АНАЛИТИЧЕСКИЙ ОБЗОР СОВРЕМЕННЫХ АДАПТИВНЫХ МЕТОДОВ ПОТОКОВОЙ ОБРАБОТКИ ДАННЫХ В СИСТЕМАХ РЕАЛЬНОГО ВРЕМЕНИ

Системы реального времени обрабатывают непрерывные, нестационарные потоки данных, соблюдая при этом строгие ограничения по задержке, и используют механизмы адаптивного обучения для обеспечения стабильного уровня надежности прогнозирования. Современные методы достижения этой цели, как правило, отдают приоритет либо точности модели, либо вычислительной масштабируемости, а не интеграции метода адаптивного обучения в потоковую среду. Цель данного исследования – систематический обзор современных методов адаптивного обучения для обработки потоковых данных в реальном времени с использованием многоэтапной методологии, включающей библиометрический анализ, систематический обзор литературы и структурированный сравнительный синтез. Всего было проанализировано 58 исследований для выявления закономерностей в адаптивных возможностях, подходах к архитектурной интеграции и оценке производительности всей системы. Результаты показали постоянный компромисс между адаптивностью и детерминированной задержкой, а также отсутствие межслойной координации и измерения производительности. На основе аналитического синтеза рассмотренной литературы предлагается концептуальный межслойный аналитический фреймворк. Представлены методологические рекомендации по проектированию адаптивных систем, демонстрирующих высокий уровень производительности при сохранении стабильной работы в динамических, нестационарных средах.

1. Alam M.A., Nabil A.R., Mintoo A.A., Islam A. Real-time analytics in streaming big data: techniques and applications // Journal of Science and Engineering Research-2024. -Vol. 1(01). -P. 104-122. DOI: https://doi.org/10.70008/jeser.v1i01.56.

2. Almeida A. et al. Time series big data: a survey on data stream frameworks, analysis and algorithms //Journal of Big Data. – 2023. – Т. 10. – №. 1. – С. 83. DOI: https://doi.org/10.1186/s40537-023-00760-1.

3. Marcu O.C., Bouvry P. Big data stream processing // Proceedings of IEEE Big Data. -2023. DOI:10.1109/bigdata59044.2023.10386254.

4. Li S. et al. Federated and distributed learning applications for electronic health records and structured medical data: a scoping review // Journal of the American Medical Informatics Association. – 2023. – Т. 30. – №. 12. – С. 2041-2049. DOI:10.1093/jamia/ocad170

5. Aghazadeh Ardebili A., Hasidi O., Bendaouia A., Khalil A., Khalil S., Luceri D., Ficarella A. Enhancing resilience in complex energy systems through real-time anomaly detection // Energy Informatics. - 2024. -Vol. 7(1). -P. 96. DOI:10.1186/s42162-024-00401-8.

6. Muratova G., Jumagaliyeva A., Rystygulova V., Abdykerimova E., Turkmenbayev A., Serimbetov B., Yersultanova Z., Omarkulova G. Development of deep learning framework for complex pattern recognition in big data//Eastern-European Journal of Enterprise Technologies. - 2025. -Vol. 6(9 (138)). - P. 54–66. DOI:10.15587/1729-4061.2025.341468.

7. Hovakimyan G., Bravo J. M. Evolving strategies in machine learning: a systematic review of concept drift detection // Information. – 2024. – Т. 15. – №. 12. – С. 786. DOI: https://doi.org/10.3390/info15120786

8. Ntumba P., Georgantas N., Christophides V. Adaptive scheduling of continuous operators for iot edge analytics // Future Generation Computer Systems. – 2024. – Т. 158. – С. 277-293. DOI: https://doi.org/10.1016/j.future.2024.04.029

9. Mehmood H. et al. A novel edge architecture and solution for detecting concept drift in smart environments // Future Generation Computer Systems. – 2024. – Т. 150. – С. 127-143. DOI: https://doi.org/10.1016/j.future.2023.08.023

10. Sulaiman M. et. al. Online deep learning’s role in conquering the challenges of streaming data: a survey // Knowledge and Information Systems. – 2025. – Т. 67. – №. 4. – С. 3159-3203. DOI: https://doi.org/10.1007/s10115-025-02351-3

11. Rodrigues M.G. et al. A MLOps architecture for near real-time distributed Stream Learning operation deployment // Journal of Network and Computer Applications. – 2025. – Т. 238. – С. 104169. DOI: https://doi.org/10.1016/j.jnca.2025.104169

12. Hu L., Lu Y., Feng Y. Concept drift detection based on deep neural networks and autoencoders // Applied Sciences. – 2025. – Т. 15. – №. 6. – С. 3056. DOI: https://doi.org/10.3390/app15063056

13. Mahdi O.A. et al. Federated Learning Under Concept Drift: A Systematic Survey of Foundations, Innovations, and Future Research Directions // Electronics. – 2025. – Т. 14. – №. 22. – С. 4480. DOI: https://doi.org/10.3390/electronics14224480

14. Rancea A., Anghel I., Cioara T. Edge computing in healthcare: Innovations, opportunities, and challenges // Future internet. – 2024. – Т. 16. – №. 9. – С. 329. DOI: https://doi.org/10.3390/fi16090329

15. Suárez-Cetrulo A.L., Quintana D., Cervantes A. A survey on machine learning for recurring concept drifting data streams // Expert Systems with Applications. – 2023. – Т. 213. – С. 118934. DOI: https://doi.org/10.1016/j.eswa.2022.118934