ntvНаучно-технический вестник информационных технологий, механики и оптикиScientific and Technical Journal of Information Technologies, Mechanics and Optics2226-14942500-0373Университет ИТМО10.17586/2226-1494-2026-26-2-410-419ntv-604Research ArticleМАТЕМАТИЧЕСКОЕ И КОМПЬЮТЕРНОЕ МОДЕЛИРОВАНИЕMODELING AND SIMULATIONГенерация пространственно-временных рядов сетевой нагрузки в задачах граничных вычисленийGenerating spatiotemporal network load series in multi-access edge computing tasks using open datahttps://orcid.org/0000-0002-0536-2807ФилянинИ. В.FilianinI. V.

Филянин Иван Викторович — инженер

Санкт-Петербург, 197101

sc 58665582700

Ivan V. Filianin — Engineer

Saint Petersburg, 197101

sc 58665582700

adeptvin1@gmail.comhttps://orcid.org/0000-0001-5517-3038КапитоновА. А.KapitonovA. A.

Капитонов Александр Александрович — кандидат технических наук, доцент, заместитель декана, Новый университет Узбекистана; доцент

Ташкент, 100000, Узбекистан

Санкт-Петербург, 197101

sc 57202255729

Aleksandr A. Kapitonov — Uzbekistan PhD, Associate Professor, Associate Dean; Associate Professor

Tashkent, 100000, Uzbekistan

Saint Petersburg, 197101

sc 57202255729

kap2fox@gmail.comhttps://orcid.org/0009-0009-8697-7739МартынюкА. П.MartynyukA. P.

Мартынюк Алексей Петрович — инженер; студент

Москва, 127287

Санкт-Петербург, 197101

Alexey P. Martynyuk — Engineer, JSC; Student

Moscow, 127287

Saint Petersburg, 197101

martynyukAlexey05@gmail.comУниверситет ИТМОРоссияITMO UniversityRussian FederationНовый университет Узбекистана; Университет ИТМОРоссияNew University; ITMO UniversityRussian FederationАО «ТБанк»; Университет ИТМОРоссия“TBank”; ITMO UniversityRussian Federation202620042026262410419Copyright © Филянин И.В., Капитонов А.А., Мартынюк А.П., 20262026Филянин И.В., Капитонов А.А., Мартынюк А.П.Filianin I.V., Kapitonov A.A., Martynyuk A.P.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://ntv.elpub.ru/jour/article/view/604

Введение. Исследование систем принятия решений в задачах граничных вычислений с множественным доступом зачастую основывается на абстрактном представлении сети связи, не имеющей профилей сетевой нагрузки. Целью работы являлась разработка инструментов генерации пространственно-временных данных сетевой нагрузки в зависимости от архитектуры сети связи. Метод. Применены методы стохастической геометрии и статистические данные для формирования профиля возможной нагрузки. Для оценки работы методов стохастической геометрии разработан инструмент генерации и валидации пространственно-временных рядов с поиском паттернов из открытой базы вышек сотовой связи OpenCellID. Основные результаты. Выполнен анализ научных работ и открытых наборов данных расположения и нагрузки вышек сотовой связи. На основе анализа сделан вывод о низком качестве данных в задачах обучения систем принятия решений размещения вычислительных сервисов в геораспределенных узлах обработки данных. Разработан инструмент генерации и валидации пространственно-временных рядов с поиском паттернов из открытой базы вышек сотовой связи OpenCellID. Сравнительный анализ базового и калиброванного алгоритмов Hard-Core Point Process показал существенные различия в характеристиках генерируемых распределений. Для города Санкт-Петербурга калиброванная модель обеспечила увеличение плотности размещения станций в 99 раз, сокращение межстанционных расстояний в 52 раза при эффективной площади покрытия 0,04 км2. В случае города Новосибирска наблюдались аналогичные тенденции с меньшей интенсивностью: увеличение плотности в 12,5 раз, сокращение расстояний в 21 раз при площади покрытия 0,32 км2. Обсуждение. Использование пространственно-временных рядов, полученных с помощью разработанного инструмента генерации, позволит повысить точность алгоритмов размещения вычислительных сервисов и снизить задержки в системах граничных вычислений за счет предобучения на данных коррелирующих с реальным расположением вышек сотовой связи. С помощью предложенного инструмента генерации можно задать координаты местности предполагаемой сети связи, что окажет влияние на паттерны распределения вышек и позволит сгенерировать более точные пространственно-временные ряды.

Research into decision-making systems in multi-access edge computing systems is often based on an abstract representation of a communication network without network load profiles. The aim of this work was to develop tools for generating spatio-temporal network load data depending on the communication network architecture. In our work, we used stochastic geometry methods and statistical data to form a profile of possible load. To evaluate the performance of stochastic geometry methods, we developed a tool for generating and validating spatio-temporal series with pattern search from the OpenCellID open database of cell towers. During the work, an analysis of literature and public datasets on the location and load of cell towers was conducted. Based on the analysis, it was concluded that the data quality was low for the purposes of training decision-making systems for the placement of computing services in geographically distributed data processing nodes. A tool was also developed to generate and validate spatio-temporal series with pattern search from the OpenCellID open database of cell towers. A comparative analysis of the basic and calibrated Hard- Core Poisson Process algorithms showed significant differences in the characteristics of the generated distributions. For St. Petersburg, the calibrated model provided a 99-fold increase in station density and a 52-fold reduction in interstation distances with an effective coverage area of 0.04 km2. In the case of Novosibirsk, similar trends were observed with less intensity: a 12.5-fold increase in density and a 21-fold reduction in distances with a coverage area of 0.32 km2. The use of spatio-temporal series obtained with the help of the developed generation tools will improve the quality of training decision-making systems for the placement of computing services through pre-training on data correlated with the actual location of cell towers. In addition, the generation tool allows you to specify the coordinates of the area of the proposed communication network which can also affect the distribution patterns of towers and which in turn will allow you to generate more accurate spatio-temporal series.

граничные вычисления с множественным доступомстохастическая геометрияOpenCellIDпространственно-временные рядыHard-Core Poisson Processmulti-access edge computingstochastic geometryOpenCellIDspatiotemporalHard-Core Poisson ProcessReferencesAl-Bahri M., Alkishri W., Ahmed F.Y.H., Alshar’e M., Maskari S.A. Enhancing IoT network security through digital object architecturebased approaches // Qubahan Academic Journal. 2024. V. 4. N 1. P. 224–239. https://doi.org/10.48161/qaj.v4n1a413Al-Bahri M., Alkishri W., Ahmed F.Y.H., Alshar’e M., Maskari S.A. Enhancing IoT network security through digital object architecturebased approaches. Qubahan Academic Journal, 2024, vol. 4, no. 1, pp. 224–239. https://doi.org/10.48161/qaj.v4n1a413Li N., Hao W., Zhou F., Chu Z., Yang S., Muta O., Gacanin H. Min– max latency optimization for IRS-aided cell-free mobile edge computing systems // IEEE Internet of Things Journal. 2024. V. 11. N 5. P. 8757–8770. https://doi.org/10.1109/jiot.2023.3322751Li N., Hao W., Zhou F., Chu Z., Yang S., Muta O., Gacanin H. Min– max latency optimization for IRS-aided cell-free mobile edge computing systems. IEEE Internet of Things Journal, 2024, vol. 11, no. 5, pp. 8757–8770. https://doi.org/10.1109/jiot.2023.3322751Hua H., Li Y., Wang T., Dong N., Li W., Cao J. Edge computing with artificial intelligence: a machine learning perspective // ACM Computing Surveys. 2023. V. 55. N 9. P. 1–35. https://doi.org/10.1145/3555802Hua H., Li Y., Wang T., Dong N., Li W., Cao J. Edge computing with artificial intelligence: a machine learning perspective. ACM Computing Surveys, 2023, vol. 55, no. 9, pp. 1–35. https://doi.org/10.1145/3555802Pandey C., Tiwari V., Rathore R.S., Jhaveri R.H., Roy D.S., Selvarajan S. Resource-efficient synthetic data generation for performance evaluation in mobile edge computing over 5G networks // IEEE Open Journal of the Communications Society. 2023. V. 4. P. 1866–1878. https://doi.org/10.1109/OJCOMS.2023.3306039Pandey C., Tiwari V., Rathore R.S., Jhaveri R.H., Roy D.S., Selvarajan S. Resource-efficient synthetic data generation for performance evaluation in mobile edge computing over 5G networks. IEEE Open Journal of the Communications Society, 2023, vol. 4, pp. 1866–1878. https://doi.org/10.1109/OJCOMS.2023.3306039Ismail A.A., Khalifa N.E., El-Khoribi R.A. A survey on resource scheduling approaches in multi-access edge computing environment: a deep reinforcement learning study // Cluster Computing. 2025. V. 28. N 3. P. 184. https://doi.org/10.1007/s10586-024-04893-7Ismail A.A., Khalifa N.E., El-Khoribi R.A. A survey on resource scheduling approaches in multi-access edge computing environment: a deep reinforcement learning study. Cluster Computing, 2025, vol. 28, no. 3, pp. 184. https://doi.org/10.1007/s10586-024-04893-7Talpur A., Gurusamy M. DRLD-SP: A Deep-reinforcement-learningbased dynamic service placement in edge-enabled Internet of vehicles // IEEE Internet of Things Journal. 2022. V. 9. N 8. P. 6239– 6251. https://doi.org/10.1109/jiot.2021.3110913Talpur A., Gurusamy M. DRLD-SP: A Deep-reinforcement-learningbased dynamic service placement in edge-enabled Internet of vehicles. IEEE Internet of Things Journal, 2022, vol. 9, no. 8, pp. 6239–6251. https://doi.org/10.1109/jiot.2021.3110913Kabeer M., Nordin R., Behjati M., Shaharuddin F.Y.B.M. An urban multi-operator QoE-aware dataset for cellular networks in dense environments // arXiv. 2025. arXiv:2506.22484. https://doi.org/10.48550/arXiv.2506.22484Kabeer M., Nordin R., Behjati M., Shaharuddin F.Y.B.M. An urban multi-operator QoE-aware dataset for cellular networks in dense environments. arXiv, 2025. arXiv:2506.22484. https://doi.org/10.48550/arXiv.2506.22484Luo F., Zheng S., Ding W., Fuentes J., Li Y. An edge server placement method based on reinforcement learning // Entropy. 2022. V. 24. N 3. P. 317. https://doi.org/10.3390/e24030317Luo F., Zheng S., Ding W., Fuentes J., Li Y. An edge server placement method based on reinforcement learning. Entropy, 2022, vol. 24, no. 3, pp. 317. https://doi.org/10.3390/e24030317Pandey C., Tiwari V., Rodrigues J.J.P.C., Roy D.S. 5GT-GAN-NET: Internet traffic data forecasting with supervised loss based synthetic data over 5G // IEEE Transactions on Mobile Computing. 2024. V. 23. N 11. P. 10694–10705. https://doi.org/10.1109/TMC.2024.3364655Pandey C., Tiwari V., Rodrigues J.J.P.C., Roy D.S. 5GT-GAN-NET: Internet traffic data forecasting with supervised loss based synthetic data over 5G. IEEE Transactions on Mobile Computing, 2024, vol. 23, no. 11, pp. 10694–10705. https://doi.org/10.1109/TMC.2024.3364655Xiang B., Elias J., Martignon F., Di Nitto E. A dataset for mobile edge computing network topologies // Data in Brief. 2021. V. 39. P. 107557. https://doi.org/10.1016/j.dib.2021.107557Xiang B., Elias J., Martignon F., Di Nitto E. A dataset for mobile edge computing network topologies. Data in Brief, 2021, vol. 39, pp. 107557. https://doi.org/10.1016/j.dib.2021.107557Pasqualini L., Parton M. Pseudo random number generation: a reinforcement learning approach // Procedia Computer Science. 2020. V. 170. P. 1122–1127. https://doi.org/10.1016/j.procs.2020.03.057Pasqualini L., Parton M. Pseudo random number generation: a reinforcement learning approach. Procedia Computer Science, 2020, vol. 170, pp. 1122–1127. https://doi.org/10.1016/j.procs.2020.03.057Liu P., Lei J., Cao H., Garg S., Kaur K., Kaddoum G. A Stochastic geometry model and analysis scheme for SCMA aided mobile edge computing // Proc. of the IEEE Wireless Communications and Networking Conference (WCNC). 2024. P. 1–6. https://doi.org/10.1109/WCNC57260.2024.10570726Liu P., Lei J., Cao H., Garg S., Kaur K., Kaddoum G. A Stochastic geometry model and analysis scheme for SCMA aided mobile edge computing. Proc. of the IEEE Wireless Communications and Networking Conference (WCNC), 2024, pp. 1–6. https://doi.org/10.1109/WCNC57260.2024.10570726Gu Y., Yao Y., Li C., Xia B., Xu D., Zhang C. Modeling and analysis of stochastic mobile-edge computing wireless networks // IEEE Internet of Things Journal. 2021. V. 8. N 18. P. 14051–14065. https://doi.org/10.1109/JIOT.2021.3068382Gu Y., Yao Y., Li C., Xia B., Xu D., Zhang C. Modeling and analysis of stochastic mobile-edge computing wireless networks. IEEE Internet of Things Journal, 2021, vol. 8, no. 18, pp. 14051–14065. https://doi.org/10.1109/JIOT.2021.3068382Facchini C., Holland O., Granelli F., da Fonseca N.L.S., Aghvami H. Dynamic green self-configuration of 3G base stations using fuzzy cognitive maps // Computer Networks. 2013. V. 57. N 7. P. 1597– 1610. https://doi.org/10.1016/j.comnet.2013.02.011Facchini C., Holland O., Granelli F., da Fonseca N.L.S., Aghvami H. Dynamic green self-configuration of 3G base stations using fuzzy cognitive maps. Computer Networks, 2013, vol. 57, no. 7, pp. 1597– 1610. https://doi.org/10.1016/j.comnet.2013.02.011Bufetov A.I. Rigidity of determinantal point processes with the Airy, the Bessel and the Gamma kernel // Bulletin of Mathematical Sciences. 2016. V. 6. N 1. P. 163–172. https://doi.org/10.1007/s13373-015-0080-zBufetov A.I. Rigidity of determinantal point processes with the Airy, the Bessel and the Gamma kernel. Bulletin of Mathematical Sciences, 2016, vol. 6, no. 1, pp. 163–172. https://doi.org/10.1007/s13373-015-0080-zDeng N., Zhou W., Haenggi M. The Ginibre point process as a model for wireless networks with repulsion // IEEE Transactions on Wireless Communications. 2015. V. 14. N 1. P. 107–121. https://doi.org/10.1109/twc.2014.2332335Deng N., Zhou W., Haenggi M. The Ginibre point process as a model for wireless networks with repulsion. IEEE Transactions on Wireless Communications, 2015, vol. 14, no. 1, pp. 107–121. https://doi.org/10.1109/twc.2014.2332335Teichmann J., Ballani F., van den Boogaart K.G. Generalizations of Matérn’s hard-core point processes // Spatial Statistics. 2013. V. 3. P. 33–53. https://doi.org/10.1016/j.spasta.2013.02.001Teichmann J., Ballani F., van den Boogaart K.G. Generalizations of Matérn’s hard-core point processes. Spatial Statistics, 2013, vol. 3, pp. 33–53. https://doi.org/10.1016/j.spasta.2013.02.001Illian J., Penttinen A., Stoyan H., Stoyan D. Statistical Analysis and Modelling of Spatial Point Patterns. Wiley-Interscience, 2008. 560 p.Illian J., Penttinen A., Stoyan H., Stoyan D. Statistical Analysis and Modelling of Spatial Point Patterns. Wiley-Interscience, 2008, 560 p.Stoyan D., Kendall W.S., Mecke J. Stochastic Geometry and its Applications. John Wiley & Sons, 2013. 584 p.Stoyan D., Kendall W.S., Mecke J. Stochastic Geometry and its Applications. John Wiley & Sons, 2013, 584 p.ElSawy H., Hossain E., Haenggi M. Stochastic geometry for modeling, analysis, and design of multi-tier and cognitive cellular wireless networks: a survey // IEEE Communications Surveys and Tutorials. 2013. V. 15. N 3. P. 996–1019. https://doi.org/10.1109/surv.2013.052213.00000ElSawy H., Hossain E., Haenggi M. Stochastic geometry for modeling, analysis, and design of multi-tier and cognitive cellular wireless networks: a survey. IEEE Communications Surveys and Tutorials, 2013, vol. 15, no. 3, pp. 996–1019. https://doi.org/10.1109/surv.2013.052213.00000Ester M., Kriegel H.P., Sander J., Xu X. A density-based algorithm for discovering clusters // Proc. of the 2nd International Conference on Knowledge Discovery and Data Mining. 1996. P. 226–231.Ester M., Kriegel H.P., Sander J., Xu X. A density-based algorithm for discovering clusters. Proc. of the 2nd International Conference on Knowledge Discovery and Data Mining, 1996, pp. 226–231.Богатырев В.А., Богатырев С.В., Богатырев А.В. Граничная оценка надежности кластерных систем на основе декомпозиции марковской модели при ограниченном восстановлении узлов с накоплением отказов // Научно-технический вестник информационных технологий, механики и оптики. 2025. Т. 25. № 3. С. 574–583. https://doi.org/10.17586/2226-1494-2025-25-3-574-583Bogatyrev V.A., Bogatyrev S.V., Bogatyrev A.V. Boundary estimation of the reliability of cluster systems based on the decomposition of the Markov model with limited recovery of nodes with accumulated failures. Scientific and Technical Journal of Information Technologies, Mechanics and Optics, 2025, vol. 25, no. 3, pp. 574–583. (in Russian). https://doi.org/10.17586/2226-1494-2025-25-3-574-583Богатырев В.А., Богатырев С.В., Богатырев А.В. Оценка готовности компьютерной системы к своевременному обслуживанию запросов при его совмещении с информационным восстановлением памяти после отказов // Научно-технический вестник информационных технологий, механики и оптики. 2023. Т. 23. № 3. С. 608–617. https://doi.org/10.17586/2226-1494-2023-23-3-608-617Bogatyrev V.A., Bogatyrev S.V., Bogatyrev A.V. Assessment of the readiness of a computer system for timely servicing of requests when combined with information recovery of memory after failures. Scientific and Technical Journal of Information Technologies, Mechanics and Optics, 2023, vol. 23, no. 3, pp. 608–617. (in Russian). https://doi.org/10.17586/2226-1494-2023-23-3-608-617

The authors declare that there are no conflicts of interest present.