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 $O(n^{2}m + n \log nk)$, время выполнения $\leq 30$ 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.
Ключевые слова:
вычислительное моделирование, динамическая адаптация, жизненный цикл системы, нейросетевые алгоритмы, системный анализ, сложные системы обработки данных, событийно-прогнозное управление качеством, эмерджентные свойства.
