Журнал Современные наукоемкие технологии 1812-7320 Общество с ограниченной ответственностью "Издательский Дом "Академия Естествознания" 10.17513/snt.40668 ART-40668 ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ НАДЕЖНОСТИ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ С ПРИМЕНЕНИЕМ МЕТОДОВ ОРГАНИЗАЦИИ ГЛОБАЛЬНО РАСПРЕДЕЛЕННОЙ АДАПТИВНОЙ ОБРАБОТКИ ПОТОКОВ ДАННЫХ Ермаков С.Р. Ermakov S.R. ermakov_s@mirea.ru Федеральное государственное бюджетное образовательное учреждение высшего образования «Московский государственный технический университет радиотехники Federal State Budgetary Educational Institution of Higher Education “Moscow State Technical University of Radio Engineering 05 02 2026 2 35 41 This is an open-access article distributed under the terms of the CC BY 4.0 license. https://top-technologies.ru/article/view?id=40668

Цель работы заключается в экспериментальном исследовании надежности интеллектуальных систем с применением методов организации глобально распределенной адаптивной обработки потоков данных путем оценки основных показателей обеспечения надежности информационных систем (SRE, Site Reliability Engineering) – задержки адаптивной обработки потоков данных, насыщения и степени разгрузки узлов. В исследовании проводится анализ поведения интеллектуальной системы, реализованной на основе трехуровневой архитектуры на экспериментальном стенде, при различных сценариях эксплуатации, включая резкие всплески пользовательской активности и потерю связи с центральным сервером. Проведено нагрузочное тестирование системы с моделированием сценариев резкого роста трафика и полной потери связи с облачным центром. Применены методы динамической разгрузки вычислительных задач (оффлоадинга) на клиентские устройства. В результате установлена нелинейная зависимость между насыщением туманного узла и интенсивностью выгрузки вычислений. Выявлено, что активация адаптивного оффлоадинга (с регулированием доли внешних вычислений от 30 до 78 %) позволяет стабилизировать время отклика системы на уровне 1,1–1,2 с при перегрузке, переводя ее в устойчивое квазистационарное состояние. Количественно подтвержден эффект мягкой деградации качества сервиса при разрыве соединения с облаком и показано, что снижение точности инференса происходит линейно и предсказуемо по мере устаревания данных, что обеспечивает сохранение уровня доступности системы.

The objective of this study is to experimentally investigate the reliability of intelligent systems using methods for organizing globally distributed adaptive data flow processing by assessing the key metrics of information system reliability assurance (SRE, Site Reliability Engineering) – adaptive data flow processing latency, node saturation, and node offloading. The study analyzes the behavior of an intelligent system, implemented using a three-tier architecture on an experimental setup, under various operational scenarios, including sudden surges in user activity and loss of connection to the central server. Load testing of the system was conducted, simulating scenarios of a sharp increase in traffic and complete loss of connection to the cloud center. Dynamic offloading of computational tasks to client devices was applied. As a result, a nonlinear relationship was established between fog node saturation and the intensity of computational offloading. It was found that activating adaptive offloading (with the proportion of external computations adjusted from 30 % to 78 %) stabilizes the system’s response time at 1.1–1.2 seconds during overload, transitioning it to a stable, quasi-steady state. The effect of soft service degradation upon cloud connection loss was quantitatively confirmed, and it was shown that the decline in inference accuracy occurs linearly and predictably as data ages, ensuring the system’s availability remains intact.

 распределенные интеллектуальные системы адаптивная обработка данных надежность туманные вычисления федеративное обучение distributed intelligent systems adaptive data processing reliability fog computing federated learning

1. Gundla N. K. Building Castles in the Cloud: Architecting Resilient and Scalable Infrastructure // International Journal of Computer Trends and Technology. 2024. Vol. 72. Is. 9. P. 77–92. URL: https://ijcttjournal.org/archives/ijctt-v72i9p113 (дата обращения: 04.02.2026). DOI: 10.14445/22312803/IJCTT-V72I9P113.

2. Strubell E., Ganesh A., McCallum A. Energy and Policy Considerations for Deep Learning in NLP // ACL Anthology. 2019. P. 3645–3650. URL: https://aclanthology.org/P19-1355/ (дата обращения: 04.02.2026). DOI: 10.18653/v1/P19-1355.

3. Villar-Rodriguez E., Arostegi Pérez M., Torre-Bastida A. I., Regueiro-Senderos C. Edge Intelligence Secure Frameworks: Current State and Future Challenges // Computers and Security. 2023. Vol. 130. Art. 103278. URL: https://www.researchgate.net/publication/370376605 (дата обращения: 04.02.2026). DOI: 10.1016/j.cose.2023.103278.

4. Al-Ansi A., Al-Ansi A. M., Muthanna A., Elgendy I. A., Koucheryavy A. Survey on Intelligence Edge Computing in 6G: Characteristics, Challenges, Potential Use Cases, and Market Drivers // Future Internet. 2021. Vol. 13. Is. 5. Art. 118. URL: https://www.mdpi.com/1999-5903/13/5/118 (дата обращения: 04.02.2026). DOI: 10.3390/fi13050118.

5. Heydari S., Mahmoud Q. H. Tiny Machine Learning and On-Device Inference: A Survey of Applications, Challenges, and Future Directions // Sensors. 2025. Vol. 25. Is. 10. P. 3191. URL: https://www.mdpi.com/1424-8220/25/10/3191 (дата обращения: 04.02.2026). DOI: 10.3390/s25103191.

6. Ермаков С. Р., Зыков С. В. Повышение эффективности потоковой обработки данных в интеллектуальной образовательной системе // Информационно-измерительные и управляющие системы. 2025. № 5. С. 41–53. URL: http://radiotec.ru/ru/journal/Information-measuring_and_Control_Systems/number/2025-5 (дата обращения: 04.02.2026).

7. Bandara E., Bouk S. H., Shetty S., Mukkamala R., Rahman A., Foytik P. SRE-Llama – Fine-Tuned Meta’s Llama LLM, Federated Learning, Blockchain and NFT Enabled Site Reliability Engineering (SRE) Platform for Communication and Networking Software Services // 2025 7th International Conference on Blockchain Computing and Applications (BCCA). 2025. P. 344–351. URL: https://ieeexplore.ieee.org/document/11229660 (дата обращения: 04.02.2026). DOI: 10.1109/BCCA66705.2025.11229660.

8. Gogineni K., Suvizi A., Venkataramani G. A Survey on Large Language Model Acceleration based on KV Cache Management // Transactions on Machine Learning Research (TMLR). 2025. URL: https://huggingface.co/papers/2412.19442 (дата обращения: 04.02.2026).

9. AvitoTech. AvitoTech/avibe [Электронный ресурс] // Hugging Face. 2025. URL: https://huggingface.co/AvitoTech/avibe (дата обращения: 03.02.2026).

10. Palanisamy B., Xu J. Efficient and Resilient Edge Computing: Algorithms, Techniques and Research Opportunities // Proceedings of the 25th International Conference on Distributed Computing and Networking (ICDCN ’24). 2024. P. 1–2. URL: https://dl.acm.org/doi/10.1145/3631461.3632515 (дата обращения: 04.02.2026). DOI: 10.1145/3631461.3632515.

11. Nemati A. M., Mansouri N. Resource allocation in fog computing: a survey on current state and research challenges // Knowledge and Information Systems. 2025. Vol. 67. P. 2091–2170. URL: https://link.springer.com/article/10.1007/s10115-024-02274-5 (дата обращения: 04.02.2026). DOI: 10.1007/s10115-024-02274-5.

12. Geldenhuys M. K., Scheinert D., Kao O., Thamsen L. Demeter: Resource-Efficient Distributed Stream Processing under Dynamic Loads with Multi-Configuration Optimization // Proceedings of the 15th ACM/SPEC International Conference on Performance Engineering (ICPE ’24). 2024. P. 135–145. URL: https://dl.acm.org/doi/10.1145/3629526.3645048 (дата обращения: 04.02.2026). DOI: 10.1145/3629526.3645048.

13. Ермаков С. Р., Зыков С. В. Внедрение моделей машинного обучения в потоковой интеллектуальной образовательной системе // Современные наукоемкие технологии. 2025. № 2. С. 45–53. URL: https://top-technologies.ru/ru/issue/view?id=698 (дата обращения: 04.02.2026).

14. Zilic J., de Maio V., Ilager S., Brandic I. FRESCO: Fast and Reliable Edge Offloading With Reputation-Based Hybrid Smart Contracts // IEEE Transactions on Services Computing. 2025. Vol. 18. Is. 6. P. 3810–3823. DOI: 10.1109/TSC.2025.3520361.

15. Liang F., Liang C., Lu W., Zhao J., Zhang S. Decentralized and Network-Aware Task Offloading for Smart Transportation via Blockchain // Sensors. 2025. Vol. 25. Is. 17. Art. № 5555. URL: https://www.mdpi.com/1424-8220/25/17/5555 (дата обращения: 04.02.2026). DOI: 10.3390/s25175555.