Computational nanotechnologyComputational nanotechnologyComputational nanotechnology2313-223X2587-9693YUR-VAK38018710.33693/2313-223X-2025-12-4-61-70FPYQLPSYSTEM ANALYSIS, INFORMATION MANAGEMENT AND PROCESSING, STATISTICSСИСТЕМНЫЙ АНАЛИЗ, УПРАВЛЕНИЕ И ОБРАБОТКА ИНФОРМАЦИИ, СТАТИСТИКАResearch ArticleThe procedure for aggregating initial data on the required quality level of complex data processing systemsПроцедура агрегирования исходных данных о требуемом уровне качества сложных систем обработки данныхhttps://orcid.org/0009-0000-6829-89728455-6622SamokhinaNatalia S.СамохинаНаталья Станиславовна
Russian Federation

Cand. Sci. (Eng.), associate professor, Department of Higher School of Advanced Manufacturing Technologies

кандидат технических наук, доцент, кафедра высшей школы передовых производственных технологий

skipert.99@ya.ruhttps://orcid.org/0009-0004-1386-04026105-7077EfremovAlexey S.ЕфремовАлексей Станиславович
Russian Federation

postgraduate student

аспирант

efremov.aleksei@internet.ruVolga Region State University of ServiceПоволжский государственный университет сервиса12122025124Computational nanotechnologyComputational nanotechnology617002022026Copyright ©; 2025, Yur-VAKCopyright ©; 2025, Юр-ВАК2025Yur-VAKЮр-ВАКhttps://www.urvak.ru/contacts/https://journals.rcsi.science/2313-223X/article/view/380187

The aim of the research is to develop a procedure for aggregating data on the required quality level of complex data processing systems through the integration of multicriteria analysis with machine learning methods. Existing approaches based on GOST R 59797–2021 and ISO/IEC 25010 demonstrate limited efficiency due to the absence of a unified aggregation procedure]. A three-stage hybrid procedure has been devised: collection and normalization of quality indicators using a modified z-transformation; calculation of adaptive weights via synthesis of the AHP method with a random forest algorithm; formation of an integrated criterion for the required quality level. Validation was carried out on two industrial systems with scales of 50–80 TB/day.

Results include an increase in forecast accuracy from 82.1 to 92.4%, a 3.4-fold reduction in decision-making time, and a decrease in critical incidents by 34–45%. The algorithmic complexity is O(n2m + n log nk), with execution time under 30 seconds. The procedure is applicable to CDPS with data volumes exceeding 10 TB/day and requires at least 500 historical observations. The findings are valuable for architects and specialists in quality management of critically important information systems.

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(n2m + n log nk), время выполнения ≤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.

computational modelingdynamic adaptationsystem lifecycleneural network algorithmssystem analysiscomplex data processing systemsevent-predictive quality managementemergent propertiesвычислительное моделированиединамическая адаптацияжизненный цикл системынейросетевые алгоритмысистемный анализсложные системы обработки данныхсобытийно-прогнозное управление качествомэмерджентные свойства. Eremenko V.T., Loginov I.V., Fisun A.P., Rytov M.Yu. Control of restructuring of information and computing platforms of evolving cyber-physical systems under uncertainty. Bulletin of Computer and Information Technologies. 2023. No. 2. Pp. 26–36. (In Rus.). DOI: 10.14489/vkit.2023.02.pp.026-036. EDN: HOSPS.Еременко В.Т., Логинов И.В., Фисун А.П., Рытов М.Ю. Управление перестроением информационно-вычислительных платформ эволюционирующих киберфизических систем в условиях неопределенности // Вестник компьютерных и информационных технологий. 2023. № 2. С. 26–36. DOI: 10.14489/vkit.2023.02.pp.026-036. EDN: HOSPS.Chukanov S.N., Chukanov I.S. Formation of machine learning features based on topological data analysis. VSU Bulletin. Series: System Analysis and Information Technologies. 2022. No. 3. Pp. 115–126. (In Rus.). DOI: 10.17308/sait/1995-5499/2022/3/115-126. EDN: GEZXCX.Чуканов С.Н., Чуканов И.С. Формирование признаков машинного обучения на основе топологического анализа данных // Вестник ВГУ. Серия: Системный анализ и информационные технологии, 2022. № 3. С. 115–126. DOI: 10.17308/sait/1995-5499/2022/3/115-126. EDN: GEZXCX.Rezova N.L., Kazakovtsev L.A., Shkaberina G.Sh., Tsepkova M.I. Preliminary data processing for analyzing the behavior of complex systems. Control Systems and Information Technologies: Scientific and Technical Journal. 2022. No. 2 (88). (In Rus.). DOI: 10.36622/VSTU.2022.88.2.008. EDN: BYGESB.Резова Н.Л., Казаковцев Л.А., Шкаберина Г.Ш., Цепкова М.И. Предварительная обработка данных для анализа поведения сложных систем // Системы управления и информационные технологии: научно-технический журнал. 2022. № 2 (88). DOI: 10.36622/VSTU.2022.88.2.008. EDN: BYGESB.Melnikov A.V., Kobyakov N.S. Numerical method for modifying models developed on the basis of the analytic hierarchy process using an artificial neural network. VSU Bulletin. Series: System Analysis and Information Technology. 2025. No. 4. Pp. 5–21. (In Rus.). DOI: 10.17308/sait/1995-5499/2024/4/5-21. EDN: CENQIP.Мельников А.В., Кобяков Н.С. Численный метод модификации моделей, разработанных на основе метода анализа иерархий, с использованием искусственной нейронной сети // Вестник ВГУ. Серия: Системный анализ и информационные технологии. 2025. № 4. С. 5–21. DOI: 10.17308/sait/1995-5499/2024/4/5-21. EDN: CENQIP.Menshikh V.V., Morozova V.O. Numerical Method for Studying Dynamic Series with Aperiodic Anomalies. VSU Bulletin. Series: System Analysis and Information Technologies. 2023. No. 2. Pp. 22–30. (In Rus.). DOI: 10.17308/sait/1995-5499/2023/2/22-30. EDN: GVIANX.Меньших В.В., Морозова В.О. Численный метод исследования динамических рядов с апериодическими аномалиями // Вестник ВГУ. Серия: Системный анализ и информационные технологии. 2023. № 2. С. 22–30. DOI: 10.17308/sait/1995-5499/2023/2/22-30. EDN: GVIANX.Dushkin R.V. Principles for solving the problem of symbol binding in the development of general-level artificial cognitive agents. Journal of Information Technologies. 2022. No. 7. Pp. 15–29. (In Rus.). DOI: 10.17587/it.28.368-377. EDN: BZMVWL.Душкин Р.В. Принципы решения проблемы привязки символов при разработке искусственных когнитивных агентов общего уровня // Журнал информационных технологий. 2022. № 7. С. 15–29. DOI: 10.17587/it.28.368-377. EDN: BZMVWL.Popov A.P., Tikhomirov S.G., Khaustov I.A. et al. System analysis and synthesis of a predictive control system for the process of thermal-oxidative degradation of a polymer in a batch reactor. VSU Bulletin. Series: System Analysis and Information Technologies. 2020. No. 1. Pp. 36–50. (In Rus.). DOI: 10.17308/sait.2020.1/2582. EDN: LLVDQL.Попов А.П., Тихомиров С.Г., Хаустов И.А. и др. Системный анализ и синтез предиктивной системы управления процессом термоокислительной деструкции полимера в реакторе периодического действия // Вестник ВГУ. Серия: Системный анализ и информационные технологии. 2020. № 1. С. 36–50. DOI: 10.17308/sait.2020.1/2582. EDN: LLVDQL.Vasiliev N.N. Modeling of bumping routes in the RSK algorithm and analysis of their approach to limiting forms. Information Control Systems. 2022. No. 6. Pp. 2–8. (In Rus.). DOI: 10.31799/1684-8853-2022-6. EDN: WRCOSH.Васильев Н.Н. Моделирование маршрутов бампинга в алгоритме RSK и анализ их подхода к ограничению форм // Информационно-управляющие системы. 2022. № 6. С. 2–8. DOI: 10.31799/1684-8853-2022-6. EDN: WRCOSH.Veresnikov G.S., Golev A.V., Moskovtsev A.M., Martirosyan M.P. Methods and algorithms for solving the problem of early diagnostics of technical objects using data mining methods. Information Technologies. 2022. No. 9 (28). Pp. 475–484. (In Rus.). DOI: 10.17587/it.28.475-484. EDN: UJWIRT.Вересников Г.С., Голев А.В., Московцев А.М., Мартиросян М.П. Методы и алгоритмы для решения задачи ранней диагностики технических объектов с использованием методов интеллектуального анализа данных // Информационные технологии. 2022. № 9 (28). С. 475–484. DOI: 10.17587/it.28.475-484. EDN: UJWIRT.Desnitsky V.A., Novikova E.S. Fault detection in industrial products using small training datasets. VSU Bulletin. Series: System Analysis and Information Technology. 2024. No. 1. Pp. 49–61. (In Rus.). DOI: 10.17308/sait/1995-5499/2024/1/49-61. EDN: DHNYCM.Десницкий В.А., Новикова Е.С. Обнаружение неисправностей в промышленных изделиях с использованием малых обучающих наборов данных. Вестник ВГУ. Серия: Системный анализ и информационные технологии. 2024. № 1. С. 49–61. DOI: 10.17308/sait/1995-5499/2024/1/49-61. EDN: DHNYCM.Arshinsky L.V., Lebedev V.S. Objectification of knowledge bases of intelligent systems based on inductive inference using non-strict probabilities. Information and Mathematical Technologies in Science and Management. 2022. No. 4 (28). Pp. 190–200. (In Rus.). DOI: 10.38028/ESI.2022.28.4.015. EDN: LGJXFH.Аршинский Л.В., Лебедев В.С. Объективизация баз знаний интеллектуальных систем на основе индуктивного вывода с использованием нестрогих вероятностей // Информационные и математические технологии в науке и управлении. 2022. № 4 (28). С. 190–200. DOI: 10.38028/ESI.2022.28.4.015. EDN: LGJXFH.