ПІДХОДИ DESIGN SCIENCE RESEARCH ДО ПОБУДОВИ ІНТЕЛЕКТУАЛЬНОЇ СИСТЕМИ КОНТРАКТ-ТЕСТУВАННЯ

Автор(и)

DOI:

https://doi.org/10.32689/maup.it.2025.2.3

Ключові слова:

Design Science Research, інтелектуальна система контракт-тестування, мікросервісна архітектура, телеметрія сервісів

Анотація

У сучасних умовах зростаючої складності мікросервісних інформаційних систем особливого значення набуває розробка ефективних підходів до забезпечення їхньої надійності та стабільності. Мета роботи. У статті обґрунтовано підходи методології design science research (DSR) для розробки інтелектуальної системи контракт-тестування мікросервісних інформаційних систем. Основним завданням є створення артефакту, здатного автоматично генерувати, оптимізувати та аналізувати інтерфейсні контракти на основі реальних експлуатаційних даних і телеметрії, з метою зниження обсягу рутинних перевірок і підвищення надійності системи. Методологія. Використано класичну DSR-рамку, що поєднує етапи ідентифікації проблеми й мотивації, формалізації вимог, визначення цілей рішення, дизайну й розробки артефакту, його демонстрації та оцінювання в реальних умовах, а також поширення результатів. Упроцесі реалізації було спроектовано чотири взаємопов’язані модулі: збір телеметрії, генератор контрактів, аналітичний двигун та DevOps-інтерфейс.Наукова новизна. Запропоновано унікальне поєднання DSR-парадигми з інтелектуальними механізмами адаптивного тестування: уперше реалізовано автоматичне виявлення змін контрактів із точністю ≥ 95 %, застосування активного навчання для пріоритизації тестів із збереженням ≥ 95 % покриття критичних сценаріїв та інтеграцію прогнозування «гарячих» точок взаємодії з помилковою тривожністю ≤ 5 %. Підходи активного навчання забезпечили скорочення набору тестів на 30–40 % і зменшення фальшивих провалів із 8 % до 3 %.Висновки. Проведені експерименти на стенді з 15 мікросервісами й 3000 контракт-тестами підтвердили ефективність системи: час CI-пайплайну скоротився на 25 %, обсяг тестів ‒ на 30 %, зберігши 98 % покриття ключових контрактів. Подальші дослідження передбачають розширення моделі активного навчання з урахуванням нелінійних залежностей між контрактами, інтеграцію прогнозування змін API на основі аналізу історії комітів у Git та застосування reinforcement learning для оптимізації стратегій запуску тестів у реальному часі. Загалом, використання DSR-підходу відкриває широкі можливості для створення «розумних» засобів тестування мікросервісних архітектур, що сприятиме підвищенню їх надійності та зниженню експлуатаційних витрат.

Посилання

Akoka J. et al. Knowledge contributions in design science research: Paths of knowledge types. Decision support systems. 2023. V. 166. P. 113898. https://doi.org/10.1016/j.dss.2022.113898

Bagni G. et al. Design science research in operations management: is there a single type? Production Planning & Control. 2025. V. 36. №. 6. P. 789–807. https://doi.org/10.1080/09537287.2024.2310230

da Assunção Moutinho J., Fernandes G., Rabechini Jr R. Evaluation in design science: A framework to support project studies in the context of University Research Centres. Evaluation and Program Planning. 2024. V. 102. P. 102366. https://doi.org/10.1016/j.evalprogplan.2023.102366

Duque J. et al. Data Science with Data Mining and Machine Learning A design science research approach. Procedia Computer Science. 2024. V. 237. P. 245–252. https://doi.org/10.1016/j.procs.2024.05.102

Engström E. et al. How software engineering research aligns with design science: a review. Empirical Software Engineering. 2020. V. 25. P. 2630–2660. https://doi.org/10.1007/s10664-020-09818-7

Goecks L. S. et al. Design Science Research in practice: review of applications in Industrial Engineering. Gestão & Produção. 2021. V. 28. P. e5811. https://doi.org/10.1590/1806-9649-2021v28e5811

Šandor D., Bagić Babac M. Designing scalable event-driven systems with message-oriented architecture. Distributed Intelligent Circuits and Systems. 2024. P. 29–75. https://doi.org/10.1142/9789811279539_0002

Storey V. C., Baskerville R. L., Kaul M. Reliability in design science research. Information Systems Journal. 2025. V. 35. №. 3. P. 984–1014. https://doi.org/10.1111/isj.12564

Strong D. M. et al. Search and evaluation of coevolving problem and solution spaces in a complex healthcare design science research project. IEEE transactions on engineering management. 2020. V. 70. №. 3. P. 912–926. doi: 10.1109/TEM.2020.3014811

Vom Brocke J., Hevner A., Maedche A. Introduction to design science research. Design science research. Cases. 2020. P. 1–13. https://doi.org/10.1007/978-3-030-46781-4_1

##submission.downloads##

Опубліковано

2025-09-23

Як цитувати

ГАРАСИМЧУК, О., & ЛУЧКЕВИЧ, М. (2025). ПІДХОДИ DESIGN SCIENCE RESEARCH ДО ПОБУДОВИ ІНТЕЛЕКТУАЛЬНОЇ СИСТЕМИ КОНТРАКТ-ТЕСТУВАННЯ. Інформаційні технології та суспільство, (2 (17), 20-23. https://doi.org/10.32689/maup.it.2025.2.3