Зменшення ймовірності відмови в системах масового обслуговування з обмеженою чергою із застосуванням пріоритезації за розміром та штучного інтелекту
DOI:
https://doi.org/10.30837/bi.2024.1(100).05Ключові слова:
МАСОВЕ ОБСЛУГОВУВАННЯ, ПРІОРИТЕТИ, ШТУЧНИЙ ІНТЕЛЕКТ, НАВЧАННЯ, ШТУЧНА НЕЙРОННА МЕРЕЖА, ЗАСТОСУВАННЯ НЕЙРОННИХ МЕРЕЖ, ПРИЙНЯТТЯ РІШЕНЬ, МОДЕЛЬ ПОВЕДІНКИ, АДАПТАЦІЯ, БАЛАНСУВАННЯ НАБОРІВ ДАНИХ, ЗАДАЧА КАТЕГОРІЗАЦІЇАнотація
Стаття присвячена збільшенню ефективності обробки заявок у багатоканальних системах масового облуговування з обмеженою чергою та відмовами у випадку її переповнення. Предметом даної статті є: методи та підходи до оптимізації обробки потоків заявок. Метою роботи є: запропонувати новий підхід до пріоритезації та балансування категорій вимог задля зменшення ймовірності відмови. Завдання статті полягає у: формулюванні досліджуваної системи масового обслуговування; визначенні джерела оптимізації; описі методу розбиття загального потоку вимог на категорії; переліку підходів до оцінки розмірів заявки; визначенні алгоритму обробки заявок із застосуванням пріоритезації за часом обробки; пропозиції рішення проблем оцінки навантаження та балансування пріоритетів із застосуванням штучного інтелекту. Використовуються такі методи: теорія масового обслуговування, UML діаграми, штучний інтелект. Було здобуто наступні результати: запропоновано підхід до зменшення ймовірності відмови в багатоканальних системах масового обслуговування з обмеженою чергою, за рахунок збільшення пріоритетів менших заявок; запропоновано методи оцінки складності вимог та розбиття загального потоку заявок на категорії згідно з їхнім розміром; Запропоновано підхід до балансування пріоритетів за допомогою штучного інтелекту.
Посилання
Newell G. Applications of queuing theory. Second edition. – 1982. – Chapman and Hall – P. 1-302.
Haenlein M., Kaplan A. A Brief History of Artificial Intelligence: On the Past, Present, and Future of Artificial Intelligence // California Management Review. – 2019. – №. 61(4). – P. 5-14.
Ложковський А. Теорія масового обслуговування в телекомунікаціях. – 2010. – Одеса: ОНАЗ ім. О. С. Попова – 112 c.
Литвинов А. Теорія систем масового обслуговування. – 2018. – Харків: ХНУМГ ім. О. М. Бекетова – 141 c.
Alotaibi F., Ullah. I, Ahmad S. Modeling and Performance Evaluation of Multi-Class Queuing System with QoS and Priority Constraints // Electronics. – 2021. – №. 10(4). – P. 500.
Beshley M., Kryvinska N., Beshley H., Yaremko O.; Pyrih J. Virtual Router Design and Modeling for Future Networks with QoS Guarantees // Electronics. – 2021. – №. 10(10). – P. 1139.
Vercellino C., Scionti A., Varavallo G., Viviani P., Vitali G., Terzo O. A Machine Learning Approach for an HPC Use Case: the Jobs Queuing Time Prediction // Future Generation Computer Systems. – 2023. – №. 143. – P. 215-230.
Malik S., Gupta K., Gupta D., Singh A., Ibrahim M., Ortega-Mansilla A., Goyal N., Hamam H. Intelligent Load-Balancing Framework for Fog-Enabled Communication in Healthcare // Electronics. – 2022. – №. 11(4). – P. 566.
Malik N., Sardaraz M., Tahir M., Shah B., Ali G., Moreira F. Energy-Efficient Load Balancing Algorithm for Workflow Scheduling in Cloud Data Centers Using Queuing and Thresholds // Applied Sciences. – 2021. – №. 11(13). – P. 5849.
Apachidi X., Katsman Yu. Development of a Queuing System with Dynamic Priorities // Key Engineering Materials. – 2016. – №. 685. – P. 934-938.
Chikriy A., Gubarev V., Kondratenko Y., Turovyerova N. Multi-channel Queuing Systems with the Dynamic Priority // Journal of Automation and Information Sciences. – 2009. – №. 41(8). – P. 49-54.
