Программная реализация гибридной FIS-NN-модели для оценки состояния сетевого канала на основе телеметрических данных
Автор: Гололобов А.А.
Журнал: Инфокоммуникационные технологии @ikt-psuti
Рубрика: Сети связи и мультисервисные услуги
Статья в выпуске: 4 (92) т.23, 2025 года.
Бесплатный доступ
В работе представлен программный комплекс для оценки состояния сетевого канала на основе гибридной модели FIS-NN, объединяющей преимущества нечеткого логического вывода и многослойной нейронной сети. Разработанный прототип реализует полный цикл обработки телеметрических данных, включая импорт логов, предобработку параметров трафика, формирование первичной оценки средствами FIS и ее последующую нейросетевую коррекцию. Программная архитектура включает модули импорта, нормализации данных, вычисления гибридной оценки, условного выбора маршрута и визуализации результатов. Проведено экспериментальное исследование поведения системы при различных сценариях нагрузки, подтверждающее устойчивость гибридной модели к шумовым возмущениям и повышение точности классификации состояний канала по сравнению с пороговыми схемами. Программный прототип может служить основой для интеграции в эксплуатационные системы мониторинга и управления параметрами QoS в телекоммуникационных сетях.
Нечеткая логика, FIS, нейронные сети, гибридные модели, интеллектуальный анализ трафика, QoS, телеметрия, MATLAB, оценка состояния канала, FIS–NN, маршрутизация, сетевые перегрузки
Короткий адрес: https://sciup.org/140314009
IDR: 140314009 | УДК: 621.391 / 004.89 | DOI: 10.18469/ikt.2025.23.4.02
Software implementation of a hybrid FIS–NN model for network channel state assessment using telemetry data
This article presents a software framework for assessing the state of a network communication channel using a hybrid FIS–NN model that combines fuzzy inference with a multilayer neural network. The developed prototype implements a complete processing pipeline for telemetry data, including log import, traffic parameter preprocessing, initial evaluation via a fuzzy inference system, and subsequent neural-network-based refinement. The software architecture comprises modules for data import, normalization, hybrid evaluation, conditional route selection, and visualization. Experimental studies conducted under various load scenarios confirm the robustness of the hybrid model to noise disturbances and demonstrate improved classification accuracy compared to threshold-based approaches. The proposed software prototype can serve as a foundation for integration into operational monitoring systems and QoS management frameworks in modern telecommunication networks.
