Детальная информация
| Название | Применение машинного обучения для гибридной верификации надежности программного обеспечения промышленных киберфизических распределенных систем // Промышленный искусственный интеллект (ПИИ'2025): Всероссийская научно-практическая конференция с международным участием 3–4 июля 2025 года: cборник научных трудов |
|---|---|
| Авторы | Шкодырев Вячеслав Петрович ; Баскаков Дмитрий Евгеньевич |
| Организация | Санкт-Петербургский политехнический университет Петра Великого ; ООО «Газинформсервис» |
| Выходные сведения | Санкт-Петербург: ПОЛИТЕХ-ПРЕСС, 2025 |
| Коллекция | Общая коллекция |
| Тип документа | Статья, доклад |
| Язык | Русский |
| DOI | 10.18720/SPBPU/2/id25-560 |
| Права доступа | Доступ по паролю из сети Интернет (чтение, печать, копирование) |
| Дополнительно | Новинка |
| Ключ записи | RU\SPSTU\edoc\77922 |
| Дата создания записи | 26.12.2025 |
Разрешенные действия
–
Действие 'Прочитать' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети
Действие 'Загрузить' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети
| Группа | Анонимные пользователи |
|---|---|
| Сеть | Интернет |
В работе исследуется применение методов машинного обучения для гибридной верификации надежности программного обеспечения промышленных киберфизических распределенных систем. Предложен комбинированный подход, сочетающий формальные методы, статический анализ и ML-модели для повышения точности обнаружения уязвимостей и снижения числа ложных срабатываний. Исследованы алгоритмы классификации аномалий и предсказания ошибок в распределённых средах. Результаты экспериментов демонстрируют эффективность гибридного подхода по сравнению с традиционными методами верификации.
The paper explores the application of machine learning methods for hybrid verification of software reliability in industrial cyber-physical distributed systems. A combined approach is proposed integrates formal methods, static analysis, and ML models to improve the accuracy of vulnerability detection and reduce the number of false positives. Algorithms for anomaly classification and error prediction in distributed environments are investigated. Experimental results demonstrate the effectiveness of the hybrid approach compared to traditional verification methods.
| Место доступа | Группа пользователей | Действие |
|---|---|---|
| Локальная сеть ИБК СПбПУ | Все |
|
| Интернет | Авторизованные пользователи СПбПУ |
|
| Интернет | Анонимные пользователи |
|
Количество обращений: 0
За последние 30 дней: 0
