МЕТОД ГРУПУВАННЯ ДЕФЕКТІВ ПОШКОДЖЕНОГО ПРОГРАМНОГО ЗАБЕЗПЕЧЕННЯ У ТЕХНОЛОГІЧНІ ПОДІБНІ ГРУПИ

Анотація

У статті розглянуто актуальну науково-практичну проблему групування дефектів пошкодженого
програмного забезпечення, що виникають унаслідок дії кібератак, у технологічно подібні групи. Обґрунтовано,
що сучасні кібератаки спричиняють складні порушення працездатності програмного забезпечення, які
характеризуються високим рівнем невизначеності, динамічністю прояву та різною критичністю. Визначено, що
традиційні методи класифікації дефектів не забезпечують достатньої ефективності в умовах кіберінцидентів,
оскільки не враховують змінність характеристик атак і можливість часткової належності дефектів до кількох груп
одночасно. Проведено аналіз сучасних наукових досліджень у сфері виявлення, прогнозування та класифікації
дефектів програмного забезпечення, а також методів кластеризації та нечіткої логіки, що застосовуються у
задачах кібербезпеки. Запропоновано метод групування дефектів пошкодженого програмного забезпечення на
основі використання методу «динамічних ядер», який забезпечує адаптивне формування груп дефектів у
багатовимірному просторі ознак. У роботі описано математичну модель представлення дефектів, визначено
систему вагових коефіцієнтів ознак та запропоновано механізм оцінювання ступеня належності дефектів до
відповідних груп із використанням елементів теорії нечітких множин. Практичну апробацію методу виконано на
прикладі групування дефектів програмного забезпечення після кібератаки за такими ознаками, як рівень
пошкодження цілісності даних, системних збоїв та порушення системи безпеки. Результати дослідження
підтвердили ефективність запропонованого підходу щодо автоматизованого формування груп критичних та
незначних дефектів, а також можливість виявлення дефектів із проміжними характеристиками. Встановлено, що
застосування методу «динамічних ядер» і нечіткого групування дозволяє підвищити ефективність процесів
ідентифікації, аналізу, прогнозування та відновлення пошкодженого програмного забезпечення в умовах
невизначеності інформації та змін характеристик кібератак.
Ключові слова: групування, метод, програмне забезпечення, дефект, математична модель, відновлення
програмного забезпечення.

Перелік посилань
1. Медзатий, Д., Войчур, Ю., & Войчур, О. (2023). Технологія ідентифікації та класифікації відмов і
вразливостей програмного забезпечення. Вимірювальна та обчислювальна техніка в технологічних процесах, 1,
53–57. https://doi.org/10.31891/2219-9365-2023-73-1-8.
2. Bhaskaran, N. A., & Durairaj, M. (2023). Highlighting bugs in software development codes using SDPET for
enhancing security. Measurement: Sensors, 30, 100930. https://doi.org/10.1016/j.measen.2023.100930.
3. Ali, M., Mazhar, T., Al-Rasheed, A., Shahzad, T., Yasin Ghadi, Y., & Amir Khan, M. (2024). Enhancing
software defect prediction: A framework with improved feature selection and ensemble machine learning. PeerJ
Computer Science, 10, e1860. https://doi.org/10.7717/peerj-cs.1860.
4. Abbas, S., Aftab, S., Khan, M. A., Ghazal, T. M., Hamadi, H. A., et al. (2023). Data and ensemble machine
learning fusion based intelligent software defect prediction system. Computers, Materials & Continua, 75(3), 6083–6100.
https://doi.org/10.32604/cmc.2023.037933.
5. Mumtaz, B., Kanwal, S., Alamri, S., & Khan, F. (2021). Feature selection using artificial immune network: An
approach for software defect prediction. Intelligent Automation & Soft Computing. https://doi.org/10.32604/
iasc.2021.018405.
6. Alazba, A., & Aljamaan, H. (2022). Software defect prediction using stacking generalization of optimized treebased ensembles. Applied Sciences, 12(9), 4577. https://doi.org/10.3390/app12094577.
7. Elentukh, A. (2023). People make mistakes – A survey of common causes of software defects. In Computer
Science and Education in Computer Science (pp. 117–133). https://doi.org/10.1007/978-3-031-44668-9_9.
8. Gunawardena, S., Tempero, E., & Blincoe, K. (2023). Concerns identified in code review: A fine-grained,
faceted classification. Information and Software Technology, 153, 107054. https://doi.org/10.1016/j.infsof.2022.107054.
9. Alannsary, M. O. (2025). A defect classification framework for AI-based software systems (AI-ODC). arXiv.
https://doi.org/10.48550/arXiv.2508.17900.
10. Zhao, F., Yang, Y., Liu, H., & Wang, C. (2024). A robust multi-view knowledge transfer-based rough fuzzy
C-means clustering algorithm. Complex & Intelligent Systems, 10, 5331–5358. https://doi.org/10.1007/s40747-024-
01431.
11. Oskoueie, A. G., Samadi, N., Khezri, S., Najafi Moghaddam, A., Babaei, H., Hamini, K., Nojavan, S. F.,
Bouyer, A., & Arasteh, B. (2025). Feature-weighted fuzzy clustering methods: An experimental review. Neurocomputing,
619, 129176. https://doi.org/10.1016/j.neucom.2024.129176.
12. Yin, H., Aryani, A., Petrie, S., Nambissan, A., Astudillo, A., & Cao, S. (2024). A rapid review of clustering
algorithm. arXiv. https://doi.org/10.48550/arXiv.2401.07389.
13. Black, P., Gondal, I., Bagirov, A., & Moniruzzaman, M. (2021). Malware variant identification using
incremental clustering. Electronics, 10(14), 1628. https://doi.org/10.3390/electronics10141628.
14.Jurečková, O., Jureček, M., Stamp, M., Di Troia, F., & Lórenc, R. (2024). Classification and online clustering
of zero-day malware. Journal of Computer Virology and Hacking Techniques, 20, 579–592. https://doi.org/10.1007/
s11416-024-00513-5.