МАТЕМАТИЧНА МОДЕЛЬ ПОШУКУ ТА РОЗПІЗНАВАННЯ ОБ’ЄКТІВ У ВІДЕОПОТОЦІ ІЗ ЗАСТОСУВАННЯМ АНАЛІЗУ МІЖКАДРОВИХ ЗМІН
DOI:
https://doi.org/10.18372/2310-5461.66.20281Ключові слова:
математична модель, машинне навчання, комп'ютерний зір, обробка зображень, згорточні нейронні мережі, візуальне розпізнавання зображень, класифікація візуальних зображень, алгоритми, телекомунікаційні системиАнотація
У статті запропоновано метод вибору головного вузла в РТС з кластерною архітектурою та конвеєрною обробкою даних. Метод спрямований на забезпечення стійкого керування інформаційними потоками у кластері за умов динамічного змінення навантаження, нестабільності мережевих з’єднань і обмеженості обчислювальних ресурсів. На відміну від класичних процедур вибору лідера, які базуються на глобальній синхронізації або широкомовних виборчих алгоритмах, запропонований підхід реалізує детермінований вибір координатора на основі локального ранжування вузлів з урахуванням метрик затримки, обчислювальної потужності та унікальних ідентифікаторів.
У межах запропонованого методу удосконалено алгоритм вибору лідера Gossip, за рахунок доповнення механізмами періодичного обміну метриками, локального ранжування кандидатів, призначення резервних вузлів і автоматичного перемикання керування у разі виявлення відмови. Алгоритм передбачає збереження актуального стану вузлів у вигляді локальних списків, а також використання контрольних повідомлень типу heartbeat для підтвердження активності головного вузла. Розроблено механізми обмеження надлишкового поширення інформації через введення TTL (Time-To-Live) і маркерів ітерацій, що унеможливлює циркуляцію застарілих повідомлень.
Експериментальне моделювання показало, що удосконалений алгоритм забезпечує повну збіжність даних у кластері з 50 вузлів за 4–6 секунд, демонструє високу стійкість до втрат повідомлень (≤1 %) та мінімальні затримки при автоматичному перепризначенні координатора. У порівнянні зі швидким алгоритмом хулігана, запропонований підхід зменшує загальний мережевий трафік у фазі відновлення керування до 18 % і підвищує стабільність роботи кластеру в умовах частих змін топології.
Таким чином, запропонований метод дозволяє ефективно управляти кластерними РТС з конвеєрною обробкою даних без потреби у запуску виборчих процедур, що робить його придатним для впровадження у масштабовані та критично навантажені телекомунікаційні середовища.
Посилання
Yue W., Liu S., Li Y. (2023) Eff-PCNet: An Efficient Pure CNN Network for Medical Image Classification, Applied Sciences 13(16):9226, https://doi.org/10.3390/app13169226.
Cui W., Zhang Y., Zhang X., Li L., Liou F. (2020) Metal Additive Manufacturing Parts Inspection Using Convolutional Neural Network, Applied Sciences 10(2), 545; https://doi.org/10.3390/app10020545
Simonyan K., Zisserman A. (2014) Very Deep Convolutional Networks for Large-Scale Image Recognition, https://doi.org/10.48550/arXiv.1409.1556
Zhao, Z. et al. (2019). Object Detection With Deep Learning: A Review. IEEE Transactions on Neural Networks and Learning Systems, 30(11), 3212–3232. DOI: 10.1109/TNNLS.2018.2876865.
Liu W., Anguelov D., Erhan D., Szegedy C., Reed S., Fu C., Berg A. (2016) SSD: Single Shot MultiBox Detector, Computer Vision and Pattern Recognition, Р. 21–37, https://doi.org/10.1007/978-3-319-46448-0_2
Ravi N., El-Sharkawy M. (2022) Real-Time Embedded Implementation of Improved ObjectDetector for Resource-Constrained Devices. Journal of Low Power Electronics and Applications 12(2):21, April 2022, DOI:10.3390/jlpea12020021.
Huang W., Kang Y., Zheng S. (2017) An improved frame difference method for moving target detection. 2017 IEEE 16th International Conference on Cognitive Informatics & Cognitive Computing, DOI: 10.1109/ICCI-CC.2017.8109746.
Mohana, Ravish Aradhya H.V. (2022) Design and Implementation of Object Detection, Tracking, Counting and Classification Algorithms using Artificial Intelligence for Automated Video Surveillance Applications, Conference: 24th International Conference on Advanced Computing and Communications, 2022.
Singh, B., et al. (2014). Motion Detection for Video Surveillance. In Proceedings of the 2014 International Conference on Signal Propagation and Computer Technology (ICSPCT) (pp. 592–597). IEEE. DOI:10.1109/ICSPCT.2014.6884919.
Lysechko V.P., Sadovnykov B.I., Komar O.M., Zhuchenko О.S. (2024) A research of the latest approaches to visual image recognition and classification. 2024, National University «Zaporizhzhia Polytechnic». Radio Electronics, Computer Science, Control, 1(68), P. 140-147, DOI 10.15588/1607-3274-2024-1-13.
Warren L., (2025) Mathematical and Computational Modeling, https://www.researchgate.net/publication/389880837_Mathematical_and_Computational_Modeling
Lysechko V., Syvolovskyi I., Komar O., Nikitska A., Cherneva G.: Research of modern NoSQL databases to simplify the process of their design. Academic journal: Mechanics Transport Communications, 2023, vol. 21, issue 2, article №2363, ISSN 2367-6620.
Rodriguez, J.; Ayala, D. (2001) Erosion and Dilation on 2D and 3D Digital Images: A new size-independent approach. In Proceedings of the Vision Modeling & Visualization Conference, Stuttgart, Germany,
Lysechko V., Zorina O., Sadovnykov B., Cherneva G., Pastushenko V.: Experimental study of optimized face recognition algorithms for resource – constrained. Academic journal: Mechanics Transport Communications, 2023, vol. 21, issue 1, article №2343, ISSN 2367-6620.
Guruprasad P. (2020) Overview of different thresholding methods in image processing, Conference: TEQIP Sponsored 3rd National Conference on ETACC
Пуйда В. Я., Стоян А. О. (2020) Дослідження методів виявлення об'єктів на відеозображеннях. Комп’ютерні системи та мережі. Vol. 2, No. 1, С. 80-87, 2020, https://doi.org/10.23939/csn2020.01.080.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Науковий журнал дотримується принципів відкритого доступу (Open Access) та забезпечує вільний, негайний і постійний доступ до всіх опублікованих матеріалів без фінансових, технічних або юридичних обмежень для читачів.
Усі статті публікуються у відкритому доступі відповідно до ліцензії Creative Commons Attribution 4.0 International (CC BY 4.0).
Авторські права
Автори, які публікують свої роботи в журналі:
-
зберігають за собою авторські права на свої публікації;
-
надають журналу право на перше опублікування статті;
-
погоджуються на поширення матеріалів за ліцензією CC BY 4.0;
-
мають право повторно використовувати, архівувати та поширювати свої роботи (у тому числі в інституційних та тематичних репозитаріях) за умови посилання на первинну публікацію в журналі.
