Застосування методів машинного навчання в задачах прогнозу факторів, що вказують на потенційне партиціювання кластеру

Д.П. Сінько ¹, аспірант, К.Д. Сінько ^2
1 Інститут проблем моделювання в енергетиці
ім. Г.Є. Пухова НАН України
Україна, 03164, Київ, вул. Генерала Наумова, 15
тел. (050) 4241063; e-mail: Ця електронна адреса захищена від спам-ботів. Вам необхідно увімкнути JavaScript, щоб побачити її.;
² Національний технічний університет України
«Київський політехнічний інститут ім. Ігоря Сікорського»,
Україна, 03056, Київ, пр-т Берестейський, 37
тел. (044) 2049494; e-mail: Ця електронна адреса захищена від спам-ботів. Вам необхідно увімкнути JavaScript, щоб побачити її.

Èlektron. model. 2025, 47(6):58-68

https://doi.org/10.15407/emodel.47.06.058

АНОТАЦІЯ

Розглянуто варіант реалізації мовою програмування Python авторського підходу, який було запропоновано в роботі [1]. Аналіз результатів чисельного моделювання показав, що методи Random Forest та CatBoost демонструють найкращі результати в прогнозу­ванні факторів, що вказують на потенційне партиціювання кластеру. За результатами моделю­ван­ня зроблено висновки, що дозволяють архітекторам складних кластерних кі­бернетичних сис­тем взяти в якості робочого інструменту запропонований підхід з метою попередження ви­некнення критичного стану системи, пов'язаного з партиціюванням мережі.

КЛЮЧОВІ СЛОВА:

split brain problem, проблема розщеплення кластера (ПРК), парти­ціювання, алгоритми ML, кластер.

СПИСОК ЛІТЕРАТУРИ

1. Сінько, Д.П., Сінько, K.Д. Методи машинного навчання в задачах прогнозу фак­то­рів, що вказують на потенційне партиціювання кластеру. Електрон. моделювання. 2025. Т. 47, no. 1. P. 22—39. URL: https://doi.org/10.15407/emodel.47.01.022 [Дата звернення: 19.05.2025].
2. Bhuiyan S., Zheludkov M. Apache ignite book. Lulu Press, Inc., 2019. [Дата звернення: 04.01.2025].
3. Twu P., Egerstedt M., Martini S. Controllability of homogeneous single-leader networks. 49th IEEE conference on decision and control (CDC). Atlanta, GA, USA, 2010. P. 5869—5874. URL: https://doi.org/10.1109/CDC.2010.5718103. [Дата звернення: 20.04.2025].
4. Zhao M., Lin T., Mi F., Jaggi M., Schütze H. Masking as an efficient alternative to finetuning for pretrained language models. ArXiv. 2020. URL: https://doi.org/10.48550/arXiv.2004.12406. [Дата звернення: 02.05.2025].
5. Barabash O.V. Comparative analysis of the approximation of a probabilistic indicator of functional stability using Bernstein polynomials and feedforward neural networks. Connectivity. 2024. Т. 169, № 3. URL: https://doi.org/10.31673/2412-9070.2024.033237. [Дата звернення: 06.06.2025].
6. Sahai T., Speranzon A., Banaszuk A. Hearing the clusters in a graph: a distributed algorithm. Proceedings of the conference on decision and control. 2009. URL: https://doi.org/10.48550/arXiv.0911.4729. [Дата звернення: 25.04.2025].
7. Breiman L. Random forests. Machine learning. 2001. Т. 45. С. 5—32. URL: https://doi.org/10.1023/A:1010933404324. [Дата звернення: 09.01.2025].
8. He Z., Lin D., Lau T., Wu M. Gradient Boosting Machine: A Survey // ArXiv. — 2019. — URL: https://doi.org/10.48550/arXiv.1908.06951. [Дата звернення: 11.02.2025].
9. Hancock J.T., Khoshgoftaar T.M. CatBoost for big data: an interdisciplinary review. Journal of big data. 2020. Vol. 7. P. 94. URL: https://doi.org/10.1186/s40537-020-00369-8. [Дата звернення: 03.02.2025].
10. PSnik-Kostiantyn. SplitBrainDetector. 2025. https://github.com/PSnik-Kostiantyn/SplitBrainDetector [Дата звернення: 20.06.2025].

Повний текст: PDF