| dc.contributor.author | Чень, Ю. | uk |
| dc.contributor.author | Ковтун, В. В. | uk |
| dc.contributor.author | Ch., Yui | en |
| dc.contributor.author | Kovtun, V. V. | en |
| dc.date.accessioned | 2026-08-27T12:31:22Z | |
| dc.date.available | 2026-08-27T12:31:22Z | |
| dc.date.issued | 2026 | |
| dc.identifier.citation | Чень Ю., Ковтун В. В. Стохастична двозонна оптимізація живучости IOT-мереж за умов індукованих впливів // Наукові праці Вінницького національного технічного університету. Електрон. текст. дані (PDF: 772 КБ). 2026. № 1. URI: https://praci.vntu.edu.ua/index.php/praci/article/view/931. | uk |
| dc.identifier.issn | 2307-5376 | |
| dc.identifier.uri | https://ir.lib.vntu.edu.ua//handle/123456789/52409 | |
| dc.description.abstract | Довготривале функціонування мереж IoT у реальних середовищах обмежується дефіцитом енергетичних ресурсів вузлів та дією індукованих впливів, які породжують потоки хибних подій, підсилюють невизначеність параметрів середовища і, як наслідок, знижують надійність детекції. У статті розроблено та валідовано стохастичний оптимізаційний підхід до адаптивної топології IoT-мережі на основі дворегіональної архітектури сенсингу, де зовнішній регіон виконує функції фільтрації, а внутрішній – детекції у захищеній зоні. Просторовий розподіл вузлів параметризовано керованими щільностями у кожному регіоні за фіксованого сумарного ресурсу розміщення, що дозволяє формалізувати динамічний перерозподіл функцій мережі між фільтрацією та виявленням. Живучість і доступність інтерпретовано як поєднані показники ефективності, задані через нормовану залишкову енергію та ймовірність виявлення; час функціонування визначено як момент досягнення порогового стану доступності. Оптимізаційну задачу сформульовано як максимізацію гарантованого часу функціонування мережі за умови підтримання ймовірності детекції не нижче 0,9 за стохастичної динаміки збурень. Для врахування випадкових чинників застосовано вибіркову апроксимацію та числову оптимізацію, що дає змогу перейти до детермінованої постановки з єдиним оптимальним розв’язком і кількісними гарантіями працездатності у гіршому випадку. Чисельні експерименти демонструють, що енергетично збалансована дворегіональна конфігурація забезпечує істотне подовження гарантованого періоду доступності порівняно з однорідними топологіями, а також задає практичний критерій оцінювання живучості IoT-мереж під дією індукованих впливів. Показано чутливість оптимуму до інтенсивності збурень та співвідношення енергетичних витрат у зонах, що й підтримує вибір параметрів проєкту. | uk |
| dc.language.iso | uk_UA | uk_UA |
| dc.publisher | ВНТУ | uk |
| dc.relation.ispartof | Наукові праці Вінницького національного технічного університету. № 1. | uk |
| dc.relation.uri | https://praci.vntu.edu.ua/index.php/praci/article/view/931 | |
| dc.subject | Інтернет речей | uk |
| dc.subject | живучість | uk |
| dc.subject | стохастична оптимізація | uk |
| dc.subject | адаптивна топологія | uk |
| dc.subject | двозонна архітектура | uk |
| dc.subject | енергоефективність | uk |
| dc.subject | ймовірність виявлення | uk |
| dc.title | Стохастична двозонна оптимізація живучости IOT-мереж за умов індукованих впливів | uk |
| dc.title.alternative | Stochastic dual-zone optimization of IoT-networks viability under condition of the induced impacts | en |
| dc.type | Article, professional native edition | |
| dc.type | Article | |
| dc.identifier.udc | 004.93.1 | |
| dc.relation.references | GugueothV., SafavatS., ShettyS.Security of Internet of Things (IoT) using federated learning and deep learning –Recent advancements, issues and prospects.ICT Express. Oct. 2023. Vol. 9,No5.P. 941–960.DOI: 10.1016/j.icte.2023.03.006. | en |
| dc.relation.references | Comprehensive Review of Sensor Technologies in IoT: Technical Aspects, Challenges, and Future Directions / S. H. Abdulhussain et al.Computers.Aug. 2025. Vol. 14,No8.P. 342.DOI: 10.3390/computers14080342. | en |
| dc.relation.references | A comprehensive review of energy harvesting and routing strategies for IoT sensors sustainability and communication technology/ H. N. S. Aldinet al. Sensors International.2024. Vol. 5.P. 100258.DOI: 10.1016/j.sintl.2023.100258. | en |
| dc.relation.references | SecureIoT-FL: A Federated Learning Framework for Privacy-Preserving Real-Time Environmental Monitoring in Industrial IoT Applications/ M. N. A. Ramadanet al. Alexandria Engineering Journal.Feb. 2025. Vol. 114.P. 681–701.DOI: 10.1016/j.aej.2024.11.069. | en |
| dc.relation.references | Advances and Challenges in IoT Sensors Data Handling and Processing in Environmental Monitoring Networks/ S. Sathyamoorthyet al.JSMT.May 2024. Vol. 5, No2.P. 40–60.DOI: 10.4314/hpjsmt.v5i2.3. | en |
| dc.relation.references | An enhanced energy efficient protocol for large-scale IoT-based heterogeneous WSNs/ A. S. H. Abdul-Qawy et al.Scientific African.Sep. 2023.Vol.21.P. e01807. DOI: 10.1016/j.sciaf.2023.e01807. | en |
| dc.relation.references | Dual Energy Management and an Energy-Saving Model for the Internet of Things Using Solar Energy Harvesting/ N. S. Albalawiet al. Energies. Jul. 2025.Vol. 18, No13.P. 3555.DOI: 10.3390/en18133555. | en |
| dc.relation.references | DADC: A Novel Duty-cycling Scheme for IEEE 802.15.4 Cluster-tree-based IoT Applications/ N. Choudhuryyet al. ACM Trans. Internet Technol.Oct. 2021. Vol. 22, No2.P. 1–26. DOI: 10.1145/3409487. | en |
| dc.relation.references | Energy Inefficiency in IoT Networks: Causes, Impact, and aStrategic Framework for Sustainable Optimisation/ Z. Almudayniet al. Jan. 2025. Vol. 14, No1.P. 159. DOI: 10.3390/electronics14010159. | en |
| dc.relation.references | IoT Resource Allocation and Optimization Based on Heuristic Algorithm/ A. K. Sangaiahet al. Sensors. Jan. 2020.Vol. 20, No2.P. 539.DOI: 10.3390/s20020539. | en |
| dc.relation.references | Brent’s algorithm based new computational approach for accurate determination of single-diode model parameters to simulate solar cells and modules / F. F. Muhammadsharif et al.Solar Energy.Nov. 2019. Vol.193.P. 782–798.DOI: 10.1016/j.solener.2019.09.096. | en |
| dc.relation.references | Yuan Y.,ZhuQ.Optimization algorithm of UAV‐assisted federated learning resources based on wireless energy harvesting.IET Communications.Nov. 2024.Vol. 18, No19.P. 1621–1631.DOI: 10.1049/cmu2.12857. | en |
| dc.relation.references | An enhanced sample average approximation method for stochastic optimization / A. Emeloguet al. International Journal of Production Economics. Dec. 2016. Vol. 182.P. 230–252.DOI: 10.1016/j.ijpe.2016.08.032. | en |
| dc.relation.references | A Sample Average ApproximationApproach for Stochastic Optimization of Flight Test Planning with Sorties Uncertainty / L. Juet al. Mathematics.Sep. 2024. Vol. 12, No19.P. 3024.DOI: 10.3390/math12193024. | en |
| dc.relation.references | BemporadA.An L-BFGS-B Approach for Linear and Nonlinear System Identification Under $\ell _{1}$ and Group-Lasso Regularization.IEEE Trans. Automat. Contr. Jul. 2025.Vol. 70, No7.P. 4857–4864.DOI: 10.1109/tac.2025.3541018. | en |
| dc.relation.references | Dalvand Z., HajarianM.Solving generalized inverse eigenvalue problems via L-BFGS-B method.InverseProblems in Science and Engineering.Jun. 2020. Vol. 28, No12.P. 1719–1746.DOI: 10.1080/17415977.2020.1763982. | en |
| dc.identifier.doi | https://doi.org/10.31649/2307-5376-2026-1-219-227 | |
| dc.identifier.orcid | https://orcid.org/0009-0002-8974-848X | |
| dc.identifier.orcid | https://orcid.org/0000-0002-7624-7072 | |