Процедура агрегирования исходных данных о требуемом уровне качества сложных систем обработки данных
(Стр. 61-70)
Подробнее об авторах
Самохина Наталья Станиславовна
кандидат технических наук; доцент, кафедра высшей школы передовых производственных технологий
Поволжский государственный университет сервиса
г. Тольятти, Российская Федерация Ефремов Алексей Станиславович аспирант; Поволжский государственный университет сервиса; г. Тольятти, Российская Федерация
Поволжский государственный университет сервиса
г. Тольятти, Российская Федерация Ефремов Алексей Станиславович аспирант; Поволжский государственный университет сервиса; г. Тольятти, Российская Федерация
Нажимая на кнопку купить вы соглашаетесь с условиями договора оферты
Аннотация:
Целью исследования является разработка процедуры агрегирования данных о требуемом уровне качества сложных систем обработки данных путем интеграции многокритериального анализа с методами машинного обучения. Существующие подходы, основанные на ГОСТ Р 59797–2021 и ISO/IEC 25010, демонстрируют ограниченную эффективность из-за отсутствия единой процедуры агрегирования. Разработана трехэтапная гибридная процедура: сбор и нормализация показателей качества с модифицированным z-преобразованием; расчет адаптивных весов через синтез метода AHP с алгоритмом случайного леса; формирование интегрального критерия требуемого уровня качества. Валидация выполнена на двух промышленных системах масштаба 50–80 ТБ/сутки. Результаты: повышение точности прогноза с 82,1 до 92,4%, сокращение времени принятия решений в 3,4 раза, снижение критических инцидентов на 34–45%. Алгоритмическая сложность O(n2m + n log nk), время выполнения ≤30 с. Процедура применима для ССОД объемом 10+ ТБ/сутки и требует исторических данных не менее 500 наблюдений. Результаты представляют ценность для архитекторов и специалистов по качеству критически важных информационных систем.
Образец цитирования:
ОБРАЗЕЦ ЦИТИРОВАНИЯ: Самохина Н.С., Ефремов А.С. Процедура агрегирования исходных данных о требуемом уровне качества сложных систем обработки данных // Computational Nanotechnology. 2025. Т. 12. № 4. С. 61-70. DOI: 10.33693/2313-223X-2025-12-4-61-70. EDN: FPYQLP
Список литературы:
Еременко В.Т., Логинов И.В., Фисун А.П., Рытов М.Ю. Управление перестроением информационно-вычислительных платформ эволюционирующих киберфизических систем в условиях неопределенности // Вестник компьютерных и информационных технологий. 2023. № 2. С. 26–36. DOI: 10.14489/vkit.2023.02.pp.026-036. EDN: HOSPS.
Чуканов С.Н., Чуканов И.С. Формирование признаков машинного обучения на основе топологического анализа данных // Вестник ВГУ. Серия: Системный анализ и информационные технологии, 2022. № 3. С. 115–126. DOI: 10.17308/sait/1995-5499/2022/3/115-126. EDN: GEZXCX.
Резова Н.Л., Казаковцев Л.А., Шкаберина Г.Ш., Цепкова М.И. Предварительная обработка данных для анализа поведения сложных систем // Системы управления и информационные технологии: научно-технический журнал. 2022. № 2 (88). DOI: 10.36622/VSTU.2022.88.2.008. EDN: BYGESB.
Мельников А.В., Кобяков Н.С. Численный метод модификации моделей, разработанных на основе метода анализа иерархий, с использованием искусственной нейронной сети // Вестник ВГУ. Серия: Системный анализ и информационные технологии. 2025. № 4. С. 5–21. DOI: 10.17308/sait/1995-5499/2024/4/5-21. EDN: CENQIP.
Меньших В.В., Морозова В.О. Численный метод исследования динамических рядов с апериодическими аномалиями // Вестник ВГУ. Серия: Системный анализ и информационные технологии. 2023. № 2. С. 22–30. DOI: 10.17308/sait/1995-5499/2023/2/22-30. EDN: GVIANX.
Душкин Р.В. Принципы решения проблемы привязки символов при разработке искусственных когнитивных агентов общего уровня // Журнал информационных технологий. 2022. № 7. С. 15–29. DOI: 10.17587/it.28.368-377. EDN: BZMVWL.
Попов А.П., Тихомиров С.Г., Хаустов И.А. и др. Системный анализ и синтез предиктивной системы управления процессом термоокислительной деструкции полимера в реакторе периодического действия // Вестник ВГУ. Серия: Системный анализ и информационные технологии. 2020. № 1. С. 36–50. DOI: 10.17308/sait.2020.1/2582. EDN: LLVDQL.
Васильев Н.Н. Моделирование маршрутов бампинга в алгоритме RSK и анализ их подхода к ограничению форм // Информационно-управляющие системы. 2022. № 6. С. 2–8. DOI: 10.31799/1684-8853-2022-6. EDN: WRCOSH.
Вересников Г.С., Голев А.В., Московцев А.М., Мартиросян М.П. Методы и алгоритмы для решения задачи ранней диагностики технических объектов с использованием методов интеллектуального анализа данных // Информационные технологии. 2022. № 9 (28). С. 475–484. DOI: 10.17587/it.28.475-484. EDN: UJWIRT.
Десницкий В.А., Новикова Е.С. Обнаружение неисправностей в промышленных изделиях с использованием малых обучающих наборов данных. Вестник ВГУ. Серия: Системный анализ и информационные технологии. 2024. № 1. С. 49–61. DOI: 10.17308/sait/1995-5499/2024/1/49-61. EDN: DHNYCM.
Аршинский Л.В., Лебедев В.С. Объективизация баз знаний интеллектуальных систем на основе индуктивного вывода с использованием нестрогих вероятностей // Информационные и математические технологии в науке и управлении. 2022. № 4 (28). С. 190–200. DOI: 10.38028/ESI.2022.28.4.015. EDN: LGJXFH.
Чуканов С.Н., Чуканов И.С. Формирование признаков машинного обучения на основе топологического анализа данных // Вестник ВГУ. Серия: Системный анализ и информационные технологии, 2022. № 3. С. 115–126. DOI: 10.17308/sait/1995-5499/2022/3/115-126. EDN: GEZXCX.
Резова Н.Л., Казаковцев Л.А., Шкаберина Г.Ш., Цепкова М.И. Предварительная обработка данных для анализа поведения сложных систем // Системы управления и информационные технологии: научно-технический журнал. 2022. № 2 (88). DOI: 10.36622/VSTU.2022.88.2.008. EDN: BYGESB.
Мельников А.В., Кобяков Н.С. Численный метод модификации моделей, разработанных на основе метода анализа иерархий, с использованием искусственной нейронной сети // Вестник ВГУ. Серия: Системный анализ и информационные технологии. 2025. № 4. С. 5–21. DOI: 10.17308/sait/1995-5499/2024/4/5-21. EDN: CENQIP.
Меньших В.В., Морозова В.О. Численный метод исследования динамических рядов с апериодическими аномалиями // Вестник ВГУ. Серия: Системный анализ и информационные технологии. 2023. № 2. С. 22–30. DOI: 10.17308/sait/1995-5499/2023/2/22-30. EDN: GVIANX.
Душкин Р.В. Принципы решения проблемы привязки символов при разработке искусственных когнитивных агентов общего уровня // Журнал информационных технологий. 2022. № 7. С. 15–29. DOI: 10.17587/it.28.368-377. EDN: BZMVWL.
Попов А.П., Тихомиров С.Г., Хаустов И.А. и др. Системный анализ и синтез предиктивной системы управления процессом термоокислительной деструкции полимера в реакторе периодического действия // Вестник ВГУ. Серия: Системный анализ и информационные технологии. 2020. № 1. С. 36–50. DOI: 10.17308/sait.2020.1/2582. EDN: LLVDQL.
Васильев Н.Н. Моделирование маршрутов бампинга в алгоритме RSK и анализ их подхода к ограничению форм // Информационно-управляющие системы. 2022. № 6. С. 2–8. DOI: 10.31799/1684-8853-2022-6. EDN: WRCOSH.
Вересников Г.С., Голев А.В., Московцев А.М., Мартиросян М.П. Методы и алгоритмы для решения задачи ранней диагностики технических объектов с использованием методов интеллектуального анализа данных // Информационные технологии. 2022. № 9 (28). С. 475–484. DOI: 10.17587/it.28.475-484. EDN: UJWIRT.
Десницкий В.А., Новикова Е.С. Обнаружение неисправностей в промышленных изделиях с использованием малых обучающих наборов данных. Вестник ВГУ. Серия: Системный анализ и информационные технологии. 2024. № 1. С. 49–61. DOI: 10.17308/sait/1995-5499/2024/1/49-61. EDN: DHNYCM.
Аршинский Л.В., Лебедев В.С. Объективизация баз знаний интеллектуальных систем на основе индуктивного вывода с использованием нестрогих вероятностей // Информационные и математические технологии в науке и управлении. 2022. № 4 (28). С. 190–200. DOI: 10.38028/ESI.2022.28.4.015. EDN: LGJXFH.
Ключевые слова:
вычислительное моделирование, динамическая адаптация, жизненный цикл системы, нейросетевые алгоритмы, системный анализ, сложные системы обработки данных, событийно-прогнозное управление качеством, эмерджентные свойства.
