ІНФОРМАЦІЙНА ТЕХНОЛОГІЯ АВТОМАТИЧНОГО ВИЯВЛЕННЯ ПРОГРАМНИХ ПОМИЛОК НА ОСНОВІ ФОРМАЛІЗОВАНОЇ ПРОЄКЦІЇ ТРАЄКТОРІЙ ВИКОНАННЯ ТА ІНТЕГРАЦІЇ ЛОГІВ І МЕТРИК

Ф. Б. Гуральник; В. В. Ковтун

doi:10.31649/1997-9266-2026-187-4-67-82

Автор(и)

Ф. Б. Гуральник ORCID 0009-0009-3832-0206

Вінницький національний технічний університет ROR

В. В. Ковтун ORCID 0000-0002-7624-7072

Вінницький національний технічний університет ROR

DOI https://doi.org/10.31649/1997-9266-2026-187-4-67-82

Ключові слова

автоматичне тестування програмного забезпечення інформаційна технологія аналіз логів якісні метрики машинне навчання виявлення аномалій поведінкове моделювання мікросервісна архітектура

Анотація

Досліджено проблему автоматичного виявлення програмних помилок в умовах, коли формальний аналіз забезпечує інтерпретованість, але не завжди є достатньо повним і обчислювально прийнятним, тоді як log-only і metrics-only підходи фіксують поведінкові відхилення, проте не гарантують узгоджености з формально визначеними властивостями виконання. Уперше запропоновано інформаційну технологію автоматичного виявлення програмних помилок, у якій логи виконання інтерпретуються як формалізована проєкція траєкторій виконання програм, а методи машинного навчання використовуються для апроксимації властивостей виконання, заданих у межах інтегрованої схеми «статичні сигнали – модель виконання – логи/метрики – ознаковий простір – поведінкова модель – індукція рішень». Запропонована побудова поєднує інваріантні, логові, метричні та динамічні ознаки й переводить задачу з ізольованого аналізу журналів подій або часових рядів метрик у задачу узгодженого розпізнавання дефектних режимів виконання. Експериментальну верифікацію виконано на відкритому датасеті LO2, який поєднує журнали подій і метричні характеристики виконання в мікросервісному середовищі. Отримані результати показали, що інтегрована модель як реалізація запропонованої інформаційної технології забезпечує значення F1-міри 0,742, що перевищує відповідні показники лог-орієнтованої базової моделі 0,657 і метрики-орієнтованої базової моделі 0,593. Площа під ROC-кривою становить 0,892, що вказує на вищу глобальну роздільну здатність моделі щодо безпечних і дефектних режимів виконання. Коефіцієнт узгоджености Кохена дорівнює 0,661, що підтверджує кращу відповідність автоматизованих рішень еталонній розмітці. Практичний ефект виявляється у понад двократному зменшенні частки випадків, які потребують експертної інтерпретації, та в істотному скороченні часу аналізу одного випадку. Абляційний аналіз додатково показав, що найбільший внесок у якість виявлення забезпечують логові та інваріантні компоненти ознакового простору, тоді як метричні та динамічні ознаки виконують стабілізувальну й уточнювальну функцію.

3 0

Як цитувати

[1]

«ІНФОРМАЦІЙНА ТЕХНОЛОГІЯ АВТОМАТИЧНОГО ВИЯВЛЕННЯ ПРОГРАМНИХ ПОМИЛОК НА ОСНОВІ ФОРМАЛІЗОВАНОЇ ПРОЄКЦІЇ ТРАЄКТОРІЙ ВИКОНАННЯ ТА ІНТЕГРАЦІЇ ЛОГІВ І МЕТРИК», Вісник ВПІ, вип. 4, с. 67–82, Жов 2026, doi: 10.31649/1997-9266-2026-187-4-67-82.

Завантажити посилання

Біографії авторів

автор Ф. Б. Гуральник, афіліація Вінницький національний технічний університет

аспірант кафедри комп’ютерних систем управління,

автор В. В. Ковтун, афіліація Вінницький національний технічний університет

д-р техн. наук, професор, завідувач кафедри комп’ютерних систем управління

Посилання

[1] M. Du, F. Li, G. Zheng, and V. Srikumar, “DeepLog,” in Proceedings of the 2017 ACM SIGSAC Conference on Computer and Communications Security, pp. 1285-1298, 2017. https://doi.org/10.1145/3133956.3134015 .

[2] W. Meng, et al., “LogAnomaly: Unsupervised Detection of Sequential and Quantitative Anomalies in Unstructured Logs,” Proceedings of the Twenty-Eighth International Joint Conference on Artificial Intelligence, pp. 4739-4745, 2019. https://doi.org/10.24963/ijcai.2019/658 .

[3] X. Zhang, et al., “Robust log-based anomaly detection on unstable log data,” in Proceedings of the 27th ACM Joint European Software Engineering Conference and Symposium on the Foundations of Software Engineering, pp. 807-817, 2019. https://doi.org/10.1145/3338906.3338931 .

[4] S. Hashemi, and M. Mäntylä, “OneLog: towards end-to-end software log anomaly detection,” Automated Software Engineering, vol. 31, no. 2, 2024. https://doi.org/10.1007/s10515-024-00428-x .

[5] S. Chen, and H. Liao, “BERT-Log: Anomaly Detection for System Logs Based on Pre-trained Language Model,” Applied Artificial Intelligence, vol. 36, no. 1, 2022. https://doi.org/10.1080/08839514.2022.2145642 .

[6] S. Zhang, et al., “End-to-End AutoML for Unsupervised Log Anomaly Detection,” in Proceedings of the 39th IEEE/ACM International Conference on Automated Software Engineering, 2024. https://doi.org/10.1145/3691620.3695535 .

[7] J. Audibert, P. Michiardi, F. Guyard, S. Marti, and M. A. Zuluaga, “USAD,” in Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, pp. 3395-3404, 2020. https://doi.org/10.1145/3394486.3403392 .

[8] S. Tuli, G. Casale, and N. R. Jennings, “TranAD,” Proceedings of the VLDB Endowment, vol. 15, no. 6, pp. 1201-1214, 2022. https://doi.org/10.14778/3514061.3514067 .

[9] D. Li, D. Chen, B. Jin, L. Shi, J. Goh, and S.-K. Ng, “MAD-GAN: Multivariate Anomaly Detection for Time Series Data with Generative Adversarial Networks,” Lecture Notes in Computer Science, pp. 703-716, 2019. https://doi.org/10.1007/978-3-030-30490-4_56 .

[10] A. Aziz, and K. Munir, “Anomaly Detection in Logs Using Deep Learning,” IEEE Access, vol. 12, pp. 176124-176135, 2024. https://doi.org/10.1109/access.2024.3506332 .

[11] S. He, T. Deng, B. Chen, R. Simon Sherratt, and J. Wang, “Unsupervised Log Anomaly Detection Method Based on Multi-Feature,” Computers, Materials & Continua, vol. 76, no. 1, pp. 517-541, 2023. https://doi.org/10.32604/cmc.2023.037392 .