МЕТОД ПРОЄКТУВАННЯ ПРОГРАМНОГО ЗАБЕЗПЕЧЕННЯ КРАЙОВИХ ВУЗЛІВ ІНТЕРНЕТ-РЕЧЕЙ MESH-МЕРЕЖ В УМОВАХ ХИБНИХ СПРАЦЮВАНЬ

Сергій  Маковецький; Віктор Каук

doi:10.30837/0135-1710.2026.189.211

Автор(и)

Сергій Маковецький Харківський національний університет радіоелектроніки, Україна https://orcid.org/0000-0002-9814-9465
Віктор Каук Харківський національний університет радіоелектроніки, Україна https://orcid.org/0000-0002-2780-2666

DOI:

https://doi.org/10.30837/0135-1710.2026.189.211

Ключові слова:

розподілені системи, mesh-мережі, архітектура програмного забезпечення, шаблон проєктування, Інтернет речей, визначення руху об’єктів, адаптивне порогове детектування, цифрове оброблення сигналів, вбудовані системи, мікроконтролери

Анотація

Предметом вивчення є моделі й методи розроблення програмного забезпечення крайових вузлів (edge nodes) розподілених сенсорних мереж Інтернету речей з топологією mesh, що функціонують у нестаціонарному шумовому середовищі. Мета дослідження – розробити архітектурну модель і метод проєктування програмного забезпечення крайових вузлів, які поєднують спектральне виявлення подій із адаптивним відстеженням рівня шуму й локальним прийняттям рішень без залучення хмарного оброблення. Завдання: формалізувати трирівневу декомпозицію програмного забезпечення вузла; запропонувати шаблон триступеневого придушення хибних спрацювань як ортогональну композицію функціональних захистів; проаналізувати обчислювальну складність і обсяг пам’яті для двох альтернативних реалізацій шаблону; отримати аналітичну модель зростання трафіку. Методи дослідження: архітектурне моделювання програмних систем, теорія цифрового оброблення сигналів (швидке перетворення Фур’є, медіанна й експоненціальна фільтрація), аналітичне моделювання мережевого трафіку. Досягнуті результати. Сформовано трирівневу архітектурну модель, що ортогонально поєднує селективну спектральну фільтрацію, темпоральну персистентну фільтрацію та адаптивне відстеження рівня шуму. Розроблено шестиетапний метод проєктування з критеріями верифікації кожного компонента. Аналітично продемонстровано, що обидва варіанти реалізації шаблону задовольняють обмеження мікроконтролерів класу ARM Cortex-M0/M0+ із тактовою частотою 64 МГц у межах розрахункових 21,5 мс на кадр і 2,7 КБ оперативної пам’яті. Висновки. Запропоновані модель і метод подано на рівні шаблону проєктування, що допускає повторне використання в різних апаратних і доменних інстанціях. Шаблон ідентифікує три взаємодоповнювальні захисні механізми та встановлює, що відсутність будь-якого з них породжує клас хибних спрацювань, не покритий рештою. Результати слугують методологічною основою розроблення програмного забезпечення для розподілених систем визначення руху об’єктів і периметральної безпеки.

Біографії авторів

Сергій Маковецький , Харківський національний університет радіоелектроніки

аспірант кафедри програмної інженерії

Віктор Каук, Харківський національний університет радіоелектроніки

кандидат технічних наук, доцент, доцент кафедри програмної інженерії

Посилання

Pioli, L., Dorneles, C. F., de Macedo, D. D. J., Dantas, M. A. R. (2022), "An overview of data reduction solutions at the edge of IoT systems: a systematic mapping of the literature", Computing, Vol. 104, No. 8, pp. 1867–1889. DOI: https://doi.org/10.1007/s00607-022-01073-6

Sadri, A. A., Rahmani, A. M., Saberikamarposhti, M., Hosseinzadeh, M. (2022), "Data reduction in fog computing and Internet of Things: a systematic literature survey", Internet of Things, Vol. 20, art. 100629. DOI: https://doi.org/10.1016/j.iot.2022.100629

Zhang, H., Na, J., Zhang, B. (2023), "Autonomous Internet of Things (IoT) Data Reduction Based on Adaptive Threshold", Sensors, Vol. 23, No. 23, art. 9427. DOI: https://doi.org/10.3390/s23239427

Hussein, A. M., Idrees, A. K., Couturier, R. (2022), "Distributed energy-efficient data reduction approach based on prediction and compression to reduce data transmission in IoT networks", International Journal of Communication Systems, Vol. 35, No. 9, e5282. DOI: https://doi.org/10.1002/dac.5282

Idrees, A. K., Al-Qurabat, A. K. M. (2021), "Energy-Efficient Data Transmission and Aggregation Protocol in Periodic Sensor Networks Based Fog Computing", Journal of Network and Systems Management, Vol. 29, No. 1, art. 4. DOI: https://doi.org/10.1007/s10922-020-09567-4

Correa, J. D. A., Pinto, A. R., Montez, C. (2022), "Lossy Data Compression for IoT Sensors: A Review", Internet of Things, Vol. 19, art. 100516. DOI: https://doi.org/10.1016/j.iot.2022.100516

Chen, X., Yu, Q., Dai, S., Sun, P., Tang, H., Cheng, L. (2024), "Deep Reinforcement Learning for Efficient IoT Data Compression in Smart Railroad Management", IEEE Internet of Things Journal, Vol. 11, No. 14, pp. 25494–25504. DOI: https://doi.org/10.1109/JIOT.2023.3348487

Hafeez, T., Xu, L., Mcardle, G. (2021), "Edge Intelligence for Data Handling and Predictive Maintenance in IIoT", IEEE Access, Vol. 9, pp. 49355–49371. DOI: https://doi.org/10.1109/ACCESS.2021.3069137

GabAllah, N. A., Farrag, I., Nawawy, O., Khalil, R., Sharara, H., Elbatt, T. (2021), "Towards Enabling IoT Systems with Edge Intelligence", Proc. 2021 IEEE International Conference on Smart Internet of Things (SmartIoT), pp. 271–277. DOI: https://doi.org/10.1109/SmartIoT52359.2021.00050

Bhoi, S. K., Faseehuddin, M., Ravulakollu, K. K., Suthar, B., Sahoo, K. S., Pradhan, B. (2022), "Advanced Edge Computing Framework for Grid Power Quality Monitoring of Industrial Motor Drive Applications", Proc. 2022 International Symposium on Power Electronics, Electrical Drives, Automation and Motion (SPEEDAM), IEEE, pp. 455–459. DOI: https://doi.org/10.1109/speedam53979.2022.9841966

Xie, C., Tao, W., Zeng, Z., Dong, Y. (2023), "Binary-Convolution Data-Reduction Network for Edge–Cloud IIoT Anomaly Detection", Electronics, Vol. 12, No. 15, art. 3229. DOI: https://doi.org/10.3390/electronics12153229

Trilles, S., Hammad, S. S., Iskandaryan, D. (2024), "Anomaly detection based on Artificial Intelligence of Things: A Systematic Literature Mapping", Internet of Things, Vol. 25, art. 101063. DOI: https://doi.org/10.1016/j.iot.2024.101063

Cooley, J. W., Tukey, J. W. (1965), "An algorithm for the machine calculation of complex Fourier series", Mathematics of Computation, Vol. 19, No. 90, pp. 297–301. DOI: https://doi.org/10.1090/S0025-5718-1965-0178586-1

Wickert, M. A. (2015), "Using the ARM Cortex-M4 and the CMSIS-DSP library for teaching real-time DSP", Proc. 2015 IEEE Signal Processing and Signal Processing Education Workshop (SP/SPE), IEEE, pp. 283–288. DOI: https://doi.org/10.1109/DSP-SPE.2015.7369567

Hammad, S. S., Iskandaryan, D., Trilles, S. (2023), "An unsupervised TinyML approach applied to the detection of urban noise anomalies under the smart cities environment", Internet of Things, Vol. 23, art. 100848. DOI: https://doi.org/10.1016/j.iot.2023.100848

Arciniegas, S., Rivero, D., Piñan, J., Diaz, E., Rivas, F. (2025), "IoT device for detecting abnormal vibrations in motors using TinyML", Discover Internet of Things, Vol. 5, art. 142. DOI: https://doi.org/10.1007/s43926-025-00142-4

Rohling, H. (1983), "Radar CFAR Thresholding in Clutter and Multiple Target Situations", IEEE Transactions on Aerospace and Electronic Systems, Vol. AES-19, No. 4, pp. 608–621. DOI: https://doi.org/10.1109/TAES.1983.309350

Finn, H. M., Johnson, R. S. (1968), "Adaptive detection mode with threshold control as a function of spatially sampled clutter level estimates", RCA Review, Vol. 29, No. 3, pp. 414–464.

Tukey, J. W. (1977), Exploratory Data Analysis, Addison-Wesley, Reading, MA, 688 p.

Gallagher, N. C., Wise, G. L. (1981), "A theoretical analysis of the properties of median filters", IEEE Transactions on Acoustics, Speech, and Signal Processing, Vol. 29, No. 6, pp. 1136–1141. DOI: https://doi.org/10.1109/TASSP.1981.1163708

Sittón-Candanedo, I., Corchado, J. M. (2019), "An Edge Computing Tutorial", Oriental Journal of Computer Science and Technology, Vol. 12, No. 2, pp. 34–38. DOI: https://doi.org/10.13005/OJCST12.02.02

Oikonomou, P., Karanika, A., Anagnostopoulos, C., Kolomvatsos, K. (2021), "On the Use of Intelligent Models towards Meeting the Challenges of the Edge Mesh", ACM Computing Surveys, Vol. 54, No. 6, pp. 1–42. DOI: https://doi.org/10.1145/3456630

Putra, M. A. P., Hermawan, A. P., Kim, D.-S., Lee, J.-M. (2023), "Data Prediction-Based Energy-Efficient Architecture for Industrial IoT", IEEE Sensors Journal, Vol. 23, No. 14, pp. 15856–15866. DOI: https://doi.org/10.1109/JSEN.2023.3280485

Wu, Y., Dai, H.-N., Wang, H., Xiong, Z., Guo, S. (2023), "To Transmit or Predict: An Efficient Industrial Data Transmission Scheme With Deep Learning and Cloud-Edge Collaboration", IEEE Transactions on Industrial Informatics, Vol. 19, No. 11, pp. 11322–11332. DOI: https://doi.org/10.1109/TII.2023.3245673

Lykov, Yu. V., Oleynikov, A. M., Lykova, H. O., Savenko, S. O., Makovetskyi, S. O. (2023), "Organization of Backup Communication Channels for Emergencies in Environments with Limited Infrastructure Using LPWAN Technology", Radioelectronics and Communications Systems, Vol. 66, No. 6, pp. 287–304. DOI: https://doi.org/10.3103/S0735272723090054