Опорна модель превентивного супроводження програмного забезпечення
DOI:
https://doi.org/10.30837/0135-1710.2025.187.254Ключові слова:
превентивне супроводження, компараторна ідентифікація, моніторинг, технічний борг, прогнозування деградації, якість ПЗ, DevOps, MLOpsАнотація
Предметом роботи є процеси превентивного супроводження програмного забезпечення, зокрема формалізація механізмів моніторингу, ідентифікації ризиків деградації та побудови рішень щодо проактивного втручання в життєвий цикл програмних систем. Мета дослідження – розробити опорну модель превентивного супроводження, яка забезпечує систематичне виявлення відхилень від еталонних режимів роботи SW, оцінювання тенденцій їх зміни й генерацію обґрунтованих превентивних дій до появи критичних відмов. З огляду на окреслену мету необхідно було виконати такі завдання: запропонувати класифікацію метрик і ознак для опису функціонального стану SW; побудувати формальний апарат превентивної ідентифікації на основі розширеного методу компараторної ідентифікації; визначити структурні компоненти опорної моделі; розробити моделі моніторингу, аналізу ідентифікованих ризиків, керування задачами супроводження й адаптивного оновлення параметрів моделі. Методи дослідження. Методологічну основу становить розширений метод компараторної ідентифікації, який дає змогу порівнювати поточні стани SW з еталонними режимами та кількісно оцінювати динаміку їх відхилення. Застосовано агрегування та нормалізацію ознак, формалізацію множини функціональних станів, аналіз часових вікон і трендових властивостей, а також механізми зворотного зв’язку й адаптивної корекції параметрів. Досягнуті результати. Сформовано п’ятикомпонентну опорну модель, що містить моделі: моніторингу стану SW; превентивної ідентифікації ризиків деградації; формування задач супроводження; оцінювання результативності превентивних дій; адаптації параметрів. Розроблена модель забезпечує виявлення латентних процесів деградації за допомогою аналізу траєкторій відхилень, інтегрується в сучасні процеси CI/CD, DevOps і MLOps та створює формалізований механізм підтримки прийняття рішень щодо вчасного супроводження. Висновки. Запропонована модель формує цілісний формальний фреймворк превентивного супроводження, спрямований на раннє виявлення потенційних відмов і підтримку довгострокової стабільності програмних систем. Адаптивний характер моделі забезпечує її актуальність у динамічних умовах експлуатації, а застосування компараторної ідентифікації підвищує інтерпретованість і обґрунтованість прийнятих рішень. Отримані результати створюють підґрунтя для розроблення інтелектуальних систем супроводження й подальших досліджень з автоматизації формування еталонних станів і розширення моделі засобами машинного навчання.
Посилання
Masrat, A., Makki, M. A., Gawde, H. (2021), "Software maintenance models and processes: An overview", SSRN Electronic Journal. DOI: https://doi.org/10.2139/ssrn.3838444
ISO/IEC/IEEE 14764:2022. Software engineering – Software life cycle processes – Maintenance. – Geneva: International Organization for Standardization. URL: https://www.iso.org/standard/80710.html (дата звернення: 10.10.2025).
Young, Z., Steele, R. (2022), "Empirical evaluation of performance degradation of machine learning-based predictive models – A case study in healthcare information systems", International Journal of Information Management Data Insights, Vol. 2, Iss. 1., Art. 100070. DOI: https://doi.org/10.1016/j.jjimei.2022.100070
Ibrahim, K. S. K., Mansor, Z., Yahaya, J., Deraman, A. (2025), "Software maintenance assessment: An analysis of determination factors", Journal of Mathematical Sciences and Informatics, Vol. 5, No. 1. DOI: https://doi.org/10.46754/jmsi.2025.06.006
Kleinwaks, H., Gärtner, M., Reich, J., Woehrle, G. (2023), "Technical debt in systems engineering - A systematic literature review", Systems Engineering, Vol. 26, Iss. 6, P. 741–760. https://doi.org/DOI: 10.1002/sys.21681
Lenarduzzi, V., Besker, T., Taibi, D., Martini, A., Arcelli Fontana, F. (2021), "A systematic literature review on technical debt prioritization: Strategies, processes, factors, and tools", Journal of Systems and Software, Vol. 171, Art. 110827. DOI: https://doi.org/10.1016/j.jss.2020.110827
ISO/IEC 25010:2023. Systems and software engineering – Systems and software Quality Requirements and Evaluation (SQuaRE) – Product quality model. – Geneva: International Organization for Standardization. URL: https://www.iso.org/standard/78176.html (дата звернення: 12.10.2025).
Abdu, A., Abdo, H. A., Ullah, I., Khan, J., Gu, Y. H., Algabri, R. (2025), "Deep multi-metrics learning for mobile app defect prediction using code and process metrics", Scientific Reports, Vol. 15, Iss. 1, Art. 38620. DOI: https://doi.org/10.1038/s41598-025-22566-2
Dai, H., Xi, J., Dai, H.-L. (2024), "Improving effort-aware just-in-time defect prediction with weighted code churn and multi-objective slime mold algorithm", Heliyon, Vol. 10, Iss. 18, e37360. DOI: https://doi.org/10.1016/j.heliyon.2024.e37360
Rebro, D. A., Rossi, B., Chren, S. (2023), "Source code metrics for software defects prediction", Proc. 38th ACM/SIGAPP Symposium on Applied Computing, P. 1668–1677. DOI: https://doi.org/10.48550/arXiv.2301.08022
Heričko, T., Šumak, B. (2023), "Exploring Maintainability Index variants for software maintainability measurement in object-oriented systems", Applied Sciences, Vol. 13, Iss. 5, Art. 2972. DOI: https://doi.org/10.3390/app13052972
Moulla, D. K., Mnkandla, E., Oumarou, H., Fehlmann, T. (2023), "Technical debt measurement: An exploratory literature review", Proc. Int. Workshop on Software Measurement and Metrics (IWSM), P. 27–38.
Saraiva, J. D., Neto, J. G., Kulesza, U., Freitas, G., Rebouças, R., Coelho, R. (2021), "Technical debt tools: A systematic mapping study", Proc. 23rd International Conference on Enterprise Information Systems (ICEIS), P. 280–303. DOI: https://doi.org/10.5220/0010459100880098
Dreyfus, P.-A., Pélissier, A., Psarommatis, F., Kiritsis, D. (2022), "Data-based model maintenance in the era of Industry 4.0: A methodology", Journal of Manufacturing Systems, Vol. 63, P. 304–316. DOI: https://doi.org/10.1016/j.jmsy.2022.03.015.
Eken, B., Pallewatta, S., Tran, N. K., Tosun, A., Babar, M. A. (2025), "A multivocal review of MLOps practices, challenges and open issues", ACM Computing Surveys, Vol. 58, Iss. 2, P. 1–35. DOI: https://doi.org/10.1145/3747346.
Paleyes, A., Urma, R.-G., Lawrence, N. D. (2022), "Challenges in deploying machine learning: A survey of case studies", ACM Computing Surveys, Vol. 55, Iss. 6, Art. 114. DOI: https://doi.org/10.1145/3533378
Indykov, V., Strüber, D., Lwakatare, L. E., Felderer, M. (2025), "Architectural tactics to achieve quality attributes of machine-learning-enabled systems: A systematic literature review", Journal of Systems and Software. DOI: https://doi.org/10.1016/j.jss.2025.112373
Cherednichenko, O., Vovk, M., Sharonova, N., Vorzhevitina, A. (2025), "Comparator-based identification of food edibility from natural language description", AICS-CoLInS 2025, CEUR Workshop Proceedings, Vol. 4015, P. 185–199. DOI: https://doi.org/10.31110/COLINS/2025-3/014
Sharonova, N., Doroshenko, A., Cherednichenko, O. (2018), "Issues of fact-based information analysis", Proc. 2nd International Conference on Computational Linguistics and Intelligent Systems (COLINS), CEUR Workshop Proceedings, Vol. 2136, P. 11–19.
Sharonova, N., Doroshenko, A., Cherednichenko, O. (2018), "Towards the ontology-based approach for factual information matching", Proc. 7th International Scientific and Technical Conference “Information Systems and Technologies” (IST-2018), P. 230–233.
Xu, J., Kovatsch, M., Mattern, D., Mazza, F., Harasic, M., Paschke, A., Lucia, S. (2022), "A review on AI for smart manufacturing: Deep learning challenges and solutions", Applied Sciences, Vol. 12, Iss. 16, Art. 8239. DOI: https://doi.org/10.3390/app12168239
UA 
EN 
