ГИБРИДНАЯ ОЦЕНКА НАДЁЖНОСТИ ИНФОРМАЦИОННЫХ СИСТЕМ С ИСПОЛЬЗОВАНИЕМ ISO/IEC 25010:2023, MCDM И МАШИННОГО ОБУЧЕНИЯ

Надёжность информационных систем является ключевым условием стабильного функционирования современных цифровых сервисов, особенно в условиях высокой нагрузки и стремительно развивающихся процессов цифровизации. Большинство традиционных подходов опирается на отдельные показатели либо на субъективные экспертные оценки, что ограничивает прозрачность получаемых результатов. В данной статье предлагается гибридная методология, объединяющая модель качества ISO/IEC 25010:2023, методы многокритериального принятия решений (ARAS, CoCoSo, TOPSIS) и машинное обучение для восстановления недостающих данных. Стандарт ISO/IEC 25010:2023 используется для определения структуры качественных атрибутов, связанных с надёжностью, и выбора соответствующих показателей. Метод AHP позволяет на основе экспертных суждений систематически определить веса критериев. Недостающие значения в наборе данных восстанавливаются с помощью алгоритма машинного обучение, что обеспечивает получение полной и согласованной матрицы данных. После подготовки данных надёжность альтернативных информационных систем оценивается с использованием трёх многокритериальных методов. Это повышает устойчивость итогового рейтинга и снижает его чувствительность к изменениям весовых коэффициентов. Предложенная методология была апробирована на четырех реальных информационных системах с различной архитектурой. Между применяемыми методами была зафиксирована высокая степень согласованности, рейтинги оставались стабильными даже при изменении весов на ±10%, а также была подтверждена возможность оценки надёжности в процентном выражении. Данный подход позволяет объективно сравнивать системы, выявлять их слабые стороны и принимать обоснованные решения по их совершенствованию и модернизации.

1. Advanced risk management software for multi-criteria decision-making in uncertain scenarios / S. Carpitella et al // Computational and Applied Mathematics. – 2025. – vol. 44, art. № 379. https://doi.org/10.1007/s40314-025-03338-0.

2. Tworek K. Reliability of information systems in organization in the context of banking sector: Empirical study from Poland / K. Tworek // Cogent Business & Management. – 2018. – vol. 5, № 1. https://doi.org/10.1080/23311975.2018.1522752.

3. Dubey S. Reliability assessment of component-based software systems using fuzzy and ANFIS techniques / S. Dubey, J. Bhat // International Journal of Systems Assurance Engineering and Management. – 2017. – vol. 8, № 6. https://doi.org/10.1007/s13198-017-0602-z.

4. Foidl H. Integrating software quality models into risk-based testing / H. Foidl, M. Felderer // Software Quality Journal. – 2018. – vol. 26, № 2. https://doi.org/10.1007/s11219-016-9345-3.

5. Thakkar N. Data driven MCDM models for reliability-economic-environmental analysis of energy storage based autonomous micro-grid / N. Thakkar, P. Paliwal // Journal of Energy Storage. – 2024. – vol. 81, art. № 110408. https://doi.org/10.1016/j.est.2023.110408.

6. ISO/IEC, ISO/IEC 25010:2023 – Systems and Software Engineering – Systems and Software Quality Requirements and Evaluation (SQuaRE) – Product Quality Model. Geneva, Switzerland: International Organization for Standardization, 2023.

7. Tamura Y. Reliability modeling and analysis for open source cloud computing / Y. Tamura, M. Kawakami, S. Yamada // Proceedings of the Institution of Mechanical Engineers, Part O: Journal of Risk and Reliability. – 2013. – vol. 227, № 2. – Р. 179-186. https://doi.org/10.1177/1748006X12475110.

8. ISO/IEC 9126 quality model for evaluation of student academic portal / Е. Budiman et al // Proceeding of the Electrical Engineering Computer Science and Informatics. – 2018. – vol. 5, № 5. https://doi.org/10.11591/eecsi.v5i5.1670.

9. Sun L. A hybrid MCDM approach for evaluating financial performance based on a set of business companies / L. Sun, H. Zheng // Neutrosophic Sets and Systems. – 2025. – vol. 79. Р. 1-12. https://digitalrepository.unm.edu/nss_journal/vol79/iss1/46.

10. Büyüközkan G. Spherical fuzzy sets based integrated DEMATEL, ANP, VIKOR approach and its application for renewable energy selection in Turkey / G. Büyüközkan, Y. Karabulut, F. Göçer // Applied Soft Computing. – 2024. – vol. 158, art. № 111465. https://doi.org/10.1016/j.asoc.2024.111465.

11. Etraj P. An integrated DEMATEL and AHP approach for multi-criteria green supplier selection process in public procurement / P. Etraj, J. Jayaprakash // International Journal of Engineering and Technology. – 2017. – vol. 9, № 1. – Р. 113-124. https://doi.org/10.21817/ijet/2017/v9i1/170901414.

12. An integrated fuzzy-AHP and TOPSIS approach for maintenance policy selection / N. Hemmati et al // International Journal of Quality & Reliability Management, 2019. https://doi.org/10.1108/IJQRM-10-2018-0283.

13. Ortíz M.A. A contrast between DEMATEL-ANP and ANP methods for Six Sigma project selection: A case study in the healthcare industry / M.A. Ortíz, H.A. Felizzola, I.S. Nieto // Multidimensional, Multidiscipline and Shared Decision Making in Healthcare and eHealth. – 2021. – vol. 15, suppl. 3. – Р. 1-10. https://doi.org/10.1186/1472-6947-15-S3-S3.

14. Mardani A. Fuzzy multiple criteria decision-making techniques and applications – two decades review from 1994 to 2014 / A. Mardani, A. Jusoh, E.K. Zavadskas // Expert Systems with Applications. – 2015. – vol. 42, № 8. – Р. 4126-4148. https://doi.org/10.1016/j.eswa.2015.01.003.

15. Hybrid multiple-criteria decision-making methods: A review of applications in engineering / E.K. Zavadskas et al // Scientia Iranica. – 2016. – vol. 23, № 1. – Р. 1-20. https://doi.org/10.24200/sci.2016.2093.

16. Grote T. Reliability in machine learning / T. Grote, K. Genin, E. Sullivan // Philosophy Compass. – 2024. – vol. 19, № 5. https://doi.org/10.1111/phc3.12974.

17. Kumar N. Vehicle accident sub-classification modeling using stacked generalization: A multisensor fusion approach / N. Kumar, D. Lohani, D. Acharya // Future Generation Computer Systems. – 2022. – vol. 133. – Р. 39-52. https://doi.org/10.1016/j.future.2022.03.005.

18. Shaik N.B. XGBoost based enhanced predictive model for handling missing input parameters: A case study on gas turbine / N.B. Shaik, K. Jongkittinarukorn, K. Bingi // Case Studies in Chemical and Environmental Engineering. – 2024. – vol. 10, art. № 100775. https://doi.org/10.1016/j.cscee.2024.100775.

19. Vinodh S. Lean Six Sigma project selection using hybrid approach based on fuzzy DEMATEL– ANP–TOPSIS / S. Vinodh, V. Swarnakar // International Journal of Lean Six Sigma. – 2015. – vol. 6, № 4. – Р. 313-338. https://doi.org/10.1108/IJLSS-12-2014-0041.

20. Beheshtinia M.A., Omidi S. A hybrid MCDM approach for performance evaluation in the banking industry / Beheshtinia M.A., Omidi S. // Kybernetes. – 2017. – vol. 46, № 8. – Р. 1386-1400. https://doi.org/10.1108/K-03-2017-0105.