ПРОГРАМНА СИСТЕМА ВИЯВЛЕННЯ ДЕФЕКТІВ ФУНКЦІОНУВАННЯ ПРОГРАМНОГО ЗАБЕЗПЕЧЕННЯ НА ОСНОВІ ЛОГІВ ВИКОНАННЯ

Abstract

Метою статті є підвищення відсотку автоматично розпізнаних логів виконання для виявлення дефектів функціонування програмного забезпечення шляхом розробки програмної системи з використанням методів машинного навчання.

Методи розробки програмної системи виявлення дефектів базуються на використанні сучасного технологічного стеку. Для серверної частини застосовано мову програмування Python у поєднанні з фреймворком FastAPI, що дозволило створити швидкий і масштабований REST API. Як систему управління базами даних обрано SQLite, що забезпечує простоту розгортання та зберігання логів, шаблонів і результатів класифікації. Для реалізації функціоналу машинного навчання використано бібліотеки Scikit-learn (зокрема RandomForest). Інтерфейс користувача реалізовано з використанням HTML5, CSS3, JavaScript і Bootstrap, що забезпечує адаптивність, інтерактивність і доступність з різних пристроїв.

Як результат реалізована програмна система для виявлення аномалій у логах, яка об’єднує засоби попередньої обробки, шаблонізації, побудови моделей машинного навчання та інтерактивного користувацького інтерфейсу.

References 

1. Zhang X., Xu Y., Zhao J., Wang S. LogEDL: Log anomaly detection via evidential deep learning. Applied Sciences. 2022. № 12(24):12670. DOI: https://doi.org/10.3390/app122412670 (Accessed: 31.07.2026).

2. Ali S., Boufaied C., Bianculli D., Cavallaro L., Ghezzi C. A comprehensive study of machine learning techniques for log-based anomaly detection. arXiv preprint. 2023. arXiv:2307.16714. DOI: https://doi.org/10.48550/arXiv.2307.16714 (Accessed: 31.07.2026).

3. ELK Stack. URL: https://www.elastic.co/elastic-stack (Accessed: 31.07.2026).

4. Splunk. URL: https://www.splunk.com (Accessed: 31.07.2026).