Е.А. Кобец1

1 ФГБОУ ВО «Балтийский государственные технический университет «ВОЕНМЕХ» им. Д.Ф. Устинова» (Санкт-Петербург, Россия)

1 www.kobets@yandex.com

Постановка проблемы. В работе исследована проблема определения роли и места «гибкого алгоритма» в Сети [8, 9], в отдельной «автономной системе» (АС/AS) (см. рис. 1), путём применения разных теорий, а также логического (и обратного логического) моделирования, применения топологий, числовой размерности на примере выбора метрик наилучшего пути «гибким алгоритмом» в Сети). Проблема связана с определением того, что обеспечивает и улучшает гибкий алгоритм в отдельно взятой системе (Для чего необходим? Какими функциями обладает? На основании каких стандартов осуществляет свою деятельность?). «Сеть» в контексте компании Cisco [8] взаимодействует с работой отдельных инструментов/решений, взаимосвязанных устройств, сетевого оборудования, программного обеспечения, разных решений для построения, управления и защиты типов, компонентов, архитектурных моделей Сети(ей) (например, архитектура цифровых сетей Cisco Digital Network Architecture (DNA) включает в себя инструменты, функции, а также аппаратные и программные решения).

Для подтверждения актуальности проблемы показаны роли и места «гибких алгоритмов» в Науке; результаты на примере области научного знания Трансляционных (информационно-коммуникационных) технологий (ТИКТ); работа цифровых решений/инструментов [8, 9], включающих в себя протоколы маршрутизации и «гибкий алгоритм(ы)». Отдельно продемонстрирована работа решения на примере компании Cisco [8] – это сделано для достижения целей в области научного знания Информационно-измерительных и управляющих систем (ИИУС). Расширена проблема разных разрозненных, разнородных, разнообразных данных [1] на основании «гетерогенности» [28] во взаимосвязи с «семиотикой» [29] в решении задач «классификации» для обеспечения «гибкости» (см. рис. 1 и 4) при выборе разных наборов данных и обращении к разным контекстам: системному и цифровому.

Цель. В Сети, как области научного знания, поставлено несколько целей: сформировать понимание отдельных принципов работы по каждому элементу (например, протоколов: Exterior Gateway Protocol (EGP), Interior Gateway Protocol (IGP) и «гибкого алгоритма» (см. рис. 1 и 2, табл. 1)); осучествить ликвидацию объёмов незнания и создание нового знания (см. рис. 1, 2 и 4).

Для гибких методов управления проектами (ГМУП), как области научного знания, определена цель: при обращении к междисциплинарному подходу продемонстрировать объем работ при разработке гибкого(их) алгоритма(ов) для ГМУП на основании стандартов/руководств и функций при их внедрении в работу (см. рис. 4), а также взаимосвязь нескольких областей научного знания (Сеть, ГМУП) при разработке отдельного инженерного решения/инструмента, например, для ИИУС (см. рис. 4; Сеть, ГМУП).

Результаты. На примере использования разных теорий в нескольких областях научного знания, а также при обращении к разным методологиям, механикам, методам и междисциплинарному подходу, раскрыты концептуальные вопросы развития и использования ГМУП в задачах моделирования (например, логического) сложных информационно-измерительных и управляющих систем. Приведены примеры реализации работ при выборе механики «множественных итераций» ГМУП, а также выбора метрик наилучшего пути «гибким алгоритмом» в Сети.

Выполнен этап (обратного) логического моделирования и заложены перспективные горизонты развития темы в нескольких областях научного знания (например, ГМУП, Сеть, ИИУС, методология, метрология, стандартизация).

Представлены результаты в рамках: 1) примера работы «гибкого алгоритма» в Сети на примере топологии(ий); а) показаны выбор метрик наилучшего пути гибким алгоритмом, числовая размерность, (под)уровни систем(ы), иерархическая (со)подчиненность (под)множеств и в (под)множествах; б) исследованы «исходные значения» (протоколов EGP, IGP) и приведён пример обеспечения «транспортных характеристик»; в) продемонстрирована работа протоколов маршрутизации (EGP, IGP) и «гибкого алгоритма» на основании принципиальной схемы работы (см. рис. 1); г) показаны исполняемые функции (EGP, IGP, гибкого алгоритма): идентификация, фильтрация, визуализация; д) рассмотрен этап логического моделирования: обратное логическое моделирование (реверс инжиниринг); 2) примера работы гибкого алгоритма (например, «The ability to visualize Flexible Algorithm topologies provides an important tool to help you deploy, maintain, and verify that the configured Flexible Algorithm intent is realized in your network.» / «Возможность визуализации топологий гибкого алгоритма предоставляет важный инструмент, который поможет вам развертывать, поддерживать и проверять, что настроенный гибкий алгоритм реализуется в вашей сети» [8]). Также представлена аналитика в области машинного обучения (machine learning, ML) и по применению разделов ML для космических исследований, дано обоснование применения, приведены актуальные работы [13–25; 28; 31–34]. Доказано, что гибкий алгоритм способен выполнять функции в рамках задач по «самообучению» и «обогащению» [28] (например, «Цель состоит в том, чтобы обогатить набор данных большим количеством выборок» [28]) системы новыми «качественными и связанными» данными и знаниями, посредством «поиска» [8]; 3) визуализации данных: приведено (см. рис. 1 и 4) техническое описание отдельных возможностей работы «гибкого алгоритма» [8] для Сети; дано логическое описание возможностей работы «гибкого алгоритма» (см. рис. 4; [6, 7]) для ГМУП; 4) методологического применения моделирования: а) отражены технические характеристики (EGP, IGP), такие как максимальные надёжность/reliability, задержка/delay, пропускная способность канала / throughput//bandwidth of a channel при минимальной цене затрат/monetary cost, которые необходимы для разработки конфигурации топологий при работе разных протоколов в Сети, а не только EGP, IGP; б) (для моделирования) отражено использование «гетерогенности», «гетерогенности отдельно изучаемой системы и/или среды», «семиотики», «контекста», «визуализации данных гибким алгоритмом», «уточнения и спецификации» для «качественных и связанных данных, «междисциплинарного подхода»; 5) использования топологий разработан основной элементный состав формул математической логики для механики «множественных итераций» ГМУП.

Практическая значимость. Дано точное представление и пояснение о порядке работы протоколов EGP, IGP, гибкого алгоритма, транспортных характеристиках. Представлены отдельные инструменты/решения, разрабатываемые и внедряемые на «основе гибкого алгоритма, которые способны визуализировать подмножество сети и обеспечить определенный набор транспортных характеристик» («<…> based on Flexible Algorithm and visualize the subset of the network that is capable of providing a specific set of transport characteristics» [8]). Показано соотношение «сложность / объёмы работ» при создании гибких алгоритмов ГМУП для целей ИИУС.

Кобец Е.А. Развитие и использование гибких методов управления проектами в задачах моделирования сложных информационно-измерительных и управляющих систем. Часть 2. «Гибкие алгоритмы» в Сети( // Успехи современной радиоэлектроники. 2026. Т. 80. № 9. С. 39−61. DOI: https://doi.org/10.18127/j20700784-202609-04

1. Евсеев В.И., Кобец Е.А., Колачёв И.О. Концепция использования гибких методов управления проектами применительно к транспондерам как информационно-измерительным и управляющим системам в задачах дистанционного зондирования Земли. Часть 1: разработка и моделирование» // Информационно-измерительные и управляющие системы. 2025. Т. 23. № 6. С. 5–33. DOI: 10.18127/j20700814-202506-01
2. Евсеев В.И., Кобец Е.А., Страхов С.Ю. Концепция использования гибких методов управления проектами применительно к транспондерам как информационно-измерительным и управляющим системам в задачах дистанционного зондирования Земли. Часть 2: алгоритмизация и реализация» // Информационно-измерительные и управляющие системы. 2025. Т. 23. № 6. С. 34–49. DOI: 10.18127/j20700814-202506-02
3. Евсеев В.И., Кобец Е.А. Алгоритм проектирования и модель сервера для реализации концепции использования гибких методов управления проектами применительно к разработке информационно-измерительной и управляющей системы // Всерос. научно-практ. конф., посвящённая памяти выдающихся отечественных учёных и конструкторов, космонавтов, создателей и испытателей космической техники «Чтения имени Г.С. Титова» – 2025. Сб. трудов. Том VI. URL: https://www.elibrary.ru/item.asp?id=89137015&pff=1. URL: https://www.elibrary.ru/item.asp?id=89136961 (дата обращения: 20.04.2026).
4. Евсеев В.И., Кобец Е.А. Концепция использования гибких методов управления проектами применительно к разработке информационно-измерительной и управляющей системы // Сб. трудов Х НПК 5-го научного отделения РАРАН «Радиоэлектронное и ракетное вооружение ВМФ: взгляд в будущее». 2025.
5. Евсеев В.И., Кобец Е.А. Научно-исследовательский проект на основе работы с архивами и фондами музея в процессе профориентации и дополнительного профобразования молодёжи // VII Всерос. научно-практ. конф. «Чтения памяти академика В.П. Глушко». URL: https://www.spbmuseum.ru/for-specialists/conferences/56197/?lang_ui=ru (дата обращения: 22.03.2026) // ВОЕНМЕХ. Вестник Балтийского государственного технического университета. 2025. № S5(24). С. 45–49. URL: https://www.elibrary.ru/item.asp?id=86578057 (дата обращения: 01.02.2026).
6. Sutherland J., Schwaber K. Scrum Guides // Home | Scrum Guides. URL: https://scrumguides.org/ (дата обращения: 22.03.2026).
7. Kanban Guide // Kanban Guide for Scrum Teams | Scrum.org – URL: https://www.scrum.org/resources/kanban-guide-scrum-teams (дата обращения: 22.03.2026).
8. Flexible Algorithms // Cisco. URL: https://www.cisco.com/c/en/us/td/docs/cloud-systems-management/crosswork-optimization-engine/5-0/UG/b_cisco-crosswork-coe-5_0/m2-flexible-algorithms.pdf (дата обращения: 22.03.2026).
9. Flexible Algorithm Technology WhitePaper-6W100//H3C. URL: https://www.h3c.com/en/Support/Resource_Center/EN/Home/Public/00-Public/Technical_Documents/Technology_Literature/Technology_White_Papers/H3C_WP-18620/ (дата обращения: 22.03.2026).
10. Internet Engineering Task Force, IETF. URL: https://www.ietf.org/ (дата обращения: 22.03.2026). IETF. Introduction. URL: https://www.ietf.org/about/introduction/ (дата обращения: 22.03.2026).
11. Internet Engineering Task Force, IETF: AS Path Prepending: draft-ietf-grow-as-path-prepending-17 (Active Internet-Draft; last updated: 2025-10-17). URL: https://datatracker.ietf.org/doc/draft-ietf-grow-as-path-prepending/ (дата обращения: 22.03.2026).
12. Internet Engineering Task Force, IETF: A Border Gateway Protocol 4 (BGP-4): draft-ietf-idr-bgp4-rfc4271bis-00 (Active Internet-Draft; last updated: 2025-10-17). URL: https://datatracker.ietf.org/doc/draft-ietf-idr-bgp4-rfc4271bis/ (дата обращения: 22.03.2026).
13. Nasim Sadra, Mohammad Reza Nikoo, Rouzbeh Nazari, Maryam Karimi, Md Galal Uddin & Amir H. Gandomi (06 January 2026) Machine learning analysis of Iran’s wildfire landscape and anthropogenic influences. // Sci Rep 16. Article number: 659 (2026). https://doi.org/10.1038/s41598-025-22387-3. URL: https://www.nature.com/articles/s41598-025-22387-3 (дата обращения: 24.03.2026).
14. Shelke A., Yadav M., Saxena A.C. (2026). AI and Social IoT for Autonomous Space Missions and Exoplanet Discovery. In: Kumar R., Moreira F. (eds) // Social Internet of Things (SIoT) and Machine Learning—Enhancing Interconnectivity and Intelligence. Information Systems Engineering and Management, vol 75; pp 275–315. Springer, Cham. https://doi.org/10.1007/978-3-032-10122-8_14. URL: https://link.springer.com/chapter/10.1007/978-3-032-10122-8_14 (дата обращения: 24.03.2026).
15. Mark Moussa, Amber V. Young, Brianna Isola, Vasuda Trehan, Michael D. Himes, Nicholas Wogan, Giada Arney (2026) Life, Machine Learning, and the Search for Habitability: Predicting Biosignature Fluxes for the Habitable Worlds Observatory – Arxiv.org, Computer Science. Machine Learning. https://doi.org/10.48550/arXiv.2601.12557. URL: https://arxiv.org/pdf/2601.12557 (дата обращения: 24.03.2026).
16. Hafssa Naciri, Nizar Ben Achhab, Fatima Ezahrae Ezzaher, Naoufal Raissouni & Abdelilah Azyat (2026. Deep Learning Time Series Forecasting Using LST MODIS Data: Hyperparameter Optimization. In: Hassan Badir, Mohamed Tabaa, Ladjel Bellatreche, Marjan Mernik, Boualem Benatallah, Rachida Fissoune (eds) // New Technologies, Artificial Intelligence and Smart Data. INTIS 2024. Communications in Computer and Information Science, vol 2645; pp 80–93. Springer, Cham. https://doi.org/10.1007/978-3-032-14964-0_7. URL: https://link.springer.com/chapter/10.1007/978-3-032-14964-0_7 (дата обращения: 24.03.2026).
17. Maria C. Moreno, Brayan Daniel Sarmiento, John C. Moreno & Oscar J. Suarez (2026). Time-Series Forecasting of Solar Irradiance for Resilient Microgrids in Wayuu Communities Using NASA POWER Data. In: Hemachandran Kannan, Raul Villamarin Rodriguez, Manjeet Rege, Vincenzo Piuri, Abejide AdeIbijola, Miguel López González de León, Imed Ben Dhaou // Artificial Intelligence and Knowledge Processing. AIKP 2025. Communications in Computer and Information Science, vol 2804; pp 147–159. Springer, Cham. https://doi.org/10.1007/978-3-032-14706-6_12. URL: https://link.springer.com/chapter/10.1007/978-3-032-14706-6_12 (дата обращения: 24.03.2026).
18. Pradip Paithane. Asteroid and space debris detection collision prediction, and orbit visualization using deep learning and NASA APIs // Journal of Space Safety Engineering. 2026. V. 13. Iss. 1. P. 212–221. https://doi.org/10.1016/j.jsse.2026.01.001. URL: https://www.sciencedirect.com/science/article/abs/pii/S2468896726000017 (дата обращения: 24.03.2026).
19. Yajvan Ravan, Aref Malek, Chester Dolph and Nikhil Behari (2026) Real-Time Wildfire Localization on the NASA Autonomous Modular Sensor Using Deep Learning // AIAA SCITECH 2026 Forum, Orlando, FL. https://doi.org/10.2514/6.2026-2888 URL: https://arc.aiaa.org/doi/epdf/10.2514/6.2026-2888 (дата обращения: 24.03.2026).
20. Mohammad Valipour, Aaron Brown. Forecasting streamflow in Colorado by deep learning and NASA satellite remote sensing // Journal of Applied Water Engineering and Research. 2026. 1–37. https://doi.org/10.1080/23249676.2025.2606420. URL: https://www.tandfonline.com/doi/abs/10.1080/23249676.2025.2606420 (дата обращения: 24.03.2026).
21. Ruchika Aggarwal, Kamaljit Kaur (2026) Machine Learning Approaches in Software Fault Prediction: A Review // Cureus Journal of Computer Science. A Review. Cureus J Comput Sci 3: es44389-026-00021-7. https://doi.org/10.7759/s44389-026-00021-7. URL: https://assets.cureusjournals.com/artifacts/upload/review_article/pdf/11375/20260129-470154-sbt3jl.pdf (дата обращения: 24.03.2026).
22. Oluwaseun Faloye, Grace Awotoye, Oluwadamilare Oluwasegun Eludire, Oluwatobi Solomon Olaleye, Ayoola Olamitomi Oluwadare, Oluwafemi E. Adeyeri, Laemthong Laokhongthavorn, Viroon Kamchoom (2026) Viroon KamchoomPerformance Evaluation of Machine Learning Algorithms for Estimating Reference Evapotranspiration Based on NASA Power Weather Data: A Case Study in Nigeria // Frontiers in Artificial Intelligence. Frontiers in Artificial Intelligence Al in Food, Agriculture and Water. URL: https://www.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2026.1801981/abstract#h1 (дата обращения: 24.03.2026).
23. Huihua Zhao, Rafael Cathomen, Lionel Gulich, Wei Liu, Efe Arda Ongan, Michael Lin, Shalin Jain, Soha Pouya, Yan Chang (2026) AGILE: A Comprehensive Workflow for Humanoid Loco-Manipulation Learning – Arxiv.org, Computer Science. Robotics. https://doi.org/10.48550/arXiv.2603.20147. URL: https://arxiv.org/abs/2603.20147 (дата обращения: 23.03.2026).
24. Jingyi Liu, Jian Guo, Eberhard Gill (2026) Visualizing Critic Match Loss Landscapes for Interpretation of Online Reinforcement Learning Control Algorithms – Arxiv.org, Computer Science. Machine Learning. https://doi.org/10.48550/arXiv.2603.14535 URL: https://arxiv.org/pdf/2603.14535 (дата обращения: 23.03.2026).
25. Juntang Yang, Mohamed Khalil Ben-Larbi (2025) Deep reinforcement learning-based spacecraft attitude control with pointing keep-out constraint – Arxiv.org, Electrical Engineering and Systems Science. Systems and Control. https://doi.org/10.48550/arXiv.2511.13746 URL: https://arxiv.org/abs/2511.13746 (дата обращения: 23.03.2026).
26. Complete iBGP with OSPF Underlay Configuration in Enterprise SONiC. VALIDATED NETWORK DESIGNS. January 12, 2026. The Solution of Kai Eder, Network Innovation Delivery Engineer (Text, Figures & Voice). URL: https://stordis.com/complete-ibgp-with-ospf-underlay-configuration/ (дата обращения: 22.03.2026).
27. «Об учёном незнании» [Электронный ресурс] // Николай Кузанский. Об учёном незнании (De docta ignorantia) – URL: http://www.theosophy.ru/lib/de_docta.htm (дата обращения: 22.03.2026).
28. CASAROLI A. "FELES: a federated learning simulator." – 2020. // Biblioteche e ArchiviPOLITesi – Archivio digitale delle tesi di laurea e di dottorato. Relatore: BARESI, LUCIANO. Correlatore/i: RASI, NICHOLAS. Scuola / Dip.: ING - Scuola di Ingegneria Industriale e dell'Informazione. Data: 28-apr-2022. Anno accademico: 2020/2021. Laurea Magistrale in Computer Science and Engineering – Ingegneria Industriale e dell’Informazione: https://hdl.handle.net/10589/185780. URL: https://www.politesi.polimi.it/handle/10589/185780#tab_default (дата обращения: 07.04.2026). URL: https://www.politesi.polimi.it/retrieve/0109aea1-d2b2-4c07-8482-c5631df369bf/2022_04_Casaroli.pdf (дата обращения: 07.04.2026).
29. Лотман Ю.М. Семиотика культуры труды по знаковым системам Х // Tartu Riikliku Ülikooli Toimetised. Ученые записки тартуского государственного университета. Acta et Commentationes Universitatis Tartuensis. ALUSTATUD 1893. a. VIHIK 463 выпуск. Основаны в 1893 г. «<…> «Мыслящая структура должна образовывать личность, т.е. интегрировать противоположные семиотические структуры в единое целое». <…> Очевидно, что та же самая система отношений, которая соединяет различные языки (семиотические структуры) в высшее единство, соединяет и различные индивидуальности в мыслящее целое. Совокупность этих двух – однотипных по структуре – механизмов и образует надындивидуальный интеллект – Культуру. <…> Установление семантической структуры модели мира требует кросс-жанровых описаний. <…>». URL: https://dspace.ut.ee/server/api/core/bitstreams/701ffa75-8a05-493a-b1f0-654d9ce43125/content (дата обращения: 11.04.2026).
30. Русский космизм: Н.Ф. Федоров, К.Э. Циолковский, В.И. Вернадский, А.Л. Чижевский / Под ред. А.Г. Гачевой, Б.И. Пружипипа, Т.Г. Шедрипой. М.: Политическая энциклопедия. 2022. 694 с.: ил. (Философия России первой половины ХХ века).
31. Федеративное (объединённое) обучение (Federated learning, FL), федеративный (объединённый) алгоритм FedAvg. H. Brendan McMahan, Eider Moore, Daniel Ramage, Seth Hampson, Blaise Agüera y Arcas (26 Jan 2023) Communication-Efficient Learning of Deep Networks from Decentralized Data – Arxiv.org, Computer Science. Machine Learning. https://doi.org/10.48550/arXiv.1602.05629 URL: https://arxiv.org/pdf/1602.05629 (дата обращения: 11.04.2026).
32. Федеративное (объединённое) обучение (Federated learning, FL), федеративный (объединённый) алгоритм TensorFlow Federated. TensorFlow Federated: Machine Learning on Decentralized Data. URL: https://www.tensorflow.org/federated (дата обращения: 11.04.2026).
33. Федеративное (объединённое) обучение (Federated learning, FL), федеративный (объединённый) алгоритм FedProx. Tian Li, Anit Kumar Sahu, Manzil Zaheer, Maziar Sanjabi, Ameet Talwalkar, Virginia Smith (21 Apr 2020) On the Convergence of Federated Optimization in Heterogeneous Networks – Arxiv.org, Computer Science. Machine Learning. https://doi.org/10.48550/arXiv.1812.06127. URL: http://arxiv.org/abs/1812.06127 (дата обращения: 11.04.2026).
34. Федеративное (объединённое) обучение (Federated learning, FL), федеративный (объединённый) алгоритм SCAFFOLD. Sai Praneeth Karimireddy, Satyen Kale, Mehryar Mohri, Sashank J. Reddi, Sebastian U. Stich, Ananda Theertha Suresh (9 Apr 2021) SCAFFOLD: Stochastic Controlled Averaging for On-Device Federated Learning – Arxiv.org, Computer Science. Machine Learning. https://doi.org/10.48550/arXiv.1910.06378. URL: http://arxiv.org/abs/1910.06378 (дата обращения: 11.04.2026).