Е.В. Глушак1, Д.С. Клюев2

1, 2 ФГБОУ ВО «Поволжский государственный университет телекоммуникаций и информатики» (ПГУТИ) (г. Самара, Россия)
1 evglushak@yandex.ru, 2 klyuevd@yandex.ru

Постановка проблемы. В последнее время стала актуальной проблема эффективного управления маршрутизацией потоков трафика в сетях Интернета вещей, где данные могут обрабатываться как на туманном уровне, так и в облаке. С ростом числа IoT-устройств и объёмов, генерируемых ими данных, возникает необходимость оптимального распределения нагрузки между этими уровнями обработки для обеспечения минимальных задержек, эффективного использования вычислительных ресурсов и снижения энергопотребления. Без автоматического управления маршрутизацией существует риск перегрузки облачных ресурсов, увеличения времени отклика и нерационального расхода энергии, что негативно сказывается на качестве обслуживания и надёжности системы.

Цель. Разработать математическую модель и алгоритм автоматического управления маршрутизацией трафика между туманными узлами и облаком, позволяющего оптимизировать ключевые параметры системы, такие как задержка передачи и обработки данных, нагрузка на вычислительные узлы и энергопотребление.

Результаты. Сформулирована задача оптимизации, учитывающая ограничения по вычислительной мощности узлов и требования к качеству обслуживания, и предложен метод её решения с помощью численных методов линейного программирования. Получены алгоритмы, позволяющие адаптивно перераспределять трафик в зависимости от текущих условий сети и нагрузки, что обеспечивает более эффективное функционирование IoT-систем. Установлено, что при использовании разработанного метода автоматического управления маршрутизацией в IoT-сети суммарная задержка передачи и обработки данных снизилась примерно на 25% по сравнению с равномерным распределением трафика, при этом средняя нагрузка на облачные ресурсы уменьшилась более чем вдвое (примерно на 57%), что снижает риск перегрузок и позволяет значительно экономить на облачных вычислениях. В то же время загрузка туманных узлов выросла в среднем на 20–30%, что иллюстрирует более эффективное использование вычислительных мощностей на границе сети. Отмечено, что за счёт сокращения объёмов передачи данных в облако общее энергопотребление системы удалось снизить на 15–20%.

Практическая значимость. Рассмотренные методы можно внедрять в реальные IoT-сети для повышения их производительности, надёжности и энергоэффективности. Автоматическое управление маршрутизацией позволяет операторам сетей динамически адаптироваться к изменяющимся условиям, снижать задержки в критичных приложениях, таких как умные города, промышленный мониторинг и здравоохранение, а также оптимизировать использование дорогостоящих облачных ресурсов. Разработанные модель и алгоритм способствует развитию масштабируемых и устойчивых IoT-инфраструктур, позволяющих эффективно обрабатывать большие объёмы данных в реальном времени.

Глушак Е.В., Клюев Д.С. Разработка метода маршрутизации на основе автоматического управления потоками трафика между облачными и туманными уровнями обработки в сетях Интернета вещей // Динамика сложных систем. 2026. Т. 20. № 3.
С. 40−47. DOI: 10.18127/j19997493-202603-04

1. Глушак Е.В., Клюев Д.С., Воловач В.И. Анализ распределения задач в системе облачных и туманных вычислений // T-Comm: Телекоммуникации и транспорт. 2025. Т. 19. № 7. С. 25–33.
2. Глушак Е.В., Клюев Д.С. Разработка и исследование моделей функционирования облачных и туманных вычислений // Радиотехника. 2025. Т. 89. № 3. С. 157–168. https://doi.org/10.18127/j00338486-202503-14
3. Глушак Е.В. Разработка и исследование имитационных моделей облачных и туманных вычислений в программе Fogtorch // Радиотехника. 2025. Т. 89. № 8. С. 96–104. DOI: https://doi.org/10.18127/j00338486-202508-12
4. Yermakov S.G., Khalil M.M., Khomonenko A.D., Bukharova K.A. Evaluating the efficiency of fog computingon the internet of things using a Non-Markov model // T-Comm. 2022. V. 16. № 12. P. 46–52.
5. Магжанова А.Т. Применение облачных технологий для реализации решений Интернета вещей // Современные инновации. 2016. № 7 (9). С. 30–34.
6. Forrest W. The Impact of Cloud Computing on Data Centers // McKinsey Quarterly. 2023. № 2. С. 25–32.
7. Мурашкин И.Н. Исследование алгоритмов минимизации задержек в системах обработки потоков данных // Инновации и инвестиции. 2025. № 4. С. 356–359.
8. Тарасов В.Н. Спектральное разложение для модели задержки на основе СМО с эрланговским и гиперэкспоненциальным распределениями // Физика волновых процессов и радиотехнические системы. 2022. Т. 25. № 3. С. 24–28.
9. Дараселия А.В. Модели и анализ показателей эффективности механизмов выгрузки трафика в гетерогенных беспроводных сетях. Автореферат дисс. к.ф.-м.н. по специальности 1.2.3 – Теоретическая информатика, кибернетика. Москва. 2022. 106 с.
10. Arora U., Singh N. IoT application modules placement in heterogeneous fog–cloud infrastructure // International Journal of Information Technology (Singapore). 2021. V. 13. № 5. P. 1975–1982.
11. Волков А.Н. Разработка и исследование комплекса моделей и методов построения сетей связи на основе туманных вычислений и предоставления услуг телеприсутствия. Автореферат дисс. д.т.н. – 2.2.15. Системы, сети и устройства телекоммуникаций… СПб., 2024. 54 с.
12. Глушак Е.В. Облачные и туманные вычисления: архитектура, моделирование, применение: Монография. Вологда-М.: ООО «Инфра-Инженерия». 2025. 180 с.
13. Теория автоматического управления / Под ред. В.Б. Яковлева. М.: Высшая школа. 2009. 568 с.