Аннотация

Аннотация: Цель исследования заключается в повышении качества обработки потоковых данных в интеллектуальных системах на основе федеративного распределения вычислений — синтеза принципов туманных вычислений и федеративного обучения. Предложена модель оптимизации качества, отличающаяся объединением критериев производительности, точности и ресурсоёмкости в единый интегральный функционал потерь. Разработаны методы и алгоритмы адаптивной федеративной потоковой обработки данных, комбинированного режима обучения, преобразования признаков потоковых данных, ассоциативной федеративной агрегации статистических структур и инкрементального дерева решений, обеспечивающие согласованную адаптацию параметров, устойчивость к асинхронности и концептуальному дрейфу, снижение задержек и повышение качества обработки потоковых данных. Экспериментальная проверка на гетерогенном стенде показала снижение средней задержки на и рост пропускной способности на при сохранении стабильной точности и соблюдении ресурсных ограничений. Сформулированы рекомендации по развитию стандартов ISO/IEC TS 8200:2024, ГОСТ Р 59277–2020 и ГОСТ Р 57700.27–2020. Установлено, что согласованная адаптация частоты синхронизаций, степени сжатия и коэффициента забывания в сочетании с потоковой предобработкой и ассоциативной агрегацией обеспечивает устойчивое снижение интегрального функционала потерь. Дальнейшие направления исследований связаны с уточнением границ применимости разработанных решений по нагрузочным профилям и топологиям, а также с совершенствованием механизмов надёжности и отказоустойчивости.