Математична модель узгодженої багаторівневої паралельної обробки потокових даних у системах штучного інтелекту реального часу
DOI:
https://doi.org/10.33216/1998-7927-2026-304-6-35-43Ключові слова:
потокова обробка даних, системи штучного інтелекту, наскрізна затримка, багаторівнева паралельність, пропускна здатність, математична модельАнотація
Запропоновано математичну модель узгодженої багаторівневої паралельної обробки потокових даних у системах штучного інтелекту реального часу, орієнтовану на зменшення наскрізної затримки за збереження заданих показників результативності інтелектуального опрацювання. Актуальність дослідження зумовлена тим, що сучасні системи штучного інтелекту функціонують як багатостадійні потокові обчислювальні контури, у яких часові обмеження формуються не лише тривалістю виконання окремої моделі, а сукупним впливом локальних обчислень і передавань, структури алгоритмічних залежностей, комунікацій, синхронізації, диспетчеризації та черг. У моделі потік подано послідовністю дискретних порцій зі сталою або заданою інтенсивністю надходження, а обробку порції — множиною взаємопов’язаних етапів із визначеними часовими характеристиками. Формалізовано стаціонарний інтервал формування результатів і пропускну здатність системи та встановлено умову потокової працездатності, за якої досяжна пропускна здатність не є меншою за інтенсивність надходження порцій. Наскрізну затримку декомпоновано на локальну, алгоритмічну та системну складові. Локальна складова характеризує внутрішньовузлові обчислення, доступ до пам’яті, передавання між пристроями та локальну синхронізацію; алгоритмічна визначається структурою графа залежностей і довжиною критичного шляху; системна охоплює комунікації, глобальну синхронізацію, диспетчеризацію та очікування в чергах. На основі декомпозиції введено домінуючу складову наскрізної затримки та встановлено відповідність між її типом і локальним, алгоритмічним або системним рівнем паралельної організації. Наукова новизна полягає у формалізації в межах єдиної математичної моделі взаємозв’язку між характеристиками потоку, складовими наскрізної затримки, пропускною здатністю та рівнями паралельної організації, що дає змогу обґрунтовано визначати напрям паралельного перетворення і повторно оцінювати структуру затримки після його застосування. Практичну придатність моделі проілюстровано на потоковій системі аналізу МРТ-зображень: визначення локальної складової як домінуючої обґрунтувало застосування багатопотокової попередньої обробки, що зменшило час проходу з 9,96 с до 1,09 с і підвищило пропускну здатність з 705,12 до 6443,12 зображення/с без погіршення точності класифікації. Запропонована модель не прив’язана до конкретного типу потокових даних або апаратної платформи та може використовуватися як формальна основа вибору рівня паралельної обробки в багатостадійних системах штучного інтелекту реального часу.
Посилання
1. Саламун К., Павіч І., Дзапо Х., Чуляк І. Слабко жорстка модель реального часу для систем керування: огляд. Sensors. 2023. Т. 23, № 10. С. 4652. DOI: https://doi.org/10.3390/s23104652.
2. Гомес Е., Коста Ф., Де Ролт К., Пленц П., Дантас М. Огляд застосувань від реального до майже реального часу в середовищах туманних обчислень. Telecom. 2021. Т. 2, № 4. С. 489–517. DOI: https://doi.org/10.3390/telecom2040028.
3. Сінгх Р., Гілл С. С. Edge AI: огляд. Internet of Things and Cyber-Physical Systems. 2023. Т. 3. С. 71–92. DOI: https://doi.org/10.1016/j.iotcps.2023.02.004.
4. Сзе В., Чен Ю.-Х., Янг Т.-Дж., Емер Дж. С. Ефективне опрацювання глибоких нейронних мереж: навчальний матеріал та огляд. Proceedings of the IEEE. 2017. Т. 105, № 12. С. 2295–2329. DOI: https://doi.org/10.1109/JPROC.2017.2761740.
5. Кренкшоу Д. та ін. InferLine: урахування затримки під час виділення ресурсів і масштабування конвеєрів прогнозування. Proceedings of the 11th ACM Symposium on Cloud Computing. 2020. С. 477–491. DOI: https://doi.org/10.1145/3419111.3421285.
6. Акідау Т. та ін. Модель Dataflow: практичний підхід до узгодження коректності, затримки та вартості в масштабній необмеженій потоковій обробці з невпорядкованими даними. Proceedings of the VLDB Endowment. 2015. Т. 8, № 12. С. 1792–1803. DOI: https://doi.org/10.14778/2824032.2824076.
7. Захарія М., Дас Т., Лі Х., Хантер Т., Шенкер С., Стойка І. Дискретизовані потоки: відмовостійкі потокові обчислення у масштабі. Proceedings of the Twenty-Fourth ACM Symposium on Operating Systems Principles. 2013. С. 423–438. DOI: https://doi.org/10.1145/2517349.2522737.
8. Квінтареллі Е., Рабосіо Е., Танка Л. Ефективне використання контекстного впливу для рекомендації нових елементів тимчасовим групам. Information Systems. 2019. Т. 84. С. 197–213. DOI: https://doi.org/10.1016/j.is.2019.05.003.
9. Міттал С., Веттер Дж. С. Огляд методів гетерогенних обчислень CPU–GPU. ACM Computing Surveys. 2015. Т. 47, № 4. С. 1–35. DOI: https://doi.org/10.1145/2788396.
10. Хестнесс Дж., Кеклер С. В., Вуд Д. А. Неефективність конвеєрів GPU-обчислень і можливості оптимізації в гетерогенних процесорах CPU–GPU. 2015 IEEE International Symposium on Workload Characterization. 2015. С. 87–97. DOI: https://doi.org/10.1109/IISWC.2015.15.
11. Шраєн Г. Прискорення та ефективність обчислювального розпаралелювання: узагальнювальний підхід і асимптотичний аналіз. Journal of Parallel and Distributed Computing. 2024. Т. 187. С. 104835. DOI: https://doi.org/10.1016/j.jpdc.2023.104835.
12. Кемерон К. В. За межами закону Амдала: як вимірювання й моделювання співвідношення енергоспоживання та продуктивності в масштабі визначають проєктування серверів і суперкомп’ютерів. Journal of Computer Science and Technology. 2023. Т. 38, № 1. С. 80–86. DOI: https://doi.org/10.1007/s11390-022-2950-7.
13. Лю С., Буйя Р. Керування ресурсами та планування в розподілених системах потокової обробки: таксономія, огляд і перспективні напрями. ACM Computing Surveys. 2021. Т. 53, № 3. С. 1–41. DOI: https://doi.org/10.1145/3355399.
14. Мочурад Л. Підхід до підвищення точності семантичної сегментації рентгенівських зображень грудної клітки шляхом інтеграції детектування контурів і глибокого навчання. Frontiers in Artificial Intelligence. 2025. Т. 8. С. 1522730. DOI: https://doi.org/10.3389/frai.2025.1522730.
15. Мочурад Л. І. Аналіз детектування контурів Canny на основі паралельного алгоритму, побудованої шкали складності та CUDA. Computing and Informatics. 2022. Т. 41, № 4. С. 957–980. DOI: https://doi.org/10.31577/cai_2022_4_957.
16. Мочурад Л., Мельничук К., Мочурад Ю. Оптимізація попередньої обробки МРТ головного мозку з використанням паралельних обчислень для ефективної класифікації пухлин мозку. The Journal of Supercomputing. 2026. Т. 82, № 3. С. 123. DOI: https://doi.org/10.1007/s11227-026-08282-2.
17. Нікпарвар М. Brain Tumor MRI Dataset. Kaggle. 2025. URL: https://www.kaggle.com/datasets/masoudnickparvar/brain-tumor-mri-dataset.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
