhattacharyya coefficient, and Takagi–Sugeno fuzzy inference, ensuring immediate response to changes in information flow intensity without expert involvement; 3. the method of optimal service route search for information flows based on the A* algorithm has been improved by using a time-dependent predictive heuristic based on the developed forecasting method that evaluates the expected QoS state of segments at the moment of flow passage through them, ensuring significant reduction of the search space while preserving route optimality and search execution within time constraints defined by ETSI ITS standards. The practical significance of the results lies in the creation of a software complex for information-flow management in an IoV network based on Apache Kafka, an in-memory CSR graph, adaptive estimation services, TGNN forecasting, and optimal path search. The developed methods and software tools can be used for high-frequency telemetry processing and real-time decision support. From the viewpoint of telecommunication-system design, the proposed approach is important because it transforms heterogeneous V2X telemetry, service messages, and sensor reports into a unified state representation that can be used for online control. This reduces the semantic gap between data acquisition, stream processing, forecasting, and routing decisions. In contrast to isolated optimization modules, the developed solution preserves continuity between monitoring and control layers and thereby supports more reliable operation of IoV services under rapidly changing urban conditions. Another important result is the reproducibility and transferability of the developed solution. The software complex was implemented as a modular set of interoperable services with explicit data contracts and can be adapted to different city topologies, traffic densities, and deployment scales without changing the core logic of the proposed methods. This creates the basis for further application of the obtained results in urban mobility platforms, trafficmanagement centers, and intelligent transport telematics services that require stable real-time processing of distributed telemetry.
dc.format.extent	209 с.
dc.identifier.citation	Ляшенко, А. В. Моделі та методи адаптивної маршрутизації в транспортних IoT мережах : дис. … д-ра філософії : 172 Телекомунікації та радіотехніка / Ляшенко Андрій Володимирович. – Київ, 2026. – 209 с.
dc.identifier.uri	https://ela.kpi.ua/handle/123456789/82782
dc.language.iso	uk
dc.publisher	КПІ ім. Ігоря Сікорського
dc.publisher.place	Київ
dc.subject	інтернет речей (IoT)
dc.subject	internet of vehicles (IoV)
dc.subject	адаптивна маршрутизація
dc.subject	нейронні мережі
dc.subject	нечітка логіка
dc.subject	телекомунікаційні мережі
dc.subject	управління інформаційними потоками
dc.subject	імітаційне моделювання
dc.subject	просторово-часове прогнозування
dc.subject	розумне місто
dc.subject	internet of things (IoT)
dc.subject	adaptive routing
dc.subject	neural networks
dc.subject	fuzzy logic
dc.subject	telecommunication networks
dc.subject	information flow management
dc.subject	simulation
dc.subject	spatio-temporal forecasting
dc.subject	smart city
dc.subject.udc	004.75
dc.title	Моделі та методи адаптивної маршрутизації в транспортних IoT мережах
dc.title.alternative	Models and Methods of Adaptive Routing in Transport IoT Networks
dc.type	Thesis Doctoral

Файли

Контейнер файлів

Зараз показуємо 1 - 1 з 1

Назва:: Liashenko_dys.pdf
Розмір:: 23.41 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 (ІТТ)
Дисертації (вільний доступ)