Предиктивне управління оновленнями програмного забезпечення в інтернеті речей
DOI: 10.31673/2412-9070.2025.051172
Анотація
Стрімке поширення Інтернету Речей (IoT) створило безпрецедентні виклики в обслуговуванні та оновленні програмного забезпечення на мільйонах різнорідних пристроїв, що працюють у динамічних середовищах. Це дослідження присвячене вирішенню критичної проблеми неефективного управління оновленнями ПЗ у масштабних мережах IoT, де традиційні методи розгортання часто виявляються недостатньо гнучкими, безпечними та надійними. У статті представлено інноваційний інтелектуальний фреймворк, який синергетично поєднує алгоритми штучного інтелекту (ШІ) із стратегією canary-реліз, щоб революціонізувати процес оновлення для розподілених екосистем IoT. В основі цього інноваційного підходу лежить математична модель, яка забезпечує оптимізацію параметрів розгортання в реальному часі шляхом безперервного моніторингу метрик продуктивності системи та шаблонів відмов. Запропонований фреймворк використовує методи навчання з підкріпленням для створення автономної системи прийняття рішень, здатної динамічно коригувати стратегії впровадження на основі поточних станів мережі та продуктивності пристроїв. Агент ШІ функціонує у формально визначеному просторі станів, що охоплює критичні параметри, такі як кількість успішно оновлених пристроїв, поточний рівень помилок та індикатори навантаження системи. Шляхом ітеративного навчання система розробляє оптимальну політику для керування розгортанням оновлень, оцінюючи дії за допомогою комплексної функції вартості, яка балансує вимоги стабільності з операційною ефективністю. Ця функція включає зважені фактори, такі як частота збоїв, деградація продуктивності та загальна тривалість розгортання, що дозволяє системі приймати обґрунтовані рішення щодо продовження, призупинення або відкату оновлень. Експериментальні результати демонструють, що модель canary release, посилена ШІ, досягає значного покращення надійності розгортання та ефективності використання ресурсів у порівнянні з традиційними підходами. Система зменшує кількість збоїв, пов'язаних із розгортанням, одночасно скорочуючи загальний час впровадження, що суттєво підвищує безперервність роботи у критичних IoT-додатках. Крім того, фреймворк оптимізує споживання мережної пропускної здатності завдяки інтелектуальним механізмам планування та пріоритизації, вирішуючи одну з найактуальніших проблем у середовищах IoT великого масштабу. Математична формалізація процесу розгортання забезпечує міцну теоретичну основу для відтворюваних результатів і подальших академічних досліджень. Запропоноване рішення не лише вирішує нагальні операційні завдання, але й відкриває шлях до розвитку самовідновлюваних IoT-інфраструктур, здатних до адаптивної поведінки в умовах все більш складних мережних середовищ. У статті окреслено перспективні напрями для майбутньої роботи, включаючи інтеграцію федеративного навчання для аналітики зі збереженням конфіденційності та розробку можливостей предиктивного технічного обслуговування для проактивного управління системою.
Ключові слова: Інтернет Речей; оновлення програмного забезпечення; штучний інтелект; навчання з підкріпленням; canary-реліз; оптимізація розгортання; інформаційні системи; математична модель.
