2026 №2(71)

Выход в свет 30.06.2026. 

СОДЕРЖАНИЕ

  1. Гоглачев А. И. Параллельный алгоритм поиска резюмирующих шаблонов временного ряда на основе концепции канонических признаков
  2. Мацегора А. А., Мигов Д. А., Родионов А. С. Оценка надежности сети методом Монте- Карло с использованием ее разложения по точке сочленения
  3. Монахова Э.А., Монахов О. Г. Анализ и синтез расширенного ДАТАСЕТА оптимальных циркулянтных графов с использованием LLM
  4. Моторный Н. Е. Эксперимент по контролю самостоятельности создания программы через анализ событий редактора кода
  5. Рахмани Д., Караваева Э.А. Количественная модель стоимости изменения модулей для обоснования архитектурного вмешательства в модульном монолите

А. И. Гогдачев

Южпо-Уральский государственный университет (Национальный исследовательский университет),454080, Челябинск, Россия

ПАРАЛЛЕЛЬНЫЙ АЛГОРИТМ ПОИСКА РЕЗЮМИРУЮЩИХ ШАБЛОНОВ ВРЕМЕННОГО РЯДА НА ОСНОВЕ КОНЦЕПЦИИ КАНОНИЧЕСКИХ ПРИЗНАКОВ

УДК 04.272.25, 004.421, 004.032.24
DOI: 10.24412/2073-0667-2026-2-5-31
EDX: ZMIIHW

В статье представлен новый параллельный алгоритм поиска резюмирующих шаблонов времен­ного ряда PDSS (Parallel Discovery of Semantic Snippets) на основе концепции канонических признаков САТСН22 (CAnonical Time-series CHaracteristics). Резюмирующие шаблоны на­бор подпоследовательностей (непрерывных промежутков) временного ряда, которые отража­ют виды деятельности рассматриваемого объекта и позволяют выполнить разметку временно­го ряда. Разработанный алгоритм поиска резюмирующих шаблонов предполагает четыре эта­на: вычисление профилей признаков подпоследовательностей временного ряда, нормализацию признаков, вычисление матрицы расстояний и поиск шаблонов. PDSS позволяет выполнять поиск резюмирующих шаблонов и разметку временных рядов из различных предметных обла­стей, в том числе для многомерных временных рядов. Результаты экспериментов показывают, что предложенный алгоритм в среднем опережает передовые аналоги на порядок и выполняет разметку в среднем на 33 % точнее (но мере F1).

Ключевые слова: временные ряды, поиск шаблонных подпоследовательностей, графиче­ский процессор, канонические признаки.

Список литературы

  1.  Volkov I., Radchenko G., Tchernvkh A. Digital Twins, Internet of Things and Mobile Medicine: A Review of Current Platforms to Support Smart Healthcare // Programming and Computer Software 2021. Vol. 47, N 8. P. 578-590. DOI: http://dx.doi.org/10.1134/ S036176882108028410.1134/S0361768821080284.
  2.  Liu Y. Scalable Multivariate Time-Series Models for Climate Informatics // Computing in Science к Engineering. 2015. Vol. 17, N 6. P. 19-26. DOI: http://dx.doi.org/10.1109/MCSE.2015. 12610.1109/MCSE.2015.126.
  3.  Arruda H. М., Bavaresco R. S., Kunst R. et.al. Data Science Methods and Tools for Industry 4.0: A Systematic Literature Review and Taxonomy //Sensors. 2023. Vol. 23, N 11. P. 5010. DOI: http://dx.doi.org/10.3390/S2311501010.3390/S23115010.
  4.  Kumar S., Tiwari P., Zvmbler M. Internet of Things is a revolutionary approach for future technology enhancement: a review // Journal of Big Data. 2019. Vol. 6, N 1. DOI: http://dx.doi. org/10.1186/s40537-019-0268-210.1186/s40537-019-0268-2.
  5.  Imani S., Madrid F., Ding W., Crouter S., and Keogh E. Matrix Profile XIII: Time Series Snippets: A New Primitive for Time Series Data Mining // 2018 IEEE International Conference on Big Knowledge, ICBK 2018. Nov. 17-18, 2018, Singapore. P. 382-389. DOI: http://dx.doi.org/10. 1109/ICBK. 2018.0005810.1109/ICBK.2018.00058.
  6.  Gharghabi S., Imani S., Bagnall A., Darvishzadeh A., and Keogh E. An ultra-fast time series distance measure to allow data mining in more complex real-world deployments // Data Mining and Knowledge Discovery. 2020. Vol. 34, N 4. P. 1104-1135. DOI: http://dx.doi.org/10.1007/sl0618-020-00695-810.1007/sl0618-020-00695-8.
  7.  Lubba С. H., Sethi S. S., Knaute P. et. al. catch22: CAnonical Time-series CHaracteristics: Selected through highly comparative time-series analysis // Data Mining and Knowledge Discovery. 2019. Vol. 33, N 6. P. 1821-1852. DOI: http://dx.doi.org/10.1007/sl0618-019-00647- xl0.1007/sl0618-019-00647-x.
  8.  Mueen A., Keogh E., Zhu Q., Cash S., and Westover B. Exact Discovery of Time Series Motifs// Proceedings of the 2009 SIAM International Conference on Data Mining. Society for Industrial and Applied Mathematics. SDM 2009. Apr. 30-Mav 2, 2009, Sparks, Nevada, USA. DOI: http://dx.doi. org/10.1137/1.9781611972795.4110.1137/1.9781611972795.41.
  9.  Zvmbler M. L., Kraeva Y. A. Discovery of Time Series Motifs on Intel Manv-Core Systems // Lobachevskii Journal of Mathematics. 2019. Vol. 40, N 12. P. 2124-2132. DOI: http://dx.doi.org/ 10.1134/S199508021912014X10.1134/S199508021912014X.
  10.  Narang A., Bhattacherjee S. Parallel Exact Time Series Motif Discovery // Euro-Par 2010 - Parallel Processing. Springer Berlin Heidelberg, 2010. Aug. 31-Sep. 3, 2010, Ischia, Italy. P. 304-315. DOI: http://dx.doi.org/10.1007/978-3-642-15291-7_2810.1007/978-3-642-15291-7l28.
  11.  Цымблер М.Л., Краева Я. А. Параллельный алгоритм поиска лейтмотивов временно­го ряда для графического процессора // Вестник Южно-Уральского государственного уни­верситета. Серия: Вычислительная математика и информатика. 2020. Т. 9, Vs 3. DOI: http: //dx.doi .org/10.14529/cmse20030210.14529/cmse200302.
  12.  Ye L., Keogh E. https://doi.org/10.1145/1557019.1557122Time series shapelets: a new primitive for data mining // Proceedings of the 15th ACM SIGKDD international conference on Knowledge discovery and data mining. KDD09. June 28-Julv 1, 2009, Paris, France. P. 947-956. DOI: http://dx.doi.org/10.1145/1557019.155712210.1145/1557019.1557122.
  13.  Indvk P., Koudas N., Muthukrishnan S. Identifying Representative Trends in Massive Time Series Data Sets Using Sketches // Proceedings of the 26th International Conference on Very Large Data Bases. VLDB ’00. Sep. 10-14, Cairo, Egypt. P. 363-372.
  14.  Ermshaus A., Schafer P., Leser U. ClaSP: parameter-free time series segmentation // Data Mining and Knowledge Discovery. 2023. Vol. 37, N 3. P. 1262-1300. DOI: http://dx.doi.org/10. 1007/sl0618-023-00923-xl0.1007/sl0618-023-00923-x.
  15.  Gharghabi S., Yeh C., Ding Y. et.al. Domain agnostic online semantic segmentation for multi­dimensional time series // Data Mining and Knowledge Discovery. 2018. Vol. 33, N 1. P. 96-130. DOI: http://dx.doi.org/10.1007/sl0618-018-0589-310.1007/sl0618-018-0589-3.
  16.  Yeh C., Zhu Y., Ulanova L. et. al. Matrix Profile I: All Pairs Similarity Joins for Time Series: A Unifying View That Includes Motifs, Discords and Shapelets // 2016 IEEE 16th International Conference on Data Mining. ICDM 2016. Dec. 12-15, 2016, Barcelona, Spain. P. 1317-1322. DOI: http://dx.doi.org/10.1109/ICDM.2016.017910.1109/ICDM.2016.0179.
  17.  Jin X., Han J. К-Means Clustering // Encyclopedia of Machine Learning. Springer US, 2011. P. 563-564. DOI: http://dx.doi.Org/10.1007/978-0-387-30164-8_425l0.1007/978-0-387- 30164-8^425.
  18.  Truong C., Oudre L., Vavatis N. Selective review of offline change point 1 detection methods // Signal Processing. 2020. Vol. 167. P. 107299. DOI: http://dx.doi.Org/10.1016/j.sigpro.2019. 10729910.1016/j.sigpro.2019.107299.
  19.  Zhou W., Chan Y. E., Foo C. S. et. al. High-Resolution Digital Phenotypes From Consumer Wearables and Their Applications in Machine Learning of Cardiometabolic Risk Markers: Cohort Study // Journal of Medical Internet Research. 2022. Vol. 24, N 7. P. e34669. DOI: http://dx.doi. org/10.2196/3466910.2196/34669.
  20.  Diraco G., Siciliano P., Leone A. Behavioral Change Prediction from Physiological Signals Using Deep Learned Features // Sensors. 2022. Vol. 22, N 9. P. 3468. DOI: http://dx.doi.org/10.3390/ s2209346810.3390/s22093468.
  21.  Gamberini A., Abdallah I. Active trailing edge flap system fault detection via machine learning // Wind Energy Science. 2024. Vol. 9, N 1. P. 181-201. DOI: http://dx.doi.org/10.5194/ wes-9-181-202410.5194/wes-9-181-2024.
  22.  Tafazoli S., Lu Y., Wu R., Srinivas T. et. al. C22MP: the marriage of catch22 and the matrix profile creates a fast, efficient and interpretable anomaly detector // https://doi.org/10.1007/ S10115-024-02107-5 Knowledge and Information Systems. 2024. Vol. 66, N 8. P. 4789-4823. DOI: http: //dx. doi . org/10.1007/sl0115-024-02107-510.1007/sl0115-024-02107-5.
  23.  N. Satish, M. Harris, and M. Garland. Designing efficient sorting algorithms for manycore GPUs // Proceedings of the 2009 IEEE International Symposium on Parallel к Distributed Processing. IEEE Comput. Soc. Press. IPDPS ’09. May 23-29, Rome, Italy. P. 1-10. DOI: http://dx.doi.org/ 10.1109/IPDPS. 2009.516100510.1109/IPDPS.2009.5161005.
  24.  Wang X., Wirth A., Wang L. Structure-Based Statistical Features and Multivariate Time Series Clustering // Seventh IEEE International Conference on Data Mining. ICDM 2007. Oct. 28-31, 2007, Omaha, Nebraska, USA. P. 351-360. DOI: http://dx.doi.org/10.1109/ICDM.2007. 10310.1109/ICDM.2007.103.
  25.  NVIDIA: cuFFT API reference. [El. Res.]: http://www.cs.fit.edu/~pkc/nasa/ data/http://www.cs.fit.edu/ ркс/nasa/data/. Access date: 2025-07-20.
  26.  Биленко P. В., Долганина Н.Ю., Иванова E.B., Рекачинский А. И. Высокопроизводи­тельные вычислительные ресурсы Южно-Уральского государственного университета // Вестник Южно-Уральского государственного университета. Серия: Вычислительная математика и инфор­матика. 2022. Т. 11, № 1. DOI: http://dx.doi.org/10.14529/cmse22010210.14529/cmse220102.
  27.  Zymbler М., Goglachev A. Fast Summarization of Long Time Series with Graphics Processor // Mathematics. 2022. Vol. 10, N 10. P. 1781. DOI: http://dx.doi.org/10.3390/ mathl010178110.3390/mathl0101781.
  28.  Reiss A., Strieker D. Introducing a New Benchmarked Dataset for Activity Monitoring // 2012 16th International Symposium on Wearable Computers. ISWC 2012. June 18-22, 2012. DOI: http: //dx. doi . org/10.1109/ISWC. 2012.1310.1109/ISWC.2012.13.
  29.  Harris M. Optimizing parallel reduction in CUDA // NVIDIA Developer Technol. 2007. Vol. 2, N 4. P. 70.

 

Библиографическая ссылка: Гоглачев А. И. Параллельный алгоритм поиска резюмирующих шаблонов временного ряда на основе концепции канонических признаков //"Проблемы информатики", 2026, № 2, с.5-31.  DOI: 10.24412/2073-0667-2026-2-5-31

А. А. Мацегора*, Д. А. Мигов, А. С. Родионов

Институт вычислительной математики и математической геофизики СО РАН, 630090, Новосибирск, Россия
* Новосибирский государственный университет, 630090, Новосибирск, Россия

OЦЕНКА НАДЕЖНОСТИ СЕТИ МЕТОДОМ МОНТЕ-КАРЛО С ИСПОЛЬЗОВАНИЕМ ЕЕ РАЗЛОЖЕНИЯ ПО ТОЧКЕ СОЧЛЕНЕНИЯ

УДК 519.17^519.24
DOI: 10.24412/2073-0667-2026-2-32-42
EDX: OUEJBF

Рассматривается задача оценки надежности сети с ненадежными каналами связи. В качестве показателя надежности понимается вероятность связности сети. Для вычисления оценки на­дежности предлагается новый подход, использующий методы Монте-Карло и декомпозицию сети но точке сочленения. Подход подразумевает собой использование метода Монте-Карло для двусвязных компонент графа вместо оценки надежности для всего исходного графа. По­лучены оценки числа испытаний в этих компонентах для обеспечения требуемой погрешности оценки и проведен анализ эффективности применения этого подхода, который позволяет со­кратить время вычисления оценки связности на порядки для подходящих структур.

Ключевые слова: надежность сети, случайный граф, двусвязный граф, вероятность связ­ности, метод Монте-Карло, декомпозиция сети, точка сочленения, сепаратор.

Список литературы

  1.  Жуковский М.Е., Райгородский А. М. Случайные графы: модели и предельные характе­ристики // Успехи математических наук. 2015. Т. 70, № 1 (421). С. 35-88.
  2.  Мочалов В. А., Мочалова А. В. Применение экспертных систем для расчета вероятности связности между узлами графа // Гибридные и синергетические интеллектуальные системы: материалы V Всероссийской Поспеловской конференции с международным участием. Под ред. А. В. Колесникова. 2020. С. 226-235.
  3.  Colbourn Ch. J. The combinatorics of network reliability. N. Y.: Oxford Univ. Press, 1987. P. 160.
  4.  Мигов Д. А. Формулы для быстрого расчета вероятности связности подмножества вершин в графах небольшой размерности // Проблемы информатики. 2010. Т. 6. С. 10-17.
  5.  Родионов А. С. Можно ли добиться дальнейшего ускорения расчета характеристик связно­сти случайного графа? // Проблемы информатики. 2022. № 4(57). С. 39-52.
  6.  Батенков А. А., Батенков К. А., Фокин А. Б. Вероятность связности телекоммуникационной сети на основе приведения нескольких событий несвязности к объединению независимых событий // Информационно-управляющие системы. 2021. № 6. С. 53-63. DOI: 10.31799/1684-8853-2021-6­53-63.
  7.  Slyke R. V., Frank Н. Network reliability analysis. Part I // Networks. 1972. V. 1. P. 279-290.
  8.  Cancela H., Urquhart M.E. Adapting RVR simulation techniques for residual connectedness network reliability models // IEEE Trans. Computers. 2002. V. 51, № 4. P. 439-443.
  9.  Botev Z.I., Kroese D.P. Efficient Monte Carlo simulation via the generalized splitting method // Statistics and Computing. 2012. V. 22, № 1. P. 1-16.
  10.  Мигов Д. А., Винс Д. В. Параллельная реализация и имитационное моделирование оцен­ки надежности сети методом Монте-Карло // Вестник Томского государственного универ­ситета. Управление, вычислительная техника и информатика. 2019. № 47. С. 66-74. DOI: 10.17223/19988605/47/8.
  11.  Мигов Д. А. Декомпозиция сети по сечениям при расчете ее надежности // Прикладная дискретная математика. 2020. № 47. С. 62-86. DOI: 10.17223/20710410/47/6.
  12.  Burgos J.M. Factorization of network reliability with perfect nodes II: Connectivity matrix // Discrete Applied Mathematics. 2016. V. 198. P. 91-100.

 

Библиографическая ссылка: Мацегора А. А., Мигов Д. А., Родионов А. С. Оценка надежности сети методом Монте- Карло с использованием ее разложения по точке сочленения //"Проблемы информатики", 2026, № 2, с.32-42  .  DOI: 10.24412/2073-0667-2026-2-32 -42 .

 

Э.А. Монахова, О. Г. Монахов

Институт вычислительной математики и математической геофизики СО РАН, 630090, Новосибирск, Россия

АНАЛИЗ И СИНТЕЗ РАСШИРЕННОГО ДАТАСЕТА ОПТИМАЛЬНЫХ ЦИРКУЛЯНТНЫХ ГРАФОВ С ИСПОЛЬЗОВАНИЕМ LLM

УДК 519.8 - 519.7
DOI: 10.24412/2073-0667-2026-2-43-58
EDX: QWGQYO

Настоящая работа посвящена актуальной задаче теории графов и проектирования сетевых топологий поиску и аналитическому описанию семейств оптимальных двумерных коль-цевых циркулянтных графов. Для решения используется комбинация анализа полученного расширенного датасета оптимальных циркулянтов, оригинального метода визуализации и алгоритмического поиска с применением больших языковых моделей как инструмента генерации программного кода и анализа датасета. Алгоритм синтеза датасета оптимальных графов разработан с помощью больших языковых моделей на Python и реализован в последовательной и параллельной версиях на процессоре Kunpeng. Работа расширяет известную базу данных оптимальных двумерных циркулянтов и предлагает новые семейства графов с аналитическим заданием. Описан опыт взаимодействия с большими языковыми моделями как современного подхода к автоматизации научных исследований.

Ключевые слова: двумерный кольцевой циркулянтный граф, оптимальный граф, датасет, параметрическое описание семейств циркулянтов, большая языковая модель.

Работа выполнена при финансовой поддержке бюджетным проектом ИВМиМГ СО РАН (код проекта FWNM-2025-0005).

Список литературы

1. Hwang F. K. A survey on multi-loop networks // Theoret. Computer Science. Vol. 299. 2003. P.107–121. DOI: 10.1016/S0304-3975(01)00341-3.
2. Monakhova E. A. A Survey on Undirected Circulant Graphs // Discr. Math. Algorithms andAppl. Vol. 4. 2012. ID 1250002. 30 p. DOI: 10.1142/S1793830912500024.
3. Chen B.-X., Meng J.-X., Xiao W.-J. Some new optimal and suboptimal families of undirecteddouble-loop networks // DMTCS. Vol. 8. 2006. P. 299–312.
4. Bermond J.-C., Tzvieli D. Minimal diameter double-loop networks: Dense optimal families //Networks. Vol. 21. 1991. P. 1–9.
5. Huang X., Ramos A. F., Deng Y. Optimal circulant graphs as low-latency network topologies //J. Supercomput. Vol. 78. 2022. P. 13491–13510. DOI: 10.1007/s11227-022-04396-5.
6. Monakhova E. A., Monakhov O. G., Romanov A. Yu. Routing Algorithms in Optimal Degree Four Circulant Networks Based on Relative Addressing: Comparative Analysis for Networks-onChip // IEEE Transactions on Network Science and Engineering. Vol. 10. 2023. P. 413–425. DOI:10.1109/TNSE.2022.3211985.
7. Liu H., Li X., Wang S. Construction of Dual Optimal Bidirectional Double-Loop Networks for Optimal Routing // Mathematics. Vol. 10. 2022. P. 4016.
8. Chen B.-X., Meng J.-X., Xiao W.-J. A constant time optimal routing algorithm for undirected double-loop networks // Proceedings of the First Int. Conf. Mobile Ad-hoc and Sensor Networks (MSN 2005), Wuhan, China, December 2005. LNCS 3794. P. 308–316.
10. Монахова Э. А., Монахов О. Г. Генерация и анализ датасета оптимальных двухконтурных циркулянтных сетей // Программная инженерия. Т. 15(8). 2024. С. 402–410. DOI: 10.17223/20710410/47/7.
11. Монахов О. Г., Монахова Э. А. Масштабируемый подход к кодизайну топологий и алгоритмов маршрутизации для семейств оптимальных циркулянтных сетей степени четыре // Дискретный анализ и исследование операций. 2025. Т. 32, № 2. С. 88–106.
12. Tzvieli D. Minimal diameter double-loop networks. 1. Large infinite optimal families //Networks. Vol. 21, N 4. 1991. P. 387–415.
13. Монахова Э. А., Монахов О. Г. Анализ базы данных оптимальных двухконтурных кольцевых сетей // Прикладная дискретная математика. 2024. № 64. С. 56–71.
14. Chen B.-X., Meng J.-X., Xiao W.-J. A diameter formula for an undirected double-loop network// Ars Combinatoria. Vol. 90. 2009. P. 395–404.
15. Tzvieli D. Double-loop interconnection networks with minimal transmission delay: Ph. D.Dissertation. Louisiana State University, 1988.
16. Монахова Э. А. Оптимальные циркулянтные графы с прямоугольным контуром укладки на плоскости // Сибирские электронные математические известия. Т. 22(2). 2025. С. 1538–1551. DOI: 10.33048/semi.2025.22.093
17. Hwang F. K. A complementary survey on double-loop networks//Theoret. Computer Science.Vol. 263. 2001. P. 211–22

Библиографическая ссылка: Монахова Э.А., Монахов О. Г. Анализ и синтез расширенного датасета оптимальных циркулянтных графов с использованием LLM //"Проблемы информатики", 2026, № 2, с.43-58.  DOI: 10.24412/2073-0667-2026-2-43-58

Н. Е. Моторный

Санкт-Петербургский Политехнический Университет Петра Великого, 195251, Санкт-Петербург, Россия

ЭКСПЕРИМЕНТ ПО КОНТРОЛЮ САМОСТОЯТЕЛЬНОСТИ СОЗДАНИЯ ПРОГРАММЫ ЧЕРЕЗ АНАЛИЗ СОБЫТИЙ РЕДАКТОРА КОДА

УДК 004.42:378.147
DOI: 10.24412/2073-0667-2026-2-59-75
EDX: GKYTQO

Развитие LLM упростило решение типовых лабораторных для студентов-программистов. В статье изложена проблема контроля самостоятельности выполнения лабораторных работ. Целью работы является проведение эксперимента по внедрению системы, анализирующей процесс написания кода через действия в текстовом редакторе. Авторами был разработан и интегрирован с системой проверки веб-редактор, который фиксирует все события изменения текста. Было собрано 700 000 событий редактирования. В статье приведены общий анализ всех действий и индивидуальный анализ зачтенных работ. Результаты дают представление о паттернах и статистических характеристиках датасета событий.

Делается вывод, что анализ событий текстового редактора является эффективным инструментом для контроля самостоятельности, весь объем собираемых данных корректен и достаточен для дальнейшей разработки углубленных методов анализа работы, которые позволят исклю­чить случаи посимвольного перепечатывания текста из образца в веб-редактор.

Ключевые слова: проведение лабораторных работ, LLM, антиплагиат, обучение програм­мированию, веб-редактор, анализ событий ввода, контроль самостоятельности.

Список литературы

  1.  Иртегов, Д. В. Системы автоматизированной оценки заданий по программированию: разработка, использование и перспективы / Д. В. Иртегов, Т. В. Нестеренко, Т. Г. Чурина // Вестник Новосибирского государственного университета. Серия: Информационные технологии. 2019. Т. 17, № 2. С. 61-73. DOI 10.25205/1818-7900-2019-17-2-61-73. EDN CCAWIW.
  2.  Krasheninnikov S. V. Development and implementation of intellectual components of the digital educational environment / S. V. Krasheninnikov, D. A. Kurnosov, M. A. Nakhatovich, F. A. Novikov // EDULEARN23 Proceedings. Palma: IATED, 2023. P. 6535-6541.
  3.  Винокурова Д. В. Метод генерации уникальных вариантов для математических задач / Д. В. Винокурова // Компьютерные инструменты в образовании. 2024. № 1. С. 71-84. DOI: 10.32603/2071-2340-2024-1-100. EDN: ALXKFT.
  4.  Самигулина Г. А. Обзор интеллектуальных систем для дистанционного образования, по­строенных на основе мультиагентного подхода / Г. А. Самигулина, А. Т. Нюсупов // Проблемы информатики. 2017. № 2(35). С. 24-37. EDN: ZOLFNV.
  5.  Амаева Л. А. Способ сбора данных о взаимодействии обучающегося с системой электрон­ного обучения / J1. А. Амаева // Вестник компьютерных и информационных технологий. 2023. Т. 20, № 5(227). С. 20-27. DOI: 10.14489/vkit.2023.05. Р. 020-027. EDN: EDYBWP.
  6.  Ма Д. Система с обратной связью для оценки состояния человека по его манере работы на клавиатуре / Д. Ма, Ю. А. Шичкина // Компьютерные инструменты в образовании. 2024. № 3. С. 66-78. DOI: 10.32603/2071-2340-2024-3-66-78. EDN: UNBUMP.
  7.  Gaines R. S. Authentication by keystroke timing: some preliminary results [Text] / R. S. Gaines, W. Lisowski, S. J. Press, N. Shapiro. Santa Monica : Rand Corporation, 1980. Report R-256-NSF.
  8.  Garcia J. M. A study of the feasibility of using keystroke dynamics for user identification [Text]: Ph.D. diss. / J. M. Garcia. Monterey: Naval Postgraduate School, 1986.
  9.  Wirth N. Program Development by Stepwise Refinement [Text] // Communications of the ACM. 1971. Vol. 14, № 4. P. 221-227.
  10.  van der Aalst W. M. P. Process Mining: Data Science in Action [Text]. 2nd ed. Heidelberg: Springer, 2016. 467 p. ISBN 978-3-662-49850-7.
  11.  Begicheva A. K. Discovering hierarchical process models: an approach based on events partitioning [Text] / A. K. Begicheva, I. A. Lomazova, R. A. Nesterov // Modeling and Analysis of Information Systems. 2024. Vol. 31, № 3. P. 294-315. DOI 10.18255/1818-1015-2024-3-294-315. EDN LJPXWS.
  12.  Chen Z. Deep learning for keystroke dynamics: A comprehensive survey [Text] / Z. Chen, J. Zhang, Y. Zhang // ACM Computing Surveys. 2020. Vol. 53, № 4. Article 78. 35 p. DOI: 10.1145/3397029.

 

Библиографическая ссылка: Моторный Н. Е. Эксперимент по контролю самостоятельности создания программы через анализ событий редактора кода          59 //"Проблемы информатики", 2026, № 2, с.58-75 .  DOI: 10.24412/2073-0667-2026-2-58-75.

Д. Рахмани, Э.А. Караваева

Московский технический университет связи и информатики, 107045, Москва, Российская Федерация

КОЛИЧЕСТВЕННАЯ МОДЕЛЬ СТОИМОСТИ ИЗМЕНЕНИЯ МОДУЛЕЙ ДЛЯ ОБОСНОВАНИЯ АРХИТЕКТУРНОГО ВМЕШАТЕЛЬСТВА В МОДУЛЬНОМ МОНОЛИТЕ

УДК 004.415.23:004.412
DOI: 10.24412/2073-0667-2026-2-76-96
EDX: DGVRLR

Рассматривается задача количественного обоснования архитектурного вмешательства и отбора модулей-кандидатов на выделение сервиса внутри модульного монолита. Предложена взвешенная многокритериальная функция стоимости изменения Costj, объединяющая четыре блока: эволюционную нагрузку, пострелизную дефектность, медиану времени восстановления и накладные расходы на интеграцию. Эмпирическая проверка на 18 открытых проектах корпо­ративного класса с явной модульной структурой за 2019 2024 гг. подтвердила: ранжирование модулей устойчиво к смене весовых профилей (т Кендалла 0,75-0,97); многокритериальная функция снижает число ложных тревог однофакторных метрик; проекты с формализованны­ми архитектурными 1’раницами имеют медианную дефектную нагрузку 0,283 против 0,443 у неформальных (р = 0,0416, Cohen’s d = 0,89). Метод опирается исключительно на публичные данные репозитория и воспроизводим на любом открытом проекте с доступной историей изме­нений; перенос на проприетарные системы возможен при наличии сопоставимых репозиторных и инцидентных данных.

Ключевые слова: модульный монолит, микросервисная архитектура, стоимость измене­ний, многокритериальная оценка, SAW, TOPSIS, метрики репозитория, совместная изменяемость.

Список литературы

  1.  Lohman D., Wacke М. Scaling up the Prime Video audio/video monitoring service and reducing costs by 90% // ACM Queue. 2023. Vol. 21, № 2. [Электрон. Pec.] https://queue.acm.org/detail. cfm?id=3595833 (дата обращения: 01.03.2026).
  2.  Рахмани Д., Дубровская А. А., Лобанова А. А. Модульный подход в разработке информаци­онных систем: преимущества и реализация // Труды Института системного анализа Российской академии наук. 2025. Т. 75, Л*8 3. С. 61, 67.
  3.  Радостев Д. К., Никитина Е. Ю. Стратегия миграции программного кода из монолитной ар­хитектуры в микросервисы // Вестник Пермского университета. Серия: Математика. Механика. Информатика. 2021. № 2(53). С. 65, 68.
  4.  Зиборев А. В. Антипаттерны построения микросервисных приложений в высоконагружен- ных проектах // Universum: технические науки. 2023. № 11 (116).
  5.  Черников Б. В., Поклонов Б.Е. Оценка качества программного обеспечения: практикум / под ред. Б. В. Черникова. М.: ИД «ФОРУМ»: ИНФРА-М, 2022. 400 с. ISBN 978-5-8199-0516-6.
  6.  Blinowski G., Ojdowska A., Przybylek A. Monolithic vs. Microservice Architecture: A Performance and Scalability Evaluation // IEEE Access. 2022. Vol. 10. P. 20357-20374. DOI: 10.1109/ACCESS.2022.3152803.
  7.  Parnas D. L. On the criteria to be used in decomposing systems into modules // Communications of the ACM. 1972. Vol. 15, № 12. P. 1053-1058. DOI: 10.1145/361598.361623.
  8.  Evans E. Domain-Driven Design: Tackling Complexity in the Heart of Software. Addison-Wesley, 529 p.
  9.  Newman S. Building Microservices. 2nd ed. O’Reilly Media, 2021. 620 p.
  10.  Nagappan N., Bah T. Use of relative code churn measures to predict system defect density // ICSE 2005. P. 284-292. DOI: 10.1145/1062455.1062514.
  11.  D’Ambros М., Lanza М., Robbes R. An extensive comparison of bug prediction approaches // MSR 2010. P. 31-41.
  12.  Bavota G. et al. How the Apache community upgrades dependencies: an evolutionary study // Empirical Software Engineering. 2015. Vol. 20. P. 1275-1317. DOI: 10.1007/sl0664-014-9308-x.
  13.  Zimmermann T. et al. Predicting defects for Eclipse // PROMISE 2007. IEEE, 2007.
  14.  Forsgren N., Humble J., Kim G. Accelerate: The Science of Lean Software and DevOps. IT Revolution Press, 2018. 288 p.
  15.  Taibi D., Lenarduzzi V., Pahl C. Processes, motivations and issues for migrating to microservices architectures // IEEE Cloud Computing. 2017. Vol. 4, № 5. P. 22-32. DOI: 10.1109/MCC.2017.4250931.
  16.  Hwang C.-L., Yoon K. Multiple Attribute Decision Making. Springer, 1981. 259 p.
  17.  Auer F., Lenarduzzi V., Felderer М., Taibi D. From monolithic systems to microservices: An assessment framework // Information and Software Technology. 2021. Vol. 137. Article 106600. DOI: 10.1016/j.infsof.2021.106600.
  18.  Черников Б.В. Управление качеством программного обеспечения: учебник. М.: ИД «ФО­РУМ»: ИНФРА-М, 2022. 240 с. ISBN 978-5-8199-0902-7.
  19.  Kotlyarov V. P. Quality of software testing and traceability // Programming and Computer Software. 2020. Vol. 46, № 5. P. 297-306. DOI: 10.1134/S0361768820050059.
  20.  Черемных O.H., Черемных С. В. Стратегический корпоративный реинжиниринг: процессно-стоимостной подход к управлению бизнесом. М.: Финансы и статистика, 2005. 736 с. ISBN 978-5-279-02819-2.
  21.  Martin R. С. Agile Software Development: Principles, Patterns, and Practices. Prentice Hah, 2002. 529 p. (Рус. пер.: Мартин P. Чистая архитектура. Искусство разработки программного обеспечения. СПб.: Питер, 2018. 352 с. ISBN 978-5-4461-0772-8.

 

Библиографическая ссылка: Рахмани Д., Караваева Э.А. Количественная модель стоимости изменения модулей для обоснования архитектурного вмешательства в модульном монолите    //"Проблемы информатики", 2026, № 2, с.76-96.  DOI: 10.24412/2073-0667-2026-2-76-96