Інформаційна технологія автоматичного виявлення програмних помилок на основі формалізованої проєкції траєкторій виконання та інтеграції логів і метрик

Abstract

Досліджено проблему автоматичного виявлення програмних помилок в умовах, коли формальний аналіз забезпечує інтерпретованість, але не завжди є достатньо повним і обчислювально прийнятним, тоді як log-only і metrics-only підходи фіксують поведінкові відхилення, проте не гарантують узгоджености з формально визначеними властивостями виконання. Уперше запропоновано інформаційну технологію автоматичного виявлення програмних помилок, у якій логи виконання інтерпретуються як формалізована проєкція траєкторій виконання програм, а методи машинного навчання використовуються для апроксимації властивостей виконання, заданих у межах інтегрованої схеми «статичні сигнали – модель виконання – логи/метрики – ознаковий простір – поведінкова модель – індукція рішень». Запропонована побудова поєднує інваріантні, логові, метричні та динамічні ознаки й переводить задачу з ізольованого аналізу журналів подій або часових рядів метрик у задачу узгодженого розпізнавання дефектних режимів виконання. Експериментальну верифікацію виконано на відкритому датасеті LO2, який поєднує журнали подій і метричні характеристики виконання в мікросервісному середовищі. Отримані результати показали, що інтегрована модель як реалізація запропонованої інформаційної технології забезпечує значення F1-міри 0,742, що перевищує відповідні показники лог-орієнтованої базової моделі 0,657 і метрики-орієнтованої базової моделі 0,593. Площа під ROC-кривою становить 0,892, що вказує на вищу глобальну роздільну здатність моделі щодо безпечних і дефектних режимів виконання. Коефіцієнт узгоджености Кохена дорівнює 0,661, що підтверджує кращу відповідність автоматизованих рішень еталонній розмітці. Практичний ефект виявляється у понад двократному зменшенні частки випадків, які потребують експертної інтерпретації, та в істотному скороченні часу аналізу одного випадку. Абляційний аналіз додатково показав, що найбільший внесок у якість виявлення забезпечують логові та інваріантні компоненти ознакового простору, тоді як метричні та динамічні ознаки виконують стабілізувальну й уточнювальну функцію.This paper investigates the problem of automated software faults detection under conditions formal analysis ensures interpretability but is not always sufficiently complete or computationally feasible, while log-only and metrics-only approaches capture behavioral deviations but do not guarantee consistency with formally specified execution properties. For the first time, an information technology for automated software faults detection is proposed, in which execution logs are interpreted as a formalized projection of program execution trajectories, and machine learning methods are used to approximate execution properties defined within an integrated framework of “static signals – execution model – logs/metrics – feature space – behavioral model – decision induction”. The proposed approach integrates invariant, log-based, metric, and dynamic features and transforms the problem isolated analysis of event logs or metric time series into a task of consistent recognition of defective execution modes. Experimental verification was conducted on the open LO2 dataset, which combines event logs and execution metrics in a microservices environment. The obtained results demonstrate that the integrated model, as an implementation of the proposed information technology, achieves an F1-score of 0.742, outperforming the corresponding log-based baseline model (0.657) and the metrics-based baseline model (0.593). The area under the ROC curve is 0.892, indicating higher overall discriminative capability of the model in distinguishing between normal and defective execution modes. Cohen’s kappa coefficient equals 0.661, confirming better agreement between automated decisions and the reference annotations. The practical effect is manifested in more than a twofold reduction in the proportion of cases requiring expert interpretation, as well as in a significant decrease in the analysis time per case. An ablation study further shows that log-based and invariant components contribute the most to detection performance, while metric and dynamic features serve a stabilizing and refining role.