Abstract
<jats:p>У даній роботі розглянута організація маршрутизації даних у багаторівневих туманних мережах, які поєдну- ють велику кількість гетерогенних IoT-пристроїв, проміжні туманні вузли та віддалені хмарні центри обробки. Показано, що традиційні підходи до маршрутизації, розроблені переважно для більш простих і відносно ста- тичних мережних структур, не забезпечують потрібного рівня затримки, надійності та енергоефективнос- ті в умовах динамічних туманних інфраструктур з нерівномірним розподілом навантаження. На основі опра- цьованих джерел узагальнено основні групи методів маршрутизації для туманних мереж: кластерні рішення з використанням SDN, динамічні підходи, що спираються на машинне та глибинне навчання, метаевристичні багатокритеріальні алгоритми, а також інтегровані підходи, у яких маршрутизація розглядається разом із керуванням ресурсами та забезпеченням безпеки. Окрему увагу приділено аналізу критеріїв, які на практиці най- більше впливають на роботу системи, а саме: затримка передавання, надійність каналів зв’язку, енергоспожи- вання, пропускна здатність та вимоги до якості обслуговування для різних класів трафіку. На прикладі системи екологічного моніторингу показано, як перехід від повністю хмарної архітектури до багаторівневої туманної дозволяє зменшити затримку доставки критичних даних, знизити навантаження на центральну інфраструк- туру, підвищити стійкість до відмов окремих компонентів і краще враховувати локальні особливості серед- овища. На основі порівняльного аналізу сформульовано орієнтовні практичні рекомендації щодо вибору методів маршрутизації для невеликих IoT-систем з помірними вимогами до затримки, великомасштабних розгортань з нерівномірним трафіком та енергообмежених сенсорних мереж, де критичною є тривалість автономної робо- ти вузлів. Окреслено перспективні напрями подальших досліджень, пов’язані з уніфікацією протоколів взаємодії між рівнями туманної архітектури, інтеграцією механізмів безпеки без суттєвого погіршення продуктивності, а також розробкою ресурсоефективних алгоритмів машинного навчання, які можуть працювати безпосередньо на туманних вузлах із обмеженими обчислювальними та енергетичними можливостями</jats:p>