CC BY
25
УДК 681.518:004.93.1'
В.В. МОСКАЛЕНКО, С.В. П1МОНЕНКО
МЕТОД ПРОГНОЗУВАННЯ Р1ВНЯ СПРИЙНЯТТЯ ЯКОСТ1 ОБСЛУГОВУВАННЯ В 1НФОРМАЦ1ЙНО-ТЕЛЕКОМУН1КАЦ1ЙНИХ СИСТЕМАХ
Пропонуеться в рамках функцiонально-вартiсного аналзу синтез вирiшальних правил для прогнозування рiвня сприйняття якостi обслуговування ктентш шформацшно-теле-комушкащйно! системи. Розглядаеться застосування узагальненого критерш 1.В. Кузьмiна, шформацшна складова якого обчислюеться в процеа iнформацiйно-екстремального на-вчання, а варпсна складова - в процесi тдрахунку затрат на формування вхiдного матема-тичного опису системи та втрат внаслiдок помилок прогнозування.
Вступ
З розвитком шформацшно-телекомушкацшних систем потреби киенпв i !х поведiнка змiнилися. Центр уваги змщуеться вiд пiдвищення продуктивносп мережi до покращення сприйняття якост обслуговування (Quality of Experience, QoE). Забезпечення заданого рiвня QoE для послуг i додаткiв стае фундаментальною задачею при реалiзацil наскрiзного керування ресурсами [1,2]. На рiвень QoE впливають технологiчнi, соцiальнi та економiчнi фактори. При цьому технологiчнi фактори пов'язаш з якiстю обробки зростаючих обсягiв трафiка, а соцiальнi характеризують вид контенту (аудiо, вiдео, шше), область застосування (освiта, мистецтво, медицина), споаб надання послуг (streaming, broadcast, файл), напрямок потоюв (однонаправленi, двонаправлеш, мультинаправленi), мiсце знаходження (в транспорт^ вдома, на вулицi) та пристрш доступу (смартфон, ноутбук, планшет). Економiчнi фактори пов'язанi з бажанням постачальникiв збiльшити свiй прибуток, зберегти iснуючих та залучити нових ктенпв шляхом розвитку позитивного чи негативного досвщу користу-вачiв вiдносно тих чи шших послуг через рекламу, програми лояльностi та iншi методи впливу.
В працях [3,4] показано, що зв'язок QoE з традицiйними ключовими метриками продук-тивностi (Key Performance Indicators) шформацшно-телекомушкацшних систем мае не-лшшний, нестацiонарний та часто неоднозначний характер. Як було показано в працях [5,6], перспективним шдходом для оцшювання QoE е застосування щей i методiв машинного навчання та розшзнавання образiв. При цьому врахування контекстних факторiв через доступш метаданi та результати опитувань ктенпв дозволяе побудувати бiльш точнi моделi прогнозування QoE [7] i реалiзувати цiнову диференцiацiю надання послуг. В робот
[8] пропонуеться перехiд вщ угод про рiвень послуг (Service Level Agreements, SLA) до угод про рiвень очшувано! якостi послуг (Experience Level Agreements, ELA). При цьому перешкодою до широкого впровадження угод ELA е вщсутшсть единого погляду на питання формування вхщного математичного опису систем оцшювання QoE для рiзноманiтних шформацшно-телекомушкацшних сервюв та недослщжешсть проблеми ошташзацп пов'я-заних з цим витрат i вiдповiдно прибутку. Основна причина такого стану обумовлена невиршеними проблемами науково-методолопчного характеру, пов'язаними з незаверше-шстю формування основ функцiонально-вартiсного аналiзу.
Одним з перспективних шляхiв вирiшення проблеми шформацшного синтезу систем керування слабоформалiзованими процесами в рамках функцiонального шдходу е застосування iдей i методiв iнформацiйно-екстремальноl iнтелектуальноl технологil аналiзу даних, яка грунтуеться на максимiзацil iнформацiйноl спроможностi системи в процеш ll навчання
[9]. Для врахування вартюно! складово1 в [9] запропоновано викорстовувати узагальнений критерiй I. В. Кузьмша.
У данiй статтi в рамках функцюнально-вартюного аналiзу розглядаеться задача синтезу шформацшно-екстремального класифiкатора рiвнiв QoE, здатного адаптуватися до умов i потреб ринку шформащйно-телекомушкацшних послуг.
1. Постановка задачi
Нехай дано алфавгг raaciB розтзнавання { хm Im = 1, M }, як описують яюсть сприйнят-
тя сервюу шформащйно-телекомушкащйно1 системи. Як peалiзащl кожного класу розтзна-вання розглядаються впоpядкованi вектори ознак, до складу яких входять метрики продук-тивност та данi контекстних фактоpiв впливу на QoE. Вiдомi матриця {Cm,k | m = 1, M;k = 1,M}, що мicтить втрати внаслщок помилкового pозпiзнавання peалiзацil класу Xm, як peалiзацil класу Xk та цiна W одного опитування щодо piвня якосп cepвicy. Вiдомий структурований вектор паpамeтpiв фyнкцiонyвання клаcифiкатоpа:
g =< ^28i,dm >, (1)
де nm - кiлькicть вeктоpiв-peалiзацiй у вибipцi m-го класу для потреб навчання та перенавчання; 2 - словник ознак розтзнавання; Si - параметр, що визначае для i -l ознаки ширину поля контрольних допycкiв; dm - кодовий pадiyc контейнера класу Xm, що вщнов-люеться в pадiальномy базиci бiнаpного простору ознак .
При цьому задано таю обмеження: nm > nmjn, де nmjn - мiнiмальний репрезентативний обсяг вибipки для навчання (перенавчання); dm < d(xm © xc), де d(xm © xc) - кодова
вщстань мiж двiйковим еталонним (усередненим) вектором класу х m та двшковим ета-
лонним (усередненим) вектором сусщнього класу х0 ; Si е[0;Smax], де Smax - граничне
значення параметра поля контрольних допусюв.
Нeобхiдно в процес навчання системи сформувати навчальну матрицю типу "об'ект-
властивють" jymi 1 m _ 1, M;J _ 1, nm; i _ 1 n}, де N - потyжнicть повного словника ознак
pозпiзнаванн, та визначити оптимальш значення координат вектора паpамeтpiв функщону-вання (1), що забезпечують максимальне значення узагальненого критерда функщонально1 eфeктивноcтi (КФЕ):
j _ E___C min_
Emax C training + cerror (2)
де E - усереднене за алфавiтом клаciв {х m} значення iнфоpмацiйного кpитepiю ефектив-ноcтi машинного навчання клаcифiкатоpа piвнiв QoE; Emax- максимальне граничне значення шформацшного кpитepiю; Cmin - мшмальне граничне значення витрат оператора/
провайдера, пов'язаних з eкcплyатацiею системи ощнювання piвня QoE; C training - значення затрат на експлуатащю системи, що включае, наприклад, витрати на опитування респон-денпв i отримання контекстних ознак, вартють системних pecypciв, задiяних при навчанш
(пepeнавчаннi) та eкзамeнi; Cerror - втрати оператора/провайдера шформащйно-телекому-шкащйно1 системи, пов'язаш зi штрафами та неоптимальним керуванням ГГ-шфраструкту-рою внаcлiдок помилкового ощнювання piвня QoE.
Нeобхiдно в peжимi екзамену, тобто в робочому peжимi системи оцiнювання якоcтi шформащйно-телекомуткацшних cepвiciв, прийняти piшeння про належтсть вектора-реаль
зацп до одного з клаciв алфавiтy {х ^ }, сформованого на eтапi навчання, з метою прогнозу-вання piвня QoE.
2. Алгоритм самонавчання функщнування здатного навчатися класификатора
Кодування навчально! матpицi в рамках 1Е1-технологи здшснюеться з урахуванням ймовipнicних характеристик як кшьюсних, так i катeгоpiальних ознак в базовому клас
хБ е{х°1} за правилами:
x(j) =|i, якщо AL,i ^ уЩд á AH,i; m,i |
10, iнaкшe
x(j) = |i,якщо ymm)i=vr та aL,Í ¿ fm)ir ^ AH,i;r=i-C
xm, C*i - r"1 " r_1, C,
10, iнaкшe
де УщЛ - числове значення i -ï ознaки в j -й peaлiзaцiï m -го клaсy pозпiзнaвaння; Al,í,
Ah,í - нижнш тa вepxнiй пороги системи контрольна допyскiв; C - кiлькiсть номiнaльниx
знaчeнь, що може пpиймaти i -та кaтeгоpiaльнa ознaкa; Vr - r -e значення кaтeгоpiaльноï
f(j) • -ознaки; fm i r - вщносна чaстотa появи r -го значення в i -й кaтeгоpiaльнiй ознащ.
Пpоцeдypa двiйкового кодyвaння i -ï ознаки потpeбye обчислення вepxньоï Ah,í тa
нижньо1' Al,í меж поля контpольниx допyскiв, що здiйснюeться зa пpaвилaми :
AВ,i = УВД +gi; AH,i = УБ,i -gi,
де Si - зaдaний пapaмeтp поля контpольниx допyскiв для i-ï ознаки pозпiзнaвaння; УБ,i -середне вибipковe знaчeння ознaки / чaстоти появи кaтeгоpiaльноï ознaки в бaзовомy клaсi
ХБ e{X! } .
Iтepaцiйнa пpоцeдypa оптимiзaцiï впоpядковaного вeктоpa пapaмeтpiв поля контpольниx
допусмв <Si, S2 ,..Si,.., S N-i, S N > нa знaчeння ознaк тa вeктоpa ймовipностeй
<pi ,p2,..pi ,..,pN-i,pN > включення ознaк до робочого словникa E* полягае в мaксимiзaцiï yзaгaльнeного критерда (2)
*
E = arg max{max{max Jk} (3)
EeQ GS {k}
де G s - облaсть допyстимиx знaчeнь поля контpольниx допyскiв; {k} - множит кроюв оптимiзaцiï гeомeтpичниx пapaмeтpiв розбиття.
Як кpитepiй eфeктивностi мaшинного нaвчaння клaсифiкaтоpa pозглядaeться модифша-цiя iнфоpмaцiйноï мipи Kyльбaкa [7] :
Em =
i-2[pia m +p 2ßni)]
slog 2
i- [piaffi + p 2ߣ)]
piaík) + p 2ßrn)
(4)
тут am - помилка другого роду при pозпiзнаваннi peaлiзaцiй клaсy X m ßm - помилка
другого роду; pi, p2 - оцшка безумовно1' ймовipностi появи peaлiзaцiй класу хЩ та
найближчого до нього сyсiднього класу хo вiдповiдно.
Робоча (допустима) область визначення функци iнфоpмaцiйного критерда обмежена нepiвностями Di,m = i - am > 0,5, D2,m = i - ßm > 0,5 .
При обчисленш витрат, пов'язаниx з використанням системи оцшювання piвнiв QoE, в даному дослiджeннi запропоновано обмежитися затратами на формування вxiдного мате-матичного опису та втратами внаслщок неточно!' оцiнки piвня QoE:
M MM
Z nm + Z Z C
m=1 m=1 k=1
C = Ctraining + cerror = W * Z nm + Z Z Cm,k * nm,k,
де nm,k - юльюсть реалiзацiй класу xm, Щ° потрапляють до контейнера класу Xk .
При ощнщ втрат враховуеться, що за вiдсутностi машинного навчання ршення прий-маеться на основi контролю виконання умов контракпв на обслуговування (SLA), а пiсля формування виршальних правил штрафи за порушення умов SLA зшмаються тiльки при порушенш умов ELA, тобто при вщсутносп адекватно! реакци на зниження QoE.
Оскiльки в задачах багатопараметрично! оптимiзацil окрiм точностi обчислень набувае важливого значення пiдвищення оперативностi, то для оптимiзащl в рамках 1Е1-технологи параметрiв функцiонування класифiкатора було обрано роевий алгоритм пошуку косяка риб (Fish School Search, FSS), який на вiдмiну вщ iнших алгоритмiв еволюцшного програмування, основаних на iмiтацil механiзмiв природи, вiдрiзняеться простотою реатзацл, штерпрета-бельнiстю та високою швидкiстю збiжностi [9].
В алгоритмi FSS кожна риба збер^ае одне з ршень задачi. При цьому косяк риб е агрегащею агентiв рою, яю рухаються приблизно з одшею й тiею ж швидкiстю i орiентацiею, пiдтримуючи приблизно однакову вщстань мiж собою. Iндивiдуальний успiх кожно! риби в пошуцi рiшення характеризуемся ll вагою, що вiдiграе роль пам'ям Кожна iтерацiя пошуку виконуе двi групи операторiв - годування та плавання.
Оператор годування формалiзуюе успiшнiсть дослiдження агентами тих чи шших областей "акварiуму" i полягае в обчисленнi ваги z -го агента, яка пропорцiйна нормалiзованiй рiзницi значень фггнес-функцп на наступнш та поточнiй iтерацiях:
wz[k + 1] = WzM + J(Pz[k + 1])- J(pz[k]) , z = 1Z, max(J(Pz [k + 1]), J(Pz[k]))
де Pz [k +1], Pz [k] - позицiя z -го агента в багатовимiрному просторi рiшень на k -й та (k +1) -й тераци агоритму FSS.
Максимально можливе значення ваги агента wz у алгоршм FSS обмежуеться значен-ням wmax > 0. При цьому тд час шщатзацл популяци вшм агентам присвоюеться вага, що рiвна w max -0,5.
В алгоршм FSS розрiзняють три види плавання - iндивiдуальне, шстинктивно-колектив-не та колективно-вольове. Ui види плавання здшснюються послiдовно один за одним в
окремi iнтерваличасу (t,т],(т,0],(0,t'), t<х<9<t',t' = t + 1.
Пiд час iндивiдуального плавання агентiв вiдбуваеться !х перемщення, що мае рiвноймо-вiрний випадковий характер. При цьому за одну ггеращю алгоритму FSS крок iндивiдуально-
го плавання виконуеться фiксовану кшьюсть разiв. Компоненти кроку перемiщення vznd рiвномiрно розподiленi в заданому iнтервалi у^Плу :
V^ = U(0;1)vjndx, z = IZ,
де U(0;1) - випадкове число iз заданого дiапазону (0;1).
В процес iнстинктивно-колективного плавання на кожного з агенлв чинять вплив всi iншi агенти популяци i цей вплив пропорцшний iндивiдуальним успiхам агентiв. При цьому позицп агентiв обчислюються за формулою
Z vjnd (T)(J (PjT ) - J(PJt))
P;0 = P;T -, z =1Z
Z J(PJ ) - J(Pjt) . (5)
J
Колективно-вольове плавання полягае у змiщеннi вшх агентiв у напрямку поточного центру тяжшня популяцп за умови збшьшення сумарно! ваги косяка риб в результат iндивiдуального та iнстинктивно-колективного плавання. Якщо сумарна вага змешилась, то змщення вiдбуваеться в протилежному напрямку.
Колективно-вольове плавання виконуеться за правилами
рЪ = Р^ ± V™1 (Р| - Рсе), ъ - ^, (6)
де рсе - координати центра тяжшня косяка риб, що визначаються за формулою
Е ^Ъ
Ре = 2 Рс -
ЕwZ .
ъ
е е-1
У формулi (6) знак плюс використовуеться за умов Е wЪ >Е wЪ"J , а знак мiнус - в
ъ ъ
протилежному випадку. При цьому розмiр кроку перемiщення агенпв ууо1 е випадковою величиною
vv0l - УЙХи(0;1),
де Vn0lx - закодоване значения максимально допустимо! довжини кроку перемщення при
колективно-вольовому плаванш.
Оптимiзацiя затрат на машинне навчання здiйснюеться в процесi максимiзацil узагальне-ного критерiю (2). При цьому умовою зупину е зменшення критерiю (2) на значення, що перевищуе заданий порiг д. Розглянемо основш кроки алгоритму оптимiзацil затрат на навчання.
1. Обчислення мiнiмальних витрат на обслуговування системи оцшювання QoE.
2. Формування навчальних вибiрок мiнiмального обсягу з максимальним словником ознак для заданого алфав^ клаав.
3. Iнiцiалiзацiя лiчильник кроюв збiльшення затрат на машинне навчання: к := 0 .
4. Додатковi опитування респондентiв.
5. Запуск алгоритму шформацшно-екстремального навчання (3).
6. к:- к + 1.
7. Якщо 1[к] > I тах[к -1], то I тах[к]:- 1[к], iнакше - I тах[к]:-1 тах[к -1] .
8. Якщо Iтах [к] - 1[к] > Д, де д - заданий пор^, то перехщ до кроку 9, шакше - до кроку
4.
9. ЗУПИН.
У режимi екзамену рiшення про належшсть вектора-реалiзацil х(^) до одного з клашв алфавiту {X т} приймаеться шляхом обчислення геометрично! функцн належностi
Цт = 1-^'т'
d(xm © х( •')) dr
т
де d(xm © х(^)) - кодова вщстань вiд центра к -го контейнера класу хГ до вектора х(^).
Таким чином, алгоритм машинного навчання в рамках функщонально-вартюного аналiзу полягае у реатазацл ^ерацшно! процедури максимiзацil узагальненого критерiю ефектив-ностi системи (2) з метою формування оптимальних в iнформацiйному та варюному сенсi вхвдного математичного опису та вщповщних вирiшальних правил.
3. Результати фiзичного моделювання
За даними мошторингу процесу обслуговування мобiльних ктенпв сервiс-провайдера мультимедiйного контенту було сформовано вибiрки спостережень для трьох клашв сприй-няття якостi обслуговування QoE [5,6]. Клас Xj0 характеризував неприйнятний (незадов-iльний) рiвень якостi, а X^ та X 0 - прийнятний та вiдмiнний рiвнi якост обслуговування вiдповiдно. Обсяг вибiрки кожного класу становив nmax = 400, а потужшсть повного словника ознак - N = 25 . До словника ознак включено ключовi та штегральш показники продуктивност компоненпв IТ-iнфраструктури, задiяних у наданш сервiсу, та контекстнi ознаки, що характеризують тип, популярнiсть та щну мультимедiйного контенту, мiсце розтащування користувача, тип пристрою перегляду, тип мережевого з'едання, час доби та день тижня.
На рис.1 показано графiк оптишзацл затрат на машинне навчання класифшатора рiвнiв QoE за узагальненим критерiем (2). При цьому графiк змши вартюно! складово!
KC = Cmin /(Ctraining + cerror) узагальненого критерiю (2) помiчено номером 1, а графш змiни шформацшно! складово! ефективностi класифiкатора Ki = E/Emax мае номер 2. Навчання починаеться при обсязi вибiрок nmjn =100 . З метою отримання оптимальних в iнформацiйному та вартюному сенсi вирiшальних правил навчальш вибiрки доповнються новими класифiкованими векторами, що збшьшуе затрати, але може тдвищити шформащй-ну складову ефективносп класифiкатора.
Ki, Кс"
50 80 110 140 170 200 230 260 290 320 350 Ctrain
Рис. 1. Залежшсть шформацшно! та вартюно! складово! узагальненого критерш вщ затрат на машинне навчання: 1 - вартюна складова; 2 - iнформацiйна складова
Анал1з рис.1 показуе, що тдвищення затрат на машинне навчання дозволяе дещо шдви-щити достов!ршсть виршальних правил 1 вщповщно зменшити втрати внаслщок невиправ-дання очшувань ктенпв щодо якост сервюу чи простою невикористаних ресуршв. При цьому починаючи з деякого р1вня затрат, вони стають невиправданими, оскшьки ютотно не шдвищують достов!ршсть виршальних правил. На рис.2 показано графш змши узагальненого критерда (2) вщ затрат на машинне навчання.
Графш, наведений на рис.2, побудований на повному набор! даних з метою шюстрацн законом!рносп, яка полягае в поступовому наростанш значення критер!ю та наступному його спаданш. В практичних (не лабораторних) умовах процес розширення навчано! матриц! припиниться рашше. Момент зупину визначаеться заданим порогом д, що визначае макси-мальне зменшення критерда (2) пор!вняно з глобальним максимумом.
Анал!з рис.2 показуе, що починаючи з вщм^ки С^щщ = 165 значення критер!ю (2) мае тенденщю до спадання ! в одному з локальних мшмум!в буде прийнято р!шення про зупин процедури навчання ! перехiд в робочий режим ощнювання р!вня QoE.
3
о-.-.-.-.-.-.-.-.-.-►
120 145 170 195 220 245 270 295 320 345 «га ¡11
Рис. 2. Графж залежноси узагальненого критерш (2) ввд затрат на навчання класиф1катора
На рис. 3 показано графш змши максимумiв усередненого за алфавiтом клаав шфорацш-ного критерiю КI в процес роево! оптишзаци косяком риб багатовимiрного вектора параметрiв, що включае в себе ймовiрностi входження ознак розпiзнавання до робочого словника та значення параметра поля контрольних допусюв для кожно! ознаки розтзнаван-ня, при оптимальному обсязi навчально! матрицi.
Етях 0,30
0,25
0,20
0,15
0,10
0,05
0,00
0 250 500 750 1 000 1 250 1 500 к
Рис. З.Залежтсть КФЕ вщ кшькосп перемщень агенпв роевого пошуку
Аналiз рис.3 показуе, що в результат 1500 терацш алгоритму пошуку було знайдено оптимальш в iнформацiйному сенш словник ознак та параметри полiв контрольних до-пускiв на значення ознак розтзнавання. При цьому максимальна величина усередненого нормованого шформацшного критерда не досягае граничного значення. На рис.4 показано результати оптимiзацil геометричних параметрiв розбиття на класи е^валентност.
El
0,8
0,7 0,6 0,5
0,4 0,3 0,2 0,1 0,0
0
а б в
Рис. 4. Графши залежносп шформацшного критерш в1д рад1уса контейнера класу: а - клас х0 ; б -
клас X2 ; в - клас X3
Аналiз рис. 4 показуе, что оптимальш значення радiусiв гiперсферичних контейнерiв класiв х0 , X2 та X0 вщповщно равнi: d* =14, d2 = 7 та d3 =17 (в кодових одиницях). При
цьому значення шформацшного критерда для класiв х0 , X2 та X0 становлять e1 = 0,9 ,
e2 = 0,06 та eз = 0,075 , що вщповщае таким вiдповiдним значенням ймовiрностi правильного розпiзнавання Ptrue,1 = 0,99 , Ptrue,2 = 0,8, Ptrue,2 = 0,75 .
Таким чином, отримаш в процес оптимiзацil параметрiв функцiонування (1) виршальш правила для прогнозування рiвня QoE е оптимальними в шформацшному та вартiсному сенсi.
Висновки
В рамках функцюнально-вартюного аналiзу здiйснено синтез шформацшно-екстремаль-ного класифiкатора рiвнiв QoE, що враховуе як штегральш показники продуктивност компонентiв IТ-iнфраструктури, так i контекстнi ознаки. При цьому не вдалося отримати безпомилковi за навчальною матрицею виршальш правила, що пов'язано iз суб'ективною природою даних опитування та недостатньою iнформативнiстю словника ознак. Тому дослщження буде продовжено в напрямку розширення словника iнформативними ознаками. Список л1тератури: 1. Skorin-Kapov L. A Multi-Dimensional View of QoE: the ARCU Model / L. Skorin-Kapov, M. Varela // Proceedings of the 35th International Convention MIPRO. 2012. Optija, Crotia : IEEE Press. P. 662 - 666. 2. BalachandranА. Developing a Predictive Model of Quality ofExperience for Internet Video / A. Balachandran, V. Sekar, A. Akella, S. Seshan, I. Stoica, H. Zhang // Proceedings of the ACM SIGCOMM conference. 2013. Vol. 43, I. 4. New York, NY, USA : IEEE Press. P. 339-350. 3. Mateo P. A Context-aware Model for the Analysis of User Interaction and QoE in Mobile Environments / P. Mateo, D. S. Ruiz, G. M. Perez // International Journal ofHuman-Computer Interaction. 2014. Vol. 30, I. 12. Norwood, N.J, USA : Ablex Pub. P. 946-964. 4. Al-Shammari S. Defining a Metric for Measuring QoE of SaaS Cloud Computing / S. Al-Shammari, A. Al-Yasiri // Proceedings ofthe PGNET 2014 Conference. Liverpool, United Kingdom : IEEE Press. 2014. P. 251-256. 5. Bouten N. QoE Optimization Through In-Network Quality Adaptation for HTTP Adaptive Streaming / N. Bouten, J. Famaey, S. Latre, R. Huysegems, B. D. Vleeschauwer, W. Van Leekwijck, F. D. Turck // Proceedings of the 8th International Conference on Network and Service
Management. 2012. Las Vegas, USA : IEEE Press, Research Publishing Services. P. 336-342. 6. Battilotti S. Approaches for Future Internet architecture design and Quality of Experience (QoE) Control / S. Battilotti, F. D. Priscoli, C. G. Giorgi, A. Pietrabissa, S. Monaco, M. Panfili, S. Canale, V. Surac // WSEAS transaction on Communications. 2015. Vol. 14. Wisconsin, USA : World Scientific and Engineering Academy and Society. P. 62-73. 7. Rojas-Mendizabala V. A. Toward Total Quality of Experience: A QoE Model in a Communication Ecosystem / V. A. Rojas-Mendizabala, A. Serrano-Santoyoa, R. Conte-Galvana, A. Gomez-Gonzalez // Conference on ENTERprise Information Systems. 2013. Vol. 50, I. 4. USA, NJ: IEEE Press. P. 5865. 8. Varela M. From Service Level Agreements (SLA) to Experience Level Agreements (ELA) : The challenges of selling QoE to the user / M. Varela, P. Zwickl, M. Xie, H. Schulzrinne, P. Reichl // Communication Workshop (ICCW), 2015 IEEE International Conference on 8-12 June 2015. 2015. London, UK : IEEE Press. P. 1741-1746. 9. Moskalenko V. V. Intelligent Decision Support System for Medical Radioisotope Diagnostics with Gamma-camera / A.S. Dovbysh, V.V. Moskalenko, A.S. Rizhova, O.V. Dyomin // Journal of Nano- and Electronic Physics. Sumy, Ukraine : Sumy State University. 2015. Vol.7, No 4. P. 04036-1-04036-7.
Надшшла до редколеги 01.08.2015 Москаленко В'ячеслав Васильович, старший викладач кафедри комп'ютерних наук Сумсь-кого державного ушверситету. HyraBi штереси: штелектуальш системи керування слабо-формалiзованими процесами, машинне навчання. Адреса: Украша, 40035, Суми, вул. Си-роватська, 66, кв. 84, м.т. +380664291318, e-mail: systemscoders@gmail.com. Пмоненко Сергш Володимирович, директор телекомушкащйно1 компани PSTS, астрант кафедри комп'ютерних наук Сумського державного ушверситету. Наyковi штереси: шфор-мацшно-телекомушкацшш системи, машинне навчання. Адреса: Украша, 40035, Суми, вул. 40 Роюв Жовтня, 43а/92, м.т. +380990777791, e-mail: pstsnet@gmail.com.
