Аналіз даних та машинне навчання у хмарних та туманних платформах для ефективної передачі даних

Abstract

Метою кваліфікаційної роботи є проаналізувати методи ефективної передачі даних у хмарних та туманних платформах, розробка оптимізованої архітектури хмарно-туманних обчислень для критичних інтернет речей (IoT)-систем із забезпеченням балансу енергоефективності, низьких затримок та квантової криптостійкості. У ході виконання кваліфікаційної роботи створено архітектуру EcoFog+, що інтегрує машинне навчання на периферії (стиснення даних до 75%) та квантово-стійке шифрування (гібрид ECDH+Kyber). Експериментально доведено зниження затримок до 28 мс у телемедичних сценаріях та скорочення вуглецевого сліду на 57% для розумних міст. Практичну цінність підтверджено впровадженням у медичних установах та промислових IoT-мережах з економією експлуатаційних витрат на 37%. Робота визначає обмеження архітектури (макс. 128 вузлів, температурний діапазон -35°C...+75°C) та встановлює кореляцію 1 ТБ даних = 120 кг CO₂ (R²=0.93).