ez itt az index

Stochastic systems and data modeling

Activity of the research group:

Modelling computer and communication systems with stochastic processes, in particular Markov chains, fluid models, reward models and mean-field models. Efficient numerical solution of large-scale Markov chains with regular structure. Theory of large deviations. Numerical inverse Laplace transform. Data modelling by fitting phase type processes with Markov arrival processes. Main application areas (with industrial experience): performance analysis of telecommunication systems, efficient routing in sensor networks, modelling of financial and IoT data sets, anomaly detection.

Recent results:

• We have developed network dimensioning and performance analysis algorithms based on stochastic modelling for radio access networks in 2G, 3G and 4G networks, which are being used in Nokia’s products
• We developed a new algorithm for detecting anomalies in telecommunication data sets for Nokia – Bell Labs, which won the Pro Progressio Foundation Innovation Grand Prize, the IT Business Innovation Award and the product that uses the algorithm won the 5G World Summit “Most Innovative Artificial Intelligence or Machine Learning Technology for the Network” award
• We developed fast and numerically stable algorithms for the analysis of multi-class non-Markovian queuing systems
• We provided analytical results for V2V message propagation speed in a highway environment
• Development of efficient MU-MIMO communication systems
• Laplace transforms are used in many engineering fields, but inverse transforms are notoriously difficult. Our published method based on concentrated matrix exponential functions is the best algorithm currently available for this purpose

Recent projects:

OKTA • MILAB • MTA TKI (Information Systems Research Group)

International relations:

TU Dortmund • Universita di Torino • University of Antwerp

Industrial partners:

Nokia – Bell Labs • Ericsson

Sztochasztikus rendszerek és adatmodellezés

A kutatócsoport tevékenysége:

Informatikai rendszerek és kommunikációs hálózatok modellezése sztochasztikus folyamatokkal, elsősorban Markov láncokkal, folyadékmodellekkel, hozammodellekkel, illetve mean-field modellekkel. Nagy méretű, szabályos struktúrával rendelkező Markov láncok hatékony numerikus megoldása. Nagy eltérések elmélete. Numerikus inverz Laplace transzformáció. Adatok modellezése fázis típusú folyamatok illesztésével, Markovi érkezési folyamatokkal. Főbb alkalmazási területek (ipari tapasztalattal): távközlési rendszerek teljesítmény analízise, hatékony útvonalválasztás szenzor hálózatokban, pénzügyi és IoT adatsorok modellezése, anomáliadetekció.

Eredmények:

• Sztochasztikus modellezésen alapuló méretező és teljesítményelemző algoritmusokat fejlesztettünk 2G, 3G és 4G hálózatok rádiós hozzáférői hálózatához, melyet a Nokia beépített termékébe
• Új algoritmust fejlesztettünk a Nokia – Bell Labs megbízásából hálózati eszközök adatsoraiból származó anomáliák detektálására. Az eljárás elnyerte a Pro Progressio Alapítvány Innovációs Nagydíját, az IT Business Innovációs Díját, az eljárást is felhasználó termék pedig az 5G World Summit “Most Innovative Artificial Intelligence or Machine Learning Technology for the Network” díját
• Gyors és numerikusan stabil algoritmusokat fejlesztettünk többosztályos, nem-Markovi sorbanállásos rendszerek vizsgálatához
• Analitikus eredményt adtunk a V2V információterjedés sebességére, autópálya környezetben
• Hatékony MU-MIMO kommunikációs rendszerek fejlesztése.
• Laplace transzformációt nagyon sok mérnöki területen használnak, de az inverz transzformáció közismerten nehéz feladat. Az általunk publikált, koncentrált mátrix exponenciális függvényekre építő eljárás a jelenleg létező legjobb algoritmus erre a célra

A közelmúlt projektjei:

OKTA • MILAB • MTA TKI (Informatikai rendszerek kutatócsoport)

Nemzetközi kapcsolatok:

TU Dortmund • Universita di Torino • University of Antwerp

Vállalati partnerek:

Nokia – Bell Labs • Ericsson