Розроблення методу верифікації результатів міграції успадкованого користувацького ABAP-коду в мультиагентній системі інтелектуального реінжинірингу
Анотація
Одним із актуальних завдань сучасної ІТ-галузі є інтелектуальний реінжиніринг комп'ютерних систем при переході на нові технологічні платформи. Встановлено, що особливістю переходу з SAP ERP 6.0 на SAP S/4HANA є потреба у міграції успадкованого користувацького ABAP-коду, яка становить до 40 % від загального обсягу проєктних робіт та вимагає автоматизації цього процесу. З'ясовано, що застосування великих мовних моделей у закритому корпоративному середовищі надає широкі можливості щодо автоматизованої трансформації коду, але потребує забезпечення якості мігрованого коду без залучення додаткових зовнішніх сервісів і фахівців. Виявлено два системних обмеження розробленої раніше базової одноагентної архітектури системи інтелектуального реінжинірингу для автоматизованої міграції коду: накопичення помилок для семантично складних перетворень та неможливість верифікації функціональної еквівалентності для 25–40 % фрагментів без тестового покриття. Для усунення зазначених обмежень розроблено архітектуру мультиагентної системи інтелектуального реінжинірингу на основі формалізації завдання міграції користувацького ABAP-коду як марківського процесу прийняття рішень. При цьому інтегральну метрику оцінювання якості мігрованого ABAP-коду (IAQS) розширено від бінарного критерію зупинки ітеративного циклу трансформації коду до потрійної керівної функції на основі адаптації великої мовної моделі-розробника, управління ітеративним циклом та формування структурованого діагностичного зворотного зв'язку, що забезпечило цільову трансформацію коду замість повного його регенерування. Удосконалено метод верифікації результатів міграції користувацького коду, що реалізує триетапну послідовну перевірку якості мігрованого коду за принципом ранньої зупинки (статичний аналіз, семантична валідація методом зворотного перекладу та ранжування за категоріями довіри), що формує замкнений контур якості коду без додаткового залучення фахівців. Оцінено вплив кількості агентів і конфігурацій системи на інтегральну метрику оцінювання якості мігрованого ABAP-коду. Абляційне дослідження на 300 реальних ABAP-фрагментах підтвердило, що запропонована конфігурація мультиагентної системи забезпечує поріг прийнятності якості мігрованого коду, досягаючи IAQS = 0,845±0,031 проти 0,718±0,047 для базової одноагентної архітектури. Встановлено практичну ефективність запропонованих рішень за результатами промислової апробації на 3200 ABAP-об'єктах у межах гібридної стратегії розгортання системи інтелектуального реінжинірингу, що загалом відповідає рівню автоматизації процесу міграції коду на рівні 86,5 % та скороченню трудовитрат приблизно на 80 %. Доведено, що запропоновані рішення придатні до узагальнення на інші ERP-платформи.
Завантаження
Посилання
Anthropic. (2025). Claude Code: Build effective agents. URL: https://www.anthropic.com/engineering/building-effective-agents
Bhatia, S., Qiu, J., Hasabnis, N., Seshia, S. A., & Cheung, A. (2024). Verified code transpilation with LLMs. Advances in Neural Information Processing Systems 37 (NeurIPS 2024), 1–18. https://doi.org/10.52202/079017-1310
Chen, M., et al. (2021). Evaluating large language models trained on code. arXiv. https://doi.org/10.48550/arXiv.2107.03374
Dettmers, T., Pagnoni, A., Holtzman, A., & Zettlemoyer, L. (2023). QLoRA: Efficient finetuning of quantized LLMs. Advances in Neural Information Processing Systems, arXiv. 10088–10115. https://doi.org/10.48550/arXiv.2305.14314
Edunov, S., Ott, M., Auli, M., & Grangier D. (2018). Understanding back-translation at scale. arXiv. https://doi.org/10.48550/arXiv.1808.09381
Google. (2026). Antigravity 2.0. URL: https://antigravity.google
Guez Assuncao, W. K., Marchezan, L., Arkoh, L., Egyed, A., & Ramler, R. (2025). Contemporary software modernization: Strategies, driving forces, and research opportunities. ACM Transactions on Software Engineering and Methodology, 34(5), article ID 142, 1–35. https://doi.org/10.1145/3708527
Hardy, P. (2020). Migrating custom code to SAP S/4HANA. Boston: Rheinwerk Publishing. URL: https://www.sap-press.com/migrating-custom-code-to-sap-s4hana_5131
Hong, S., et al. (2024). MetaGPT: Meta programming for a multi-agent collaborative framework. Proceedings of ICLR 2024, Vienna. https://doi.org/10.48550/arXiv.2308.00352
ISO/IEC 25010:2023. (2023). Systems and software engineering – Systems and software quality requirements and evaluation (SQuaRE) – Product quality model. Geneva: ISO. URL: https://www.iso.org/standard/78176.html
Jhala, R., & Majumdar, R. (2009). Software model checking. ACM Computing Surveys, 41(4), article number 21. https://doi.org/10.1145/1592434.1592438
King, J. (1976). Symbolic execution and program testing. Communications of the ACM, 19(7), 385–394. https://doi.org/10.1145/360248.360252
Lano, K., & Siala, H. (2024). Using model-driven engineering to automate software language translation. Automated Software Engineering, 31(1), article number 20. https://doi.org/10.1007/s10515-024-00419-y
Pozdnyakov, O. A., & Parkhomenko, A. V. (2025). Migration of custom code to new versions of complex computer systems using intelligent reengineering methods and models. Scientific Works of DonNTU. Series: Informatics, Cybernetics and Computer Engineering, 2(41), 86–98. https://doi.org/10.31474/1996-1588-2025-2-41-86-98
Pozdnyakov, O. A., & Parkhomenko, A. V. (2026). Evaluation and quality assurance of migrated ABAP code. Radio Electronics, Computer Science, Control, 1, 80–89. https://doi.org/10.15588/1607-3274-2026-1-8
Pozdnyakov, O. A., & Parkhomenko, A. V. (2026). Verification model for migrated custom ABAP code based on back-translation and trust category ranking. Modern Information Technologies and Artificial Intelligence Systems: Proceedings of the II International Scientific-Practical Conference (Kharkiv – Yaremche, 27–28 April 2026). Kharkiv: NURE, 79–81. URL: https://mitais.com.ua/index.html; https://drive.google.com/file/d/1GHfO8OKdWKtEEef_dhGUPe8y_WeVtOXL/view
Pozdnyakov, O., & Parkhomenko, A. (2026). Multi-agent architecture for legacy custom code migration. Computer Modeling and Intelligent Systems (CMIS-2026): Proceedings of the IX International Workshop (5 May 2026), Zaporizhzhia, Ukraine, 236–251 (CEUR Workshop Proceedings, vol. 4220). URL: https://ceur-ws.org/Vol-4220/paper19.pdf
Puterman, M. L. (1994). Markov Decision Processes. New York: Wiley. https://doi.org/10.1002/9780470316887
Qian, C., et al. (2024). ChatDev: Communicative agents for software development. Proceedings of ACL 2024, Bangkok. 15174–15186. https://doi.org/10.48550/arXiv.2307.07924
Ren, S., et al. (2020). CodeBLEU: A method for automatic evaluation of code synthesis. arXiv. https://doi.org/10.48550/arXiv.2009.10297
Talebirad, Y., & Nadiri, A. (2023). Multi-agent collaboration: Harnessing the power of intelligent LLM agents. arXiv. https://doi.org/10.48550/arXiv.2306.03314
Wu, Q., et al. (2024). AutoGen: Enabling next-gen LLM applications via multi-agent conversation. Proceedings of COLM 2024, Philadelphia. https://doi.org/10.48550/arXiv.2308.08155
Zheng, Q., et al. (2023). CodeGeeX: A pre-trained model for code generation with multilingual benchmarking on HumanEval-X. KDD 23, Long Beach CA USA. https://doi.org/10.1145/3580305.3599790
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
