Архитектура и верификация системы поддержки принятия решений качества программных проектов в конвейере непрерывной интеграции

Релизное решение – допустить версию программного продукта к выпуску, вернуть на доработку или перераспределить ресурсы контроля качества – является базовым актом управления в организации, разрабатывающей программное обеспечение. В рамках его воспроизводимости и систематичности механизм управления качеством должен быть реализован как автоматизированный сервис, встроенный в конвейер непрерывной интеграции и доставки. В работе представлена система поддержки принятия решений, реализующая механизм релизных решений на основе некомпенсируемой интегральной оценки качества и адресованная лицу, принимающему релизное решение – руководителю службы обеспечения качества или техническому руководителю проекта. Описаны трехслойная архитектура с отчуждаемым вычислительным ядром, реляционная модель данных из пяти сущностей, обеспечивающая прослеживаемость решений и сопоставимость оценок во времени, и управленческий контур: расчет интегральной оценки и субиндексов, трехзонное решающее правило релизного гейта, темпоральные триггеры деградации, рекомендации с разверткой до метрик и исполняемый гейт конвейера. Предложена стратегия верификации, в которой формальные свойства свертки оценки закрепляются как приемочные тесты; дискриминирующая способность этих тестов подтверждена негатив-контролем и мутационным тестированием, реализация воспроизводит указанные свойства при высоком покрытии кода, а вычислительное ядро показывает линейную сложность. Работоспособность контура продемонстрирована на реальном обезличенном портфеле проектов с прослеживанием деградации от метрик до управленческого решения.

1. Giray G., Bennin K.E., Köksal Ö., Babur O., Tekinerdogan B. On the use of deep learning in software defect prediction. Journal of Systems and Software. 2023;195:111537. https://doi.org/10.1016/j.jss.2022.111537

2. Matloob F., Ghazal T.M., Taleb N., et al. Software Defect Prediction Using Ensemble Learning: A Systematic Literature Review. IEEE Access. 2021;9:98754–98771. https://doi.org/10.1109/ACCESS.2021.3095559

3. Коцюба И.Ю., Буякова Е.С. Методы и модели интеллектуальной поддержки принятия решений по управлению программным сервисом обработки обращений граждан. Экономический вестник. 2026;5(2):74–85. https://doi.org/10.66621/2949-4648-2026-5-2-74-85

4. Donca I.-C., Stan O.P., Misaros M., Gota D., Miclea L. Method for Continuous Integration and Deployment Using a Pipeline Generator for Agile Software Projects. Sensors. 2022;22(12):4637. https://doi.org/10.3390/s22124637

5. Soares E., Sizilio G., Santos J., da Costa D.A., Kulesza U. The effects of continuous integration on software development: a systematic literature review. Empirical Software Engineering. 2022;27(3):78. https://doi.org/10.1007/s10664-021-10114-1

6. Biazotto J.P., Feitosa D., Avgeriou P., Nakagawa E.Y. Technical debt management automation: State of the art and future perspectives. Information and Software Technology. 2023;167(2):107375. https://doi.org/10.1016/j.infsof.2023.107375

7. Sas D., Avgeriou P. An Architectural Technical Debt Index Based on Machine Learning and Architectural Smells. IEEE Transactions on Software Engineering. 2023;49(8):4169–4195. https://doi.org/10.1109/TSE.2023.3286179

8. Ulan M., Löwe W., Ericsson M., Wingkvist A. Weighted software metrics aggregation and its application to defect prediction. Empirical Software Engineering. 2021;26(5):86. https://doi.org/10.1007/s10664-021-09984-2

9. Govindan K., Jepsen M.B. ELECTRE: A comprehensive literature review on methodologies and applications. European Journal of Operational Research. 2015;250(1). https://doi.org/10.1016/j.ejor.2015.07.019

10. Keshavarz-Ghorabaee M., Amiri M., Zavadskas E.K., Turskis Z., Antucheviciene J. Determination of Objective Weights Using a New Method Based on the Removal Effects of Criteria (MEREC). Symmetry. 2021;13(4):525. https://doi.org/10.3390/sym13040525

11. Mukhametzyanov I. Specific character of objective methods for determining weights of criteria in MCDM problems: Entropy, CRITIC and SD. Decision Making: Applications in Management and Engineering. 2021;4(2):76–105. https://doi.org/10.31181/dmame210402076i

12. Colakoglu F.N., Yazici A., Mishra A. Software Product Quality Metrics: A Systematic Mapping Study. IEEE Access. 2021;9:44647–44670. https://doi.org/10.1109/ACCESS.2021.3054730

13. Siebert J., Joeckel L., Heidrich J., et al. Construction of a quality model for machine learning systems. Software Quality Journal. 2022;30(2):307–335. https://doi.org/10.1007/s11219-021-09557-y

14. Lomio F., Moreschini S., Lenarduzzi V. A machine and deep learning analysis among SonarQube rules, product, and process metrics for fault prediction. Empirical Software Engineering. 2022;27(7):189. https://doi.org/10.1007/s10664-022-10164-z

15. Barletta V.S., Caivano D., Colizzi L., Dimauro G., Piattini M. Clinical-chatbot AHP evaluation based on "quality in use" of ISO/IEC 25010. International Journal of Medical Informatics. 2022;170(4):104951. https://doi.org/10.1016/j.ijmedinf.2022.104951

16. Vafaei N., Ribeiro R.A., Camarinha-Matos L.M. Assessing Normalization Techniques for Simple Additive Weighting Method. Procedia Computer Science. 2022;199:1229–1236. https://doi.org/10.1016/j.procs.2022.01.156

17. Arrow K.J., Chenery H.B., Minhas B.S., Solow R.M. Capital-Labor Substitution and Economic Efficiency. The Review of Economics and Statistics. 1961;43(3):225–250. https://doi.org/10.2307/1927286

18. Velepucha V., Flores P. A Survey on Microservices Architecture: Principles, Patterns and Migration Challenges. IEEE Access. 2023;11:88339–88358. https://doi.org/10.1109/ACCESS.2023.3305687

19. Jiménez-Fernández E., Sánchez Á., Ortega-Pérez M. Dealing with weighting scheme in composite indicators: An unsupervised distance-machine learning proposal for quantitative data. Socio-Economic Planning Sciences. 2022;83(2):101339. https://doi.org/10.1016/j.seps.2022.101339

20. Kizielewicz B., Shekhovtsov A., Sałabun W. pymcdm–The universal library for solving multi-criteria decision-making problems. SoftwareX. 2023;22:101368. https://doi.org/10.1016/j.softx.2023.101368

21. Liern V., Pérez-Gladish B. Building Composite Indicators With Unweighted-TOPSIS. IEEE Transactions on Engineering Management. 2023;70(5):1871–1880. https://doi.org/10.1109/TEM.2021.3090155

22. Krichen M. A Survey on Formal Verification and Validation Techniques for Internet of Things. Applied Sciences. 2023;13(14):8122. https://doi.org/10.3390/app13148122

23. Maclver D.R., Hatfield-Dodds Z., et al. Hypothesis: A new approach to property-based testing. The Journal of Open Source Software. 2019;4(43):1891. https://doi.org/10.21105/joss.01891

24. Papadakis M., Kintis M., Zhang J., Jia Y., Le Traon Y., Harman M. Mutation Testing Advances: An Analysis and Survey. Advances in Computers. 2019;112:275–378. https://doi.org/10.1016/bs.adcom.2018.03.015

25. Burkov V.N., Goubko M., Korgin N., Novikov D. Introduction to theory of control in organizations. Boca Raton: CRC Press; 2015. 346 p. https://doi.org/10.1201/b18152

26. Burkov V.N., Korgin N.A., Novikov D.A. Control Mechanisms for Organizational-Technical Systems: Problems of Integration and Decomposition. IFAC-PapersOnLine. 2016;49(32):1–6. https://doi.org/10.1016/j.ifacol.2016.12.180