Журнал «Информационные технологии и вычислительные системы» - В.М. Вишневский, А.В. Горбунова "Применение методов машинного обучения к решению задач теории массового обслуживания"

Просматривается номер 2021 / 04

В работе впервые представлено систематизированное изложение нового метода исследования систем массового обслуживания (СМО) с использованием алгоритмов машинного обучения. Рассмотренные в обзоре публикации делятся на несколько категорий – статьи, в которых алгоритмы машинного обучения служат для прогнозирования параметров СМО технического характера и публикации, в которых машинное обучение применяется для оценки вероятностно-временных характеристик СМО. Анализ публикаций позволяет сделать вывод о высокой эффективности применения методов машинного обучения, перспективах проведения дальнейших исследований, а также о возможном выделении нового подхода в самостоятельное направление в области решения сложных задач теории очередей.

Ключевые слова:

теория массового обслуживания, система массового обслуживания, сеть массового обслуживания, система с параллельным обслуживанием заявок, имитационное моделирование, интеллектуальный анализ данных, машинное обучение, искусственные нейронные сети.

DOI 10.14357/20718632210407

Литература

1. Вишневский В.М., Дудин А.Н., Клименок В.И. Стохастические системы с коррелированными потоками. Теория и применение в телекоммуникационных сетях. М.: Техносфера. 2018. 564 C.

2. Вишневский В.М. Теоретические основы проектирования компьютерных сетей. М.: Техносфера. 2003. 512 C.

3. Шведов А.С. Аппроксимация функций с помощью нейронных сетей и нечетких систем // Проблемы управления. 2018. №1. С. 21-29.

4. Stone M.N. The generalized Weierstrass approximation theorem // Mathematics Magazine. 1948. Vol.21, No 4. P. 167-183.

5. Хомоненко А.Д., Яковлев Е.Л. Нейросетевая аппроксимация характеристик многоканальных немарковских систем массового обслуживания // Труды СПИИРАН. 2015. Вып.41. С. 81-93.

6. Mourõ R.N., Carvalho R.S., Carvalho R.N., Ramos G.N. Predicting Waiting Time Overflow on Bank Teller Queues // Proceedings of the 16th IEEE International Conference on Machine Learning and Applications (ICMLA). 2018. P. 842-847.

7. Khoshnevis B., Parisay S. Machine Learning and Simulation: Application in Queuing Systems // Simulation. 1993. Vol.61, No.5. P. 294-302.

8. Merlo G., Britos P., Rossi B., Garc'ia Mart'inez, R. Neural networks applied to automatic estimation of networks performance // Proceedings of the International Conference on Intelligent Systems and Control. 2004. P. 167-171.

9. Yousefi'zadeh H., Jonckheere H., Dynamic neural-based buffer management for queuing systems with self-similar characteristics // IEEE Transactions on Neural Networks. 2005. Vol.16. P. 1163-1173.

10. Li H., Gao H., Lv T., Lu Y. Deep q-learning based dynamic resource allocation for self-powered ultra-dense networks // IEEE international conference on communications workshops (ICC Workshops). 2018. P.1-6.

11. Sun H., Chen X., Shi Q., Hong M., Fu X., Sidiropoulos N.D. Learning to optimize: Training deep neural networks for wireless resource management // IEEE 18th Interna-tional Workshop on Signal Processing Advances in Wireless Communications (SPAWC). 2017. P.1-6.

12. del-Hoyo-Alonso R., Fernández-de-Alarcón, P., Navamuel-Castillo J.-J., Medrano-Marqués N.J., Martin-del-Brio B., Fernández-Navajas J., Abadía-Gallego D. Neural Networks for QoS Network Management // Computational and Ambient Intelligence. 2007. Vol.4507. P.887-894.

13. Nie L., Jiang D., Yu S., Song H. Network traffic prediction based on deep belief network in wireless mesh back-bone networks // IEEE Wireless Communications and Networking Conference (WCNC). 2017. P.1-5.

14. Akbas A., Yildiz H., Ozbayoglu A., Tavli B. Neural network based instant parameter prediction for wireless sensor network optimization models // Wireless Network. 2019. Vol.25. P.3405-3418.

15. Ahad N., Qadir Ju., Ahsan N. Neural networks in wireless networks: Techniques, applications and guidelines // Journal of Network and Computer Applications. 2016. Vol.68. P.1-27.

16. Jiang C., Zhang H., Ren Y., Han Z., Chen K.-C., Hanzo L. Machine Learning Paradigms for Next-Generation Wireless Networks // IEEE Wireless Communications. 2017. Vol.24, No.2. P.98-105.

17. Mao Q., Hu F., Hao Q. Deep Learning for Intelligent Wireless Networks: A Comprehensive Survey // IEEE Communications Surveys \& Tutorials. 2018. Vol.20, No.4. P.~2595-2621.

18. Luong N.C. et al. Applications of Deep Reinforcement Learning in Communications and Networking: A Survey // IEEE Communications Surveys \& Tutorials. 2019. Vol.21, No.4. P. 3133-31741.

19. Memon M.L., Maheshwari M.K., Saxena N., Roy A., Shin D.R. Artificial Intelligence-Based Discontinuous Reception for Energy Saving in 5G Networks // Electronics. 2019. Vol.8, No.7. Article Number: 778.

20. Ullah R., Marwat S.N.K., Ahmad A.M., Ahmed S., Hafeez A., Kamal T., Tufail M. A Machine Learning Approach for 5G SINR Prediction // Electronics. 2020. Vol.9, No.10. Article Number: 1660.

21. Kaur R., Kaur Sandhu J. and Sapra L. Machine Learning Technique for Wireless Sensor Networks // Sixth International Conference on Parallel, Distributed and Grid Computing (PDGC). 2020. P. 332-335.

22. Laha S., Chowdhury N., Karmakar R. How Can Machine Learning Impact on Wireless Network and IoT? – A Survey // 1th International Conference on Computing, Communication and Networking Technologies (ICCCNT). 2020. P. 1-7.

23. Bhatti M.A., Riaz R., Rizvi S.S., Shokat S., Riaz F., Kwon S.J. Outlier detection in indoor localization and Internet of Things (IoT) using machine learning // Journal of Communications and Networks. 2020. Vol.22, No.3. P. 236-243.

24. Morshedi M., Noll J. Estimating PQoS of Video Streaming on Wi-Fi Networks Using Machine Learning // Sensors. 2021. Vol.21, No.2. Article Number: 621. P. 1-17.

25. Kyritsis A.I., Miche, D. A Machine Learning Approach to Waiting Time Prediction in Queueing Scenarios // Second IEEE International Conference on Artificial Intelligence for Industries. 2019. P.17-21

26. Hermanto R.P.S., Suharjito S., Nugroho, A. Waiting-Time Estimation in Bank Customer Queues using RPROP Neural Networks // Procedia Computer Science. 2018. Vol.135. P.35-42

27. Curtis C., Liu Ch., Bollerman Th.J., Pianykh O.S. Machine Learning for Predicting Patient Wait Times and Appointment Delays // Journal of the American College of Radiology. 2018. Vol.15, No.9. P.1310-1316.

28. Luís M.S. Dias, António A.C. Vieira, Guilherme A.B. Pereira, José A. Oliveira. Discrete Simulation Software Ranking – a Top list of the Worldwide most Popular and Used Tools // Proceedings of the 2016 Winter Simulation Conference (WSC). 2016. P. 1060-1071.

29. Bolch G., Greiner S., Meer H., Trivedi K.S. Queueing Networks and Markov Chains: Modeling and Performance Evaluation With Computer Science Applications. John Wiley \& Sons, Inc., 2006.

30. Sivakami Sundaria M., Palaniammalb S. Simulation of M|M|1 Queuing System Using ANN // Malaya Journal of Matematik: Special Issue. 2015. No.1. P.279-294.

31. Sivakami Sundaria M., Palaniammalb, S. An ANN Simulation of Single Server with Infinite Capacity Queuing System // International Journal of Innovative Technology and Exploring Engineering. 2019. Vol.8 No.12. P. 4067-4071.

32. Sivakami Sundari M., Yamini S., Kalicharan Rath, Senthil Kumar S., Palaniammalb S. Artificial Neural Network simulation for Markovian Queuing Models in a Busy air-port // International Conference on Computer Science, Engineering and Applications (ICCSEA). 2020. P. 1-6.

33. Гиндин С.И., Хомоненко А.Д., Ададуров С.Е. Численный расчет многоканальной системы массового обслуживания с рекуррентным входящим потоком и «разогревом» // Известия Петербургского университета путей сообщения. 2013. № 4 (37). С. 92-101.

34. Gorbunova A.V., Vishnevsky V.M., Larionov A.A. Evaluation of the End-to-End Delay of a Multiphase Queuing System Using Artificial Neural Networks // Lecture Notes in Computer Science. Springer. 2020. Vol.12563. P. 631-642.

35. Rabta B. A review of decomposition methods for open queueing networks // Reiner G. (eds.) Rapid Modelling for Increasing Competitiveness. Springer, London. 2009. P. 25-42.

36. Gorbunova A.V., Vishnevsky V.M. Estimating the Response Time of a Cloud Computing System with the Help of Neural Networks // Advances in Systems Science and Applications. 2020. Vol.20. No.3. P. 105-112.

37. Gorbunova A.V., Lebedev A.V. Response Time Estimate for a Fork-join System with Pareto Distributed Service Time as a Model of a Cloud Computing System Using Neural Networks // Communications in Computer and Information Science. Springer. 2021. In print.

38. Gorbunova A.V., Vishnevsky V.M. Evaluation of the Performance Parameters of a Closed Queuing Network Using Artificial Neural Networks // Lecture Notes in Computer Science. Springer. 2021. In print

39. Vishnevsky V.M., Semenova O.V., Bui D.T. Using a machine learning for analysis of polling systems with correlated arrivals // Lecture Notes in Computer Science. Springer. 2021. In print

40. Efrosinin D, Stepanova N. Estimation of the Optimal Threshold Policy in a Queue with Heterogeneous Servers Using a Heuristic Solution and Artificial Neural Networks. Mathematics. 2021. Vol.9, No.11. Article Number: 1267

41. Лазарева В.Е., Ларионов А.А., Мухтаров А.А. Расчёт межконцевых задержек и длин очередей в многошаговой тандемной сети с применением методов машинного обучения / Материалы Всероссийской конференции с международным участием "Информационно-телекоммуникационные технологии и математическое моделирование высокотехнологичных систем" (Москва, 2020). М.: РУДН, 2020. С. 43-48.

42. Вишневский В.М., Ларионов А.А., Мухтаров А.А. Расчёт характеристик тандемной сети с фиксированными длинами входящих пакетов методом машинного обучения / Материалы 13-й конференции с международным участием "Новые информационные технологии в исследовании сложных структур" (ICAM 2020, Томск). Томский государственный университет, 2020. С. 82-84.

43. Dudin A.N., Klimenok V.I., Vishnevsky V.M. The theory of queuing systems with correlated flows. 1st ed. Heidel-berg: Springer. 2020. 410 p.