ЖИЛЮК, ЯрославЯрославЖИЛЮК2026-05-052026-05-052025-10-01ЖИЛЮК, Я. (2025). ASYNCHRONOUS CENTRALIZED STREAMING DATA PROCESSING IN DISTRIBUTED REAL-TIME SYSTEMS. Прикладні інформаційні системи та технології в цифровому суспільстві, 1(2). https://doi.org/10.17721/3041-2323.2025.122-13610.17721/3041-2323.2025.122-136https://ir.library.knu.ua/handle/15071834/19368This paper presents a structured and pragmatic analysis of several aggregation methods for asynchronous centralized federated learning: classical federated averaging (FedAvg), asynchronous gradient/parametric advancement (FedAsync-style methods), robust aggregation based on coordinate-weighted medians, and adaptive optimizers such as FedAdam and FedYogi. The study focuses on their suitability under conditions of heterogeneous client time, update staleness, non-IID (independently and identically distributed) data partitions, and the limited real-time created in distributed real-time systems. The sensitivity analysis of the methods to delayed and out-of-date updates is performed, and the communication and computational costs at the central node are also refined. A semi-hypothetical, realistic experimental study is conducted using non-IID datasets with failure modes including node shutdown and system time drift. Comparative findings from the study showed that FedAvg degrades sharply with high age and skewed participation; reliable aggregation can unexpectedly amplify the impact of age-old but structurally consistent ages; and adaptive methods exhibit a nontrivial tension between rapid convergence and instability when delay patterns change over time.У цій статті представлено структурований і прагматичний аналіз кількох методів агрегації для асинхронного централізованого федеративного навчання: класичне федеративне усереднення (FedAvg), асинхронне градієнтне/параметричне просування (методи в стилі FedAsync), робустна агрегація на основі координатно-зважених медіан та адаптивні оптимізатори, такі як FedAdam та FedYogi. Дослідження зосереджено на їх поведінці за умов гетерогенного часу клієнтів, застарілості оновлень, розділів даних, що не є IID (незалежні та однаково розподілені), та обмежень реального часу, що виникають у розподілених системах реального часу. Проведено аналіз чутливості методів до затриманих та неактуальних оновлень, а також дсолідженно комунікаційні та обчислювальні витрати на центральному вузлі. Проведено напівгіпотетичний, реалістичний експериментальний дослід з використанням наборів даних, що не є IID, з режимами відмов, включаючи відключення вузлів і дрейф системного часу. Порівняльні висновки з дослідження визначають що FedAvg різко деградує при високій застарілості; надійна агрегація може несподівано посилити вплив застарілих, але структурно узгоджених викидів; а адаптивні методи демонструють нетривіальну напругу між швидшою конвергенцією та нестабільністю, коли моделі затримок змінюються з часом.ukasynchronous federated learningdistributed real-time systemscentralized coordinationneural network weight aggregationFedAvgFedAsyncrobust aggregationFedAdamFedYogiupdate ageасинхронне федеративне навчаннярозподілені системи реального часуцентралізована координаціяагрегація ваг нейронної мережіFedAvgFedAsyncробустна агрегаціяFedAdamFedYogiзастарілість оновленьСтаття