Інтелектуальна система моніторингу та оптимізації якості програмного забезпечення
Анотація
Наведено результати розроблення інтелектуальної системи моніторингу та оптимізації якості програмного забезпечення (ПЗ) за умов динамічного, розподіленого та високо навантаженого середовища сучасних мікросервісних та хмарних архітектур. Обґрунтовано необхідність переходу від традиційних підходів до адаптивних інтелектуальних систем, здатних функціонувати за умов невизначеності, змінності навантаження та гетерогенності інфраструктури. Запропоновано формалізацію задачі як багатокритеріальної моделі керування, що інтегрує метрики якості ПЗ, користувацькі сценарії, контекст виконання та стани системи, що дає змогу враховувати технічні й поведінкові аспекти функціонування. Розроблено узагальнену архітектуру інтелектуальної системи, яка містить модулі збирання телеметричних даних, їх оброблення та агрегації, аналітичний модуль на основі методів машинного навчання, модуль прийняття рішень і компонент зворотного впливу, що забезпечує замкнений контур керування. Сформовано модель інтегрального оцінювання якості ПЗ на основі агрегування нормалізованих показників продуктивності, надійності, безпеки та користувацького досвіду. Запропоновано методи інтелектуального моніторингу, зокрема виявлення аномалій у потоках метрик і журналів подій, аналіз логів, причинно-наслідковий аналіз інцидентів та прогнозування деградації якості. Розглянуто підходи до оптимізації якості ПЗ, що містить rule-based стратегії, методи машинного навчання та навчання з підкріпленням, які забезпечують адаптивне прийняття рішень. Особливу увагу приділено механізмам самовідновлення, масштабуванню ресурсів і динамічній перебудові конфігурації системи. Проведене експериментальне дослідження у середовищі, що моделює умови функціонування розподілених сервісів, продемонструвало підвищення точності виявлення аномалій, зменшення затримки оброблення запитів та покращення QoS і QoE порівняно з базовими підходами. Отримані результати підтверджують ефективність запропонованої системи, її адаптивність і доцільність практичного застосування. Запропонований підхід також забезпечує узгодження технічних і бізнес-показників та підтримку прийняття рішень. Це підвищує ефективність експлуатації систем та їх стійкість у реальному часі за умов змін систем.
Завантаження
Посилання
Ajorloo, S., Jamarani, A., Kashfi, M., Haghi Kashani, M., & Najafizadeh, A. (2024). A systematic review of machine learning methods in software testing. Applied Soft Computing, 162, article ID 111805. https://doi.org/10.1016/j.asoc.2024.111805
Bauer, A., Frattini, J., & Alégroth, E. (2024). Augmented testing to support manual GUI-based regression testing: An empirical study. Empirical Software Engineering, 29, article number D 140. https://doi.org/10.1007/s10664-024-10522-z
Chen, N., Tu, H., Zeng, H., & Ou, Y. (2024). Anomaly detection for key performance indicators by fusing self-supervised spatio-temporal graph attention networks. Knowledge-Based Systems, 300, article ID 112167. https://doi.org/10.1016/j.knosys.2024.112167
De la Cruz Cabello, M., Sales, T. P., & Machado, M. R. (2025). AIOps for log anomaly detection in the era of LLMs: A systematic literature review. Intelligent Systems with Applications, 28, article ID 200608. https://doi.org/10.1016/j.iswa.2025.200608
Giamattei, L., Guerriero, A., Pietrantuono, R., & Russo, S. (2024). Causal reasoning in Software Quality Assurance: A systematic review. Information and Software Technology, 176, article ID 107599. https://doi.org/10.1016/j.infsof.2024.107599
Grattan, N., da Costa, D. A., & Stanger, N. (2024). The need for more informative defect prediction: A systematic literature review. Information and Software Technology, 174, article ID 107456. https://doi.org/10.1016/j.infsof.2024.107456
Haas, R., Nömmer, R., Juergens, E., & Apel, S. (2024). Optimization of automated and manual software tests in industrial practice: A survey and historical analysis. IEEE Transactions on Software Engineering, 50, 2005–2020. https://doi.org/10.1109/TSE.2024.3418191
Hu, Q., Guo, Y., Xie, X., Cordy, M., Ma, L., Papadakis, M., & Le Traon, Y. (2024). Test optimization in DNN testing: A survey. ACM Transactions on Software Engineering and Methodology, 33(4), article number 111. https://doi.org/10.1145/3643678
ISO. (2023). ISO/IEC 25010:2023(en). Systems and software engineering – Systems and software Quality Requirements and Evaluation (SQuaRE) – Product quality model. International Organization for Standardization. URL: https://www.iso.org/obp/ui/en/#iso:std:iso-iec:25010:ed-2:v1:en
Notaro, P., Cardoso, J., & Gerndt, M. (2021). A survey of AIOps methods for failure management. ACM Transactions on Intelligent Systems and Technology, 12(6), article number 81, 1–45. https://doi.org/10.1145/3483424
Ogrizović, M., Drašković, D., & Bojić, D. (2024). Quality assurance strategies for machine learning applications in big data analytics: An overview. Journal of Big Data, 11, article number 156. https://doi.org/10.1186/s40537-024-01028-y
Rouholamini, S. R., Mirabi, M., Farazkish, R., & Sahafi, A. (2024). Proactive self-healing techniques for cloud computing: A systematic review. Concurrency and Computation: Practice and Experience, 36(24), article ID e8246. https://doi.org/10.1002/cpe.8246
Wong, T., Wagner, M., & Treude, C. (2022). Self-adaptive systems: A systematic literature review across categories and domains. Information and Software Technology, 148, article ID 106934. https://doi.org/10.1016/j.infsof.2022.106934
Xin, R., Chen, P., Grosso, P., & Zhao, Z. (2024). A fine-grained robust performance diagnosis framework for run-time cloud applications. Future Generation Computer Systems, 155, 300–311. https://doi.org/10.1016/j.future.2024.02.014
Zain, Z. M., Sakri, S., & Ismail, N. H. A. (2023). Application of deep learning in software defect prediction: Systematic literature review and meta-analysis. Information and Software Technology, 158, article ID 107175. https://doi.org/10.1016/j.infsof.2023.107175
