Informacionnye TehnologiiInformacionnye TehnologiiИнформационные технологии1684-6400New Technologies Publishing House71649410.17587/it.32.361-372Software engineeringПрограммная инженерияResearch ArticleModeling event flows at the input of information systems with a message brokerМоделирование потоков событий на входе информационных систем с брокером сообщенийParinovP. A.ПариновП. А.
Russian Federation

Assistant of the Department

ассистент кафедры

parinov_p@sc.vsu.ruSirotaA. A.СиротаА. А.
Russian Federation

Dr. of Tech. Sc., Head of the Department

д-р техн. наук, проф., зав. кафедрой

sir@cs.vsu.ruVoronezh State UniversityВоронежский государственный университет170720263273613721607202616072026Copyright ©; 2026, Informacionnye TehnologiiCopyright ©; 2026, Информационные технологии2026Informacionnye TehnologiiИнформационные технологииhttps://journals.eco-vector.com/1684-6400/article/view/716494

The problem of modeling event flows at the input of information systems using a message broker is considered. Approaches are proposed that allow reproducing key statistical characteristics of real event flows, such as intensity, temporal structure, and seasonal fluctuations, based on both historical and real-time data. Two modeling algorithms are described: an adaptive algorithm for modeling the flow of events with a limited aftereffect, based on the Lainiotis separation method, and an algorithm based on the Markov model for changing discrete states that determine the flow parameters. Experiments have been conducted to compare the flows of events operating in a real system with a message broker and flows modeled using the proposed algorithms.

Рассматривается задача моделирования потоков событий на входе информационных систем с использованием брокера сообщений. Предлагаются подходы, позволяющие воспроизводить ключевые статистические характеристики реальных потоков событий, такие как интенсивность, временная структура и сезонные колебания, на основе как исторических, так и реальных данных, поступающих в режиме реального времени. Описаны два алгоритма моделирования: адаптивный алгоритм моделирования потока событий с ограниченным последействием, основанный на методе разделения Лайниотиса, и алгоритм на основе марковской модели смены дискретных состояний, определяющих параметры потока. Проведены эксперименты, направленные на сопоставление потоков событий, действующих в реальной системе с брокером сообщений, и потоков, моделируемых с использованием предложенных алгоритмов.

message brokerinformation systemevent flow modelingLainiotis separation methodMarkov model of discrete state changeброкер сообщенийинформационная системамоделирование потоков событийметод разделения Лайниотисамарковские модель смены дискретных состоянийArtamonov I. V. Performance indicators of microservice systems, Bulletin of NGIEI, no. 8 (87), pp. 24—33 (in Russian).Артамонов И. В. Показатели производительности микросервисных систем // Вестник НГИЭИ. 2018. № 8 (87). С. 24—33.Chan K. C., Rabaev M., Pratama H. Generation of synthetic manufacturing datasets for machine learning using discrete-event simulation, Production and Manufacturing Research, 2022, vol. 10, no. 1, pp. 337—353, DOI: 10.1080/21693277.2022.2086642.Chan K. C., Rabaev M., Pratama Н. Generation of synthetic manufacturing datasets for machine learning using discrete-event simulation // Production and Manufacturing Research. 2022. N. 10 (1). P. 337—353. DOI: 10.1080/21693277.2022.2086642.Yihong T., Menglin K., Sun L. Large Language Models for Data Synthesis, arxiv.org, 2025, available at: https://arxiv.org/abs/2505.14752 https://doi.org/10.48550/arXiv.2505.14752Yihong T., Menglin K., Sun L. Large Language Models for Data Synthesis // arxiv.org. 2025. URL: https://doi.org/10.48550/arXiv.2505.14752Pinceti A., Sankar L., Kosut O. Generation of synthetic multi-resolution time series Load Data, IET Smart Grid, 2023, vol. 6, no. 5, pp. 492—502, DOI: 10.1049/stg2.12116.Pinceti A., Sankar L., Kosut O. Generation of synthetic multi-resolution time series Load Data // IET Smart Grid. 2023. Vol. 6, N. 5. P. 492—502. DOI: 10.1049/stg2.12116.Eskandari Nasab M., Hamdi S. M., Boubrahimi S. F. Chronogan: Supervised and embedded generative adversarial networks for time series generation, 2024 International Conference on Machine Learning and Applications (ICMLA), 2024, pp. 567—574, DOI: 10.1109/icmla61862.2024.00083.Eskandari Nasab M., Hamdi S. M., Boubrahimi S. F. Chronogan: Supervised and embedded generative adversarial networks for time series generation // 2024 International Conference on Machine Learning and Applications (ICMLA). 2024. P. 567—574. DOI: 10.1109/icmla61862.2024.00083.Bosov A. D., Kalmetev R. S., Orlov Y. N. Modeling of non-stationary time series with given properties of sample distribution, Mathematical Modeling, 2014, vol. 26, no. 3, pp. 97—107 (in Russian).Босов А. Д., Кальметьев Р. Ш., Орлов Ю. Н. Моделирование нестационарного временного ряда с заданными свойствами выборочного распределения // Математическое моделирование. 2014. Т. 26, № 3. С. 97—107.Obolensky D. M., Shevchenko V. I., Chengari O. V. (Simulation model of a distributed data collection process. Economics, Informatics, 2023, vol. 50, no. 2, pp. 476—486, DOI: 10.52575/2687-0932-2023-50-2-476-486 (in Russian).Оболенский Д. М., Шевченко В. И., Ченгарь О. В. Имитационная модель распределенного процесса сбора данных // Экономика. Информатика. 2023. Т. 50, № 2. С. 476—486. DOI: 10.52575/2687-0932-2023-50-2-476-486.Askin R. G., Hanumantha G. J. Approximate queueing network analysis for nonstationary demand, IFAC-PapersOnLine, 2016, vol. 49, no. 12, pp. 1502—1507, DOI: 10.1016/j.ifacol.2016.07.784.Askin R. G., Hanumantha G. J. Approximate queueing network analysis for nonstationary demand // IFAC-PapersOnLine. 2016. Vol. 49, N. 12. P. 1502—1507. DOI: 10.1016/j.ifacol.2016.07.784.Gorokhova V. F., Magazev A. A., Kasenov A. A., Titova E. K. Continuous Markov models of cyberattacks for estimating time to security failure, Dynamics of Systems, Mechanisms and Machines, 2024, vol. 12, no. 1, pp. 94—100, DOI: 10.25206/2310-9793-2024-12-1-94-100 (in Russian).Горохова В. Ф., Магазев А. А., Касенов А. А., Титова Е. К. Непрерывные марковские модели кибератак для оценки времени до отказа безопасности // Динамика систем, механизмов и машин. 2024. Т. 12, № 1. С. 94—100. DOI: 10.25206/2310-9793-2024-12-1-94-100.Prokopyeva D. B., Zhuk T. A., Golovko N. I. Moments of the number of requests in a queuing system with diffusion intensity of the input flow, Bulletin of Voronezh State University. Series: Physics. Mathematics, 2022, no. 1, pp. 75—86 (in Russian).Прокопьева Д. Б., Жук Т. А., Головко Н. И. Моменты числа заявок в СМО с диффузионной интенсивностью входного потока. // Вестник Воронежского государственного университета. Серия: Физика. Математика. 2022. № 1. С. 75—86.Pleshakov R. V. Simulation of non-stationary event flow with a nested stationary component, Discrete and Continuous Models and Applied Computational Science, 2020, vol. 28, no. 1, pp. 35—48, DOI: 10.22363/2658-4670-2020-28-1-35-48.Pleshakov R. V. Simulation of non-stationary event flow with a nested stationary component, Discrete and Continuous Models and Applied Computational Science. 2020. Vol. 28, N. 1. P. 35—48. DOI: 10.22363/2658-4670-2020-28-1-35-48.Heemskerk M., Mandjes M., Mathijsen В. Staffing for many-server systems facing non-standard arrival processes, European Journal of Operational Research, 2022, vol. 296, no. 3, pp. 900—913, DOI: 10.1016/j.ejor.2021.07.046.Heemskerk M., Mandjes M., Mathijsen В. Staffing for many-server systems facing non-standard arrival processes // European Journal of Operational Research. 2022. Vol. 296, N. 3. P. 900—913. DOI: 10.1016/j.ejor.2021.07.046.Laner M. Traffic models for machine-to-machine (M2M) communications, Machine-to-machine (M2M) Communications, 2015, pp. 133—154, DOI: 10.1016/b978-1-78242-102-3.00008-3.Laner M. Traffic models for machine-to-machine (M2M) communications // Machine-to-machine (M2M) Communications. 2015. P. 133—154. DOI: 10.1016/b978-1-78242-102-3.00008-3.El Fawal A. H., Mansour A., Nasser А. Markov-modulated poisson process modeling for machine-to-machine heterogeneous traffic, Applied Sciences, 2024, vol. 14, no. 8, p. 8561, DOI: 10.3390/app14188561.El Fawal A. H., Mansour A., Nasser А. Markov-modulated poisson process modeling for machine-to-machine heterogeneous traffic // Applied Sciences. 2024, Vol. 14, N. 8. P. 8561. DOI: 10.3390/app14188561.Avanzi В. Modelling and understanding count processes through a Markov-modulated non-homogeneous Poisson process framework, European Journal of Operational Research, 2021, vol. 290, no. 1, pp. 177—195, DOI: 10.1016/j.ejor.2020.07.022.Avanzi В. Modelling and understanding count processes through a Markov-modulated non-homogeneous Poisson process framework // European Journal of Operational Research. 2021. Vol. 290, N. 1. P. 177—195. DOI: 10.1016/j.ejor.2020.07.022.Yiyuan Y. WaveStitch: Flexible and Fast Conditional Time Series Generation with Diffusion Models, arxiv.org, 2025, available at: https://arxiv.org/html/2503.06231v1.Yiyuan Y. WaveStitch: Flexible and Fast Conditional Time Series Generation with Diffusion Models // arxiv.org. 2025. URL: https://arxiv.org/html/2503.06231v1.Xinyu Y., Qiao Y. Diffusion-TS: Interpretable Diffusion for General Time Series Generation, arxiv.org, 2024, available at: https://arxiv.org/abs/2403.01742, https://doi.org/10.48550/arXiv.2403.01742.Xinyu Y., Qiao Y. Diffusion-TS: Interpretable Diffusion for General Time Series Generation // arxiv.org. 2024. URL: https://arxiv.org/abs/2403.01742, https://doi.org/10.48550/arXiv.2403.01742.Wang X. Beyond the limits: А survey of techniques to extend the context length in large language models, Proceedings of the Thirty-Third International Joint Conference on Artificial Intelligence, 2024, pp. 8299—8307, DOI: 10.24963/ijcai.2024/917.Wang X. Beyond the limits: А survey of techniques to extend the context length in large language models // Proceedings of the Thirty-Third International Joint Conference on Artificial Intelligence. 2024. P. 8299—8307. DOI: 10.24963/ijcai.2024/917.Algazinov E. K., Sirota А. A. Analysis and computer modeling of information processes and systems: А textbook for university students specializing, Applied Informatics" and other interdisciplinary fields, Moscow, Dialog-MIFI, 2009, 416 p. (in Russian).Алгазинов Э. К., Сирота А. А. Анализ и компьютерное моделирование информационных процессов и систем. М.: Диалог-МИФИ, 2009. 416 с.Afanasyeva K. E., Shiryaev V. I. Identification of the state and forecasting of the regional market, Control Problems, 2007, no. 3, pp. 63—65 (in Russian)Афанасьева К. Е., Ширяев В. И. Идентификация состояния и прогнозирование регионального рынка // Проблемы управления. 2007. № 3. С. 63—65.Menkho O., Changhi Kh., Sinitsyn I. N., Shin V. I. Recurrent filtering in discrete nonlinear systems with unknown parameters, Automation and Remote Control, 1998, no. 1, pp. 44—53.Менхо О, Чангхи Х., Синицын И. Н., Шин В. И. Рекуррентная фильтрация в дискретных нелинейных системах с неизвестными параметрами // Автомат. и телемех. 1998. № 1. С 44—53.Azarov S. V., Menkho, O., Sinitsyn I. N., Shin V. I. Method of normal approximation in problems of adaptive discrete filtering and recognition, Automation and Remote Control, 1998, vol. 7, no. 11, pp. 21—31.Азаров С. В., Менхо О., Синицын И. Н., Шин В. И. Метод нормальной аппроксимации в задачах адаптивной дискретной фильтрации и распознавания // Автомат. и телемех. 1998. № 11. С. 21—31.Sirota А. A. Methods and algorithms for data analysis and their modeling in MATLAB, St. Petersburg, BHV-Petersburg, 2016, 384 p. (in Russian)Сирота А. А. Методы и алгоритмы анализа данных и их моделирование в MATLAB. Санкт-Петербург: БХВ-Петербург, 2016. 384 с.