ПІДХОДИ DESIGN SCIENCE RESEARCH ДО ПОБУДОВИ ІНТЕЛЕКТУАЛЬНОЇ СИСТЕМИ КОНТРАКТ-ТЕСТУВАННЯ

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.