moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2023.43.4.031 1479 Разработка концепции и инструментария моделирования процессов тестирования веб-приложений методом фаззинга с помощью динамических байесовских сетей Development of a concept and tools for modeling web application testing processes using fuzzing using dynamic Bayesian networks Азарнова Татьяна Васильевна Azarnova Tatyana Vasilievna ivdas92@mail.ru aff-1 Полухин Павел Валерьевич Polukhin Pavel Valerievich alfa_force@bk.ru aff-2 Воронежский государственный университет Voronezh State University Воронежский государственный университет 01 01 2026 1 1 10.26102/2310-6018/2023.43.4.031 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

Обеспечение устойчивости функционирования веб-приложений относительно различных угроз безопасности играет важнейшую роль в развитии современных технологий информационного обеспечения промышленных предприятий, финансовых структур и организаций сферы услуг. Это объясняет высокую актуальность разработки новых научно обоснованных эффективных вычислительных методов, алгоритмов и проблемно-ориентированных программ для тестирования веб-приложений со сложной функциональной структурой внутреннего и внешнего взаимодействия, реализующих возможности потоковой обработки данных, формируемых по результатам каждого из шагов тестирования, и применение полученных результатов в процессе управления тестированием веб-приложений. В статье описана концепция моделирования процессов тестирования, исследования полученных моделей и разработки алгоритмов анализа и прогнозирования, базирующаяся на формализованном аппарате динамических байесовских сетей. Предложенные в работе байесовские модели, построенные на основе статистического обучения, позволяют определить временные связи для каждого из параметров, определяемых в процессе выполнения процедуры тестирования, и предоставляют возможность прогнозировать результаты тестирования путем выполнения процедуры имитационного моделирования методами вероятностного вывода.

Ensuring the sustainability of web applications with respect to various security threats plays a crucial role in the development of modern information support technologies for industrial enterprises, financial structures and service organizations. This explains the high relevance of the development of new scientifically sound effective computational methods, algorithms and problem-oriented programs for testing web applications with a complex functional structure of internal and external interaction, which implement the capabilities of streaming data generated from the results of each of the test steps, and the application of the results in the process of managing the testing of web applications. The article describes the concept of modeling testing processes, research of the obtained models and development of analysis and prediction algorithms, based on a formalized apparatus of dynamic Bayesian networks. The Bayesian models proposed in the paper, built on the basis of statistical training, help to determine time relationships for each of the parameters determined during the test procedure, provide the opportunity to predict test results by performing simulations using probabilistic inference methods.

 уязвимости веб-приложений байесовская сеть задачи вероятностного вывода процесс тестирования метод Монте Карло с применение цепей Маркова алгоритм многочастичного фильтра web application vulnerabilities Bayesian network probabilistic inference problems testing process Monte Carlo method using Markov circuits particle filtering algorithm Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References Adebiyi A.A., Arreymbi J., Imafidon C. Neural network based security tool for analyzing software. Advances in Information and Communication Technology. 2013;80–87. Zegzhda P.D., Kort S.S., Suprun A.F. Detection of Anomalies in Behavior of the Software with Usage of Markov Chains. Automatic Control and Computer Sciences. 2015;820–825. Котенко И.В., Чичулин А.В. Применение графов атак для оценки защищенности компьютерных сетей и анализа событий безопасности. Системы высокой доступности. 2013;103–110. Бейзер Б. Тестирование черного ящика. СПб.: Питер; 2004. 321 с. Korb K.B., A.E. Nicholson. Bayesian Artificial Intelligence. Boca Raton, CRC Press; 2004. 491 p. Полухин П.В. Инструменты оптимизации многочастичного фильтра для вероятностных моделей динамических систем. Системы управления и информационные технологии. 2021;4–10. Chickering D.M. Optimal Structure Identification with Greedy Search. Journal of Machine Learning Research. 2002;507–554. Pearl J. Causality: Models, Reasoning and Inference. N.Y.: Cambridge University Press; 2009. 484 p. Тулупьев А.Л., Сироткин А.В., Николенко С.И. Байесовские сети логико-вероятностный подход. СПб.: Издательство СПБГУ; 2009. 400 с. Koller D, Friedman N. Probabilistic graphical models. Principles and Techniques. Cambridge, MIT Press; 2009.1231 p. Russel S., Norvig P. Artificial intelligence a modern approach. N.J.: Pearson; 2009. 484 p. Леман Э. Проверка статистических гипотез. М.: Наука; 1987. 408 с.

The authors declare that there are no conflicts of interest present.