Автоматизована система налаштування продуктів для провайдерів інформаційних послуг
DOI:
https://doi.org/10.20535/1560-8956.46.2025.323761Ключові слова:
алгоритми обробки природної мови (NLP), гетерогенні графові нейронні мережі (HeteroGNN), декомпозиційний аналіз, машинне навчання, інформаційні послуги, інформаційні системи та технології, моделі BERTАнотація
В роботі запропоновано автоматизовану систему, яка забезпечує інтеграцію сучасних методів аналізу природної мови (NLP) із використанням моделей BERT, а також гетерогенних графових нейронних мереж (HeteroGNN) для аналізу графів дій, сформованих на основі декомпозиції сценаріїв використання. Система дозволяє об’єднати дані з текстової документації, графів послідовності дій та кодової бази, щоб автоматично ідентифікувати необхідні зміни у функціоналі програмного продукту, виявляти ризиковані місця в архітектурі, а також визначати можливості перевикористання
існуючих компонентів. Для обробки текстової документації та бізнес-нотаток система використовує NLP-алгоритми, які виділяють ключові сутності та зв’язки між ними, дозволяючи автоматично оновлювати технічну документацію. Це забезпечує мінімізацію часу на підготовку документації для нових змін, зменшення ризику упущення важливих деталей та гарантує узгодженість між різними етапами розробки. Аналіз графів дій, побудованих на основі сценаріїв використання, виконується із застосуванням алгоритмів PageRank і Betweenness Centrality для визначення критичних вузлів. Завдяки цьому система автоматично прогнозує вплив змін на інші модулі продукту та пріоритизує регресійне тестування. Результати експериментів демонструють ефективність розробленої системи на прикладі реального сценарію відключення користувача від послуги постачання інтернету. Автоматично виділено ключові дії, такі як відключення порту, оновлення тарифного плану або повне припинення послуги, залежно від кількості активних точок доступу. Система сформувала новий граф дій із урахуванням умов сценарію, ідентифікувала критичні вузли, які могли вплинути на стабільність інших продуктів, та запропонувала рекомендації для розробників і тестувальників. Запропонована система забезпечує адаптивність до різних сценаріїв використання завдяки модульній архітектурі. Це дозволяє провайдерам швидко адаптувати свої програмні продукти до змін ринку, підвищуючи швидкість і точність впровадження нових функціональних можливостей. Додатково система здійснює інтеграцію з кодовою базою через AST-парсери, які виявляють залежності між методами та модулями, забезпечуючи консистентність між графами дій, документацією та реалізацією.
Бібл. 16, іл. 4
Посилання
Z. Feng et al., “CodeBERT: A pre-trained model for programming and natural languages,” in Proc. of the 2020 Empirical Methods in Natural Language Processing, 2020. URL: https://arxiv.org/abs/2002.08155
A. Kanade et al., “Learning and evaluating contextual embeddings for code,” in Proc. of ICML 2020, 2020. URL: https://arxiv.org/abs/2005.00057
Facebook AI, “Graph Neural Networks for vulnerability detection,” 2020. URL: https://ai.facebook.com/research
Uber Technologies, “Graph-based dependency management in microservices,” 2021. URL:https://eng.uber.com/microservices-dependency-graph
Alibaba Research, “Heterogeneous GNNs in logistics optimization,” 2021. URL: https://www.alibabacloud.com
M. Allamanis and C. Sutton, “Mining source code repositories for structured information,” in Proceedings of the 10th Working Conference on Mining Software Repositories, 2013. URL: https://doi.org/10.1109/MSR.2013.6624020
J. Zhou et al., “Graph neural networks: A review of methods and applications,” AI Open, vol. 1, pp. 57–81, 2020. URL: https://doi.org/10.1016/j.aiopen.2020.04.001
Microsoft Azure, “Dependency graph analysis in large-scale systems,” 2021. URL: https://azure.microsoft.com
R. A. Rossi and N. K. Ahmed, “The network data repository with interactive graph analytics and visualization,” in Proceedings of the 2020 Web Conference, 2020. URL: https://networkrepository.com
V. P. Dwivedi and X. Bresson, “A Generalization of graph neural networks,” arXiv preprint arXiv:2006.06972, 2020. URL: https://arxiv.org/abs/2006.06972
W. Hamilton et al., “Inductive representation learning on large graphs,” in Proceedings of NIPS 2017, 2017. URL: https://arxiv.org/abs/1706.02216
T. N. Kipf and M. Welling, “Semi-supervised classification with graph convolutional networks,” arXiv preprint arXiv:1609.02907, 2017. URL: https://arxiv.org/abs/1609.02907
P. Velickovic et al., “Graph attention networks,” arXiv preprint arXiv:1710.10903, 2018. URL: https://arxiv.org/abs/1710.10903
J. Devlin et al., “BERT: Pre-training of deep bidirectional transformers for language understanding,” in Proc. of NAACL 2019, 2019. URL: https://arxiv.org/abs/1810.04805
A. Vaswani et al., “Attention is all you need,” in Proceedings of NIPS 2017, 2017. URL: https://arxiv.org/abs/1706.03762
O. Rolik, V. Kolesnik, and D. Halushko, “Decomposition-Compensation Method for IT Service Management.,” in: Kulczycki P., Kóczy L., Mesiar R., Kacprzyk J. (eds), Information Technology and Computational Physics. CITCEP 2016. Advances in Intelligent Systems and Computing, vol 462, Springer, Cham, 2017, pp. 89-107.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у нашому журналі.
2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована нашим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у нашому журналі.
3. Політика журналу дозволяє і заохочує розміщення рукопису роботи авторами в мережі Інтернет (наприклад, на arXiv.org або на особистих веб-сайтах). Причому рукописи статей можуть бути розміщенні у відкритих архівах як до подання рукопису до редакції, так і під час його редакційного опрацювання. Це сприяє виникненню продуктивної наукової дискусії, позитивно позначається на оперативності ознайомлення наукової спільноти з результатами Ваших досліджень і як наслідок на динаміці цитування вже опублікованої у журналі роботи. Детальніше про це: The Effect of Open Access.
