Details
| Title | 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 |
|---|---|
| Creators | Шкодырев Вячеслав Петрович ; Баскаков Дмитрий Евгеньевич |
| Organization | Санкт-Петербургский политехнический университет Петра Великого ; ООО «Газинформсервис» |
| Imprint | Санкт-Петербург: ПОЛИТЕХ-ПРЕСС, 2025 |
| Collection | Общая коллекция |
| Document type | Article, report |
| Language | Russian |
| DOI | 10.18720/SPBPU/2/id25-560 |
| Rights | Доступ по паролю из сети Интернет (чтение, печать, копирование) |
| Additionally | New arrival |
| Record key | RU\SPSTU\edoc\77922 |
| Record create date | 12/26/2025 |
Allowed Actions
–
Action 'Read' will be available if you login or access site from another network
Action 'Download' will be available if you login or access site from another network
| Group | Anonymous |
|---|---|
| Network | Internet |
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.
| Network | User group | Action |
|---|---|---|
| ILC SPbPU Local Network | All |
|
| Internet | Authorized users SPbPU |
|
| Internet | Anonymous |
|
Access count: 0
Last 30 days: 0
