УДК 330
DOI: 10.36871/ek.up.p.r.2025.12.18.023

Авторы

Хамзат Хайзырович Мальцагов,
Амирхан Магомедович Айбуев,
ФГБОУ ВО «Грозненский государственный нефтяной технический университет им. акад. М. Д. Миллионщикова», г. Грозный, Россия

Аннотация

В статье рассматриваются энергосберегающие стратегии функционирования промышленных сетевых устройств на основе методов машинного обучения. Показано, что использование кластерного анализа режимов трафика, регрессионных моделей прогнозирования нагрузки и энергопотребления, а также обучения с подкреплением для выбора управляющих воздействий позволяет формировать адаптивные политики работы оборудования. Описаны архитектурные варианты интеграции интеллектуальных модулей в систему управления сетью: централизованный, распределённый и иерархический. Подчёркивается, что комплексное применение указанных методов обеспечивает снижение суммарных энергетических затрат и эксплуатационных расходов при одновременном соблюдении требований к задержкам, надёжности и безопасности производственных коммуникационных сетей.

Ключевые слова

энергосбережение, промышленные сетевые устройства, машинное обучение, кластерный анализ

Список литературы

  1. Белов П. Н., Фёдоров И. С. Использование методов машинного обучения для уменьшения потребления энергии в устройствах промышленного интернета вещей // Электронная техника. Серия 1: Электронные компоненты. 2024. № 6. С. 23–30.
  2. Васильев А. К. Модели прогнозирования трафика в сетях предприятия на основе регрессионного анализа для целей энергосбережения // Информационные технологии и вычислительные системы. 2023. № 2. С. 58–67.
  3. Головин С. М., Кузнецова Е. П. Обучение с подкреплением при управлении режимами сна сетевых коммутаторов // Радиоэлектроника. 2025. Т. 31. № 8. С. 91–102.
  4. Жарасов Б. С., Абрамов В. И. Цифровые двойники в управлении производством: принципы создания, проблемы внедрения и перспективы развития // Современная экономика: проблемы и решения. 2024. № 6 (174). С. 80–94.
  5. Козлова В. В. Оптимизация бизнес-процессов с применением технологий искусственного интеллекта // Вестник Евразийской науки. 2025. Т. 17. № s2. С. 1–16.
  6. Мухамеджанов А. И., Хабибуллин И. И. Обзор методов машинного обучения для прогнозирования технического состояния газотурбинных двигателей // Вестник КГТУ им. А. Н. Туполева. 2023. № 3. С. 70–78.
  7. Прыткова Е. А., Давыдов В. М. Применение многофакторного анализа показателей качества машиностроительной продукции для оптимизации бизнес-процессов // Вестник МГТУ им. Г. И. Носова. 2024. Т. 22. № 3. С. 152–159.
  8. Лаврентьев П. С., ОреховаЛ. Б. Самообучающиеся алгоритмы конфигурирования сетевых протоколов в динамичных производственных средах // Нейропротоколы и компьютеры. 2025. Т. 11. № 2. С. 59–68.