ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ АВТОМАТИЗОВАНОГО ПРОЄКТУВАННЯ ОБЧИСЛЮВАЛЬНИХ СИСТЕМ ДЛЯ КОРПОРАТИВНИХ СТРУКТУР: СУЧАСНИЙ СТАН ТА ПЕРСПЕКТИВИ
DOI:
https://doi.org/10.28925/2663-4023.2026.34.1390Ключові слова:
автоматизоване проєктування, корпоративні обчислювальні системи, машинне навчання, архітектурні рішення, SHAP, AutoML, сурогатне моделювання, тестування навантаження, кібербезпека, відмовостійкість, живучістьАнотація
У роботі досліджено сучасний стан та перспективи розвитку інформаційних технологій автоматизованого проєктування обчислювальних систем для корпоративних структур. Актуальність дослідження зумовлена зростанням складності корпоративних інформаційних систем, поширенням розподілених і хмарних архітектур та необхідністю одночасного врахування вимог до продуктивності, масштабованості, кібербезпеки, відмовостійкості й живучості. Проведено аналітичний огляд і порівняння сучасних підходів за трьома взаємопов'язаними напрямами: застосування машинного навчання для підтримки вибору архітектурних рішень і прогнозування їх характеристик; інтеграція тестування навантаження в ітеративний цикл проєктування; забезпечення кібербезпеки та відмовостійкості розподілених корпоративних систем. Розглянуто можливості використання ML-класифікаторів, засобів пояснюваного штучного інтелекту SHAP, AutoML та сурогатного моделювання для попереднього вибору й оцінювання архітектурних конфігурацій. Проаналізовано підходи до тестування навантаження та обґрунтовано доцільність використання його результатів як зворотного зв'язку для ітеративної верифікації архітектурних рішень. Систематизовано підходи до забезпечення кібербезпеки, відмовостійкості та живучості й показано можливість їх урахування як критеріїв багатокритеріального вибору конфігурації. Встановлено, що наявні методи та інструментальні засоби переважно орієнтовані на вирішення окремих задач і недостатньо інтегровані в наскрізний процес автоматизованого проєктування. За результатами проведеного аналізу запропоновано концептуальну формалізацію такого процесу, що послідовно поєднує формалізацію бізнес- і технічних вимог, ML-вибір архітектурного класу, прогнозування характеристик конфігурації, її ітеративну верифікацію за результатами тестування навантаження та багатокритеріальний вибір захищеного й відмовостійкого рішення. Визначено перспективи подальших досліджень, пов'язані з розробленням та експериментальною верифікацією відповідних методів і інформаційних технологій автоматизованого проєктування корпоративних обчислювальних систем.
Завантаження
Посилання
Bass, L., Clements, P., & Kazman, R. (2021). Software architecture in practice (4th ed.). Addison-Wesley Professional.
Lankhorst, M. (2017). Enterprise architecture at work: Modelling, communication and analysis (4th ed.). Springer. https://doi.org/10.1007/978-3-662-53933-0
Bezemer, C.-P., & Zaidman, A. (2010). Multi-tenant SaaS applications: Maintenance dream or nightmare? In Proceedings of the 4th International Joint ERCIM/IWPSE Symposium on Software Evolution (IWPSE-EVOL 2010) (pp. 88–92). Association for Computing Machinery. https://doi.org/10.1145/1862372.1862393
Gebreyesus, Y., Dalton, D., De Chiara, D., Chinnici, M., & Chinnici, A. (2024). AI for automating data center operations: Model explainability in the data centre context using Shapley Additive Explanations (SHAP). Electronics, 13(9), Article 1628. https://doi.org/10.3390/electronics13091628
Thota, M. R. (2024). Generative artificial intelligence as a catalyst for next-generation infrastructure design: Transforming the way enterprises architect, deploy, and scale digital platforms. European Journal of Advances in Engineering and Technology. https://doi.org/10.5281/zenodo.18183400
Mehla, A., Dahiya, N., & Singh, K. (2025). AI-driven cloud infrastructure provisioning: Leveraging ML, observability, and IaC for autonomous cloud operations. In Proceedings of ETNCC 2025. https://doi.org/10.1109/ETNCC66224.2025.11299663
Kushnir, D., Rehida, P., Klein, O., & Vizhevskyi, P. (2026). Method of organizing the functioning of distributed systems based on the automatic application of security criteria [Metod orhanizatsii funktsionuvannia rozpodilenykh system na osnovi avtomatychnoho zastosuvannia kryteriiv bezpeky]. Measuring and Computing Devices in Technological Processes, (2), 374–386. https://doi.org/10.31891/2219-9365-2026-86-44
Vitui, A., & Chen, T.-H. P. (2021). MLASP: Machine learning assisted capacity planning: An industrial experience report. Empirical Software Engineering, 26(5). https://doi.org/10.1007/s10664-021-09994-0
Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. In Advances in Neural Information Processing Systems 30 (NeurIPS 2017) (pp. 4765–4774).
Hud, O. O., & Kunanets, N. E. (2026). Comparative analysis of the effectiveness of XGBoost and LSTM algorithms in predicting the capacity of Scrum teams at different horizons [Porivnialnyi analiz efektyvnosti roboty alhorytmiv XGBoost ta LSTM u zadachi prohnozuvannia spromozhnosti scrum-komand na riznykh horyzontakh]. Scientific Bulletin of UNFU, 36(1), 162–168. https://doi.org/10.36930/40360118
Oleksiv, T. I. (2025). Application of machine learning for automated assessment of business process management in IT enterprises [Zastosuvannia mashynnoho navchannia dlia avtomatyzovanoho otsiniuvannia upravlinnia biznes-protsesamy v IT-pidpryiemstvakh]. Current Issues in Economic Sciences, (9). https://doi.org/10.5281/zenodo.15164477
Foo, K. C., Jiang, Z. M., Adams, B., Hassan, A. E., Zou, Y., & Flora, P. (2010). Mining performance regression testing repositories for automated performance analysis. In Proceedings of the 10th International Conference on Quality Software (QSIC 2010) (pp. 32–41). IEEE. https://doi.org/10.1109/QSIC.2010.35
Christadoss, J., & Mani, K. (2024). AI-based automated load testing and resource scaling in cloud environments using self-learning agents. Journal of Artificial Intelligence and General Science, 6(1), 604–618. https://doi.org/10.60087/jaigs.v6i1.401
Gaddam, R. R. (2025). AI-augmented dynamic performance engineering: A hybrid platform architecture. Journal of Information Systems Engineering and Management, 10(63s), 14–23. https://doi.org/10.52783/jisem.v10i63s.13804
Grant, O. H. (2025). Resource-aware cloud orchestration using ML-driven predictive scaling for high-demand IT applications. Innovative Research Thoughts, 11(4), 133–140. https://doi.org/10.36676/irt.v11.i4.1716
Dodonov, O. H., Kuznietsova, M. H., & Horbachyk, O. S. (2025). Modeling and evaluation of functional stability of information systems [Modeliuvannia i otsiniuvannia funktsionalnoi stiikosti informatsiinykh system]. Data Recording, Storage & Processing, 27(1), 76–88. https://doi.org/10.35681/1560-9189.2025.27.1.335752
Kuchma, Y., Polinovskyi, V., & Plakhtii, M. (2026). Methods of dynamic optimization of post-quantum digital signatures in authentication protocols for ultra-dense 6G networks [Metody dynamichnoi optymizatsii postkvantovykh tsyfrovykh pidpysiv u protokolakh avtentyfikatsii nadshchilnykh merezh 6G]. Cybersecurity: Education, Science, Technique, 1(33), 156–164. https://doi.org/10.28925/2663-4023.2026.33.1125
Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 785–794). Association for Computing Machinery. https://doi.org/10.1145/2939672.2939785
Olson, R. S., & Moore, J. H. (2016). TPOT: A tree-based pipeline optimization tool for automating machine learning. In Proceedings of the Workshop on Automatic Machine Learning (Proceedings of Machine Learning Research, 64, pp. 66–74). PMLR.
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Вадим Читулян, Світлана Поперешняк
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
