sibsutisВестник СибГУТИThe Herald of the Siberian State University of Telecommunications and Information Science1998-6920СибГУТИsibsutis-25Research ArticleСтатьиМетодика выбора компонентов стека технологий цифровых платформ на основе нечеткой логикиSoftware component selection methodology based on fuzzy logic for digital platform designИльинД. Ю.IlinD. ..i@dmitryilin.comМИРЭА - Российский технологический университетRussian Federation202018042022033846Copyright © Ильин Д.Ю., 20222022Ильин Д.Ю.Ilin D...Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.sibsutis.ru/jour/article/view/25

Цифровые платформы с веб-интерфейсами становятся одним из распространенных видов информационных систем. Важной задачей дизайна и построения архитектуры программного обеспечения цифровой платформы является выбор используемых информационнотехнологических решений и компонентов (стека технологий). В работе предложена методика выбора стека технологий на основе использования нечеткой логики. Методика на основе формализованного описания критериев оценки компонентов в заданных условиях функционирования цифровой платформы предполагает введение системы нечеткого вывода с последующим экспериментальным оцениванием критериев и направленным поиском эффективного решения на основе роевого интеллекта. Приведен пример использования методики для федеральной цифровой платформы массовых психологических исследований.

Digital platforms with web interfaces become one of the common types of information systems. An important task of the design and construction of the digital platform software architecture is the selection of the appropriate technological solutions and software components (technology stack). The paper proposes a methodology for selecting a technology stack based on the use of fuzzy logic. The methodology is based on the formalized criteria for evaluating the components in the given conditions of the functioning of the digital platform. It involves fuzzy inference system with subsequent experiment-based evaluation of the criteria and the directed search for an effective solution with the swarm intelligence algorithm. The paper also presents an example of the proposed methodology application for the design of the federal digital platform for mass psychological research.

цифровые платформысистема нечеткого выводароевой интеллектвыбор программных компонентовdigital platformsfuzzy logicswarm intelligencesoftware designReferencesШабанов А. П. Инновационное управление цифровыми платформами в экономике знаний // Системы управления, связи и безопасности. 2018. № 3. С. 106-135.Шабанов А. П. Инновационное управление цифровыми платформами в экономике знаний // Системы управления, связи и безопасности. 2018. № 3. С. 106-135.Corbellini C. Mateos A. et al. Persisting big-data: The NoSQL landscape // Information Systems. 2017. V. 63. P. 1-23.Corbellini C. Mateos A. et al. Persisting big-data: The NoSQL landscape // Information Systems. 2017. V. 63. P. 1-23.Семынин Д. Стек для Больших Данных // Открытые системы. СУБД. 2014. № 1. С. 42-43.Семынин Д. Стек для Больших Данных // Открытые системы. СУБД. 2014. № 1. С. 42-43.Brown E. Web development with node and express: leveraging the JavaScript stack. O'Reilly Media, 2019.Brown E. Web development with node and express: leveraging the JavaScript stack. O'Reilly Media, 2019.Лукинова О. В. Вопросы проектирования цифровых платформ в парадигме открытых систем // Управление развитием крупномасштабных систем (MLSD'2018). М.: ИПУ РАН, 2018. С. 304-306.Лукинова О. В. Вопросы проектирования цифровых платформ в парадигме открытых систем // Управление развитием крупномасштабных систем (MLSD'2018). М.: ИПУ РАН, 2018. С. 304-306.Комлева Н. В., Вилявин Д. А. Цифровая платформа для создания персонализированных адаптивных онлайн курсов // Открытое образование. 2020. № 24 (2). С. 65-72.Комлева Н. В., Вилявин Д. А. Цифровая платформа для создания персонализированных адаптивных онлайн курсов // Открытое образование. 2020. № 24 (2). С. 65-72.Beran P. P., Vinek E., Schikuta E. A cloud-based framework for QoS-aware service selection optimization // Proceedings of the 13 th International Conference on Information Integration and Web-based Applications and Services, 2011. P. 284-287.Beran P. P., Vinek E., Schikuta E. A cloud-based framework for QoS-aware service selection optimization // Proceedings of the 13 th International Conference on Information Integration and Web-based Applications and Services, 2011. P. 284-287.Vescan A., Grosan C., Pop H. F. Evolutionary algorithms for the component selection problem // 2008 19th International Workshop on Database and Expert Systems Applications. IEEE. 2008. P.509-513.Vescan A., Grosan C., Pop H. F. Evolutionary algorithms for the component selection problem // 2008 19th International Workshop on Database and Expert Systems Applications. IEEE. 2008. P.509-513.Ramirez A., Parejo J. A., Romero J. R., Segura S., Ruiz-Cortes A. Evolutionary composition of QoS-aware web services: a many-objective perspective // Expert Systems with Applications. 2017. V. 72. P. 357-370.Ramirez A., Parejo J. A., Romero J. R., Segura S., Ruiz-Cortes A. Evolutionary composition of QoS-aware web services: a many-objective perspective // Expert Systems with Applications. 2017. V. 72. P. 357-370.Ramirez A., Romero, J. R., Ventura S. Interactive multi-objective evolutionary optimization of software architectures // Information Sciences. 2018. V. 463. P. 92-109.Ramirez A., Romero, J. R., Ventura S. Interactive multi-objective evolutionary optimization of software architectures // Information Sciences. 2018. V. 463. P. 92-109.Yang Y., Yang B., Wang S., Jin T., Li S. An enhanced multi-objective grey wolf optimizer for service composition in cloud manufacturing // Applied Soft Computing. 2020. V. 87.Yang Y., Yang B., Wang S., Jin T., Li S. An enhanced multi-objective grey wolf optimizer for service composition in cloud manufacturing // Applied Soft Computing. 2020. V. 87.Gholamshahi S., Hasheminejad S. M. H. Software component identification and selection: A research review // Software Practice and Experience. 2019. V. 49, № 1. P. 40-69.Gholamshahi S., Hasheminejad S. M. H. Software component identification and selection: A research review // Software Practice and Experience. 2019. V. 49, № 1. P. 40-69.Гусев А. А. Поиск эффективного набора взаимодействующих компонентов программных систем на основе роевого интеллекта // Cloud of Science. 2019. Т. 6, № 3. С. 475-487.Гусев А. А. Поиск эффективного набора взаимодействующих компонентов программных систем на основе роевого интеллекта // Cloud of Science. 2019. Т. 6, № 3. С. 475-487.Ilin D., Gusev A., Nikulchev E. Software Design using Genetic Quality Components Search // International Journal of Advanced Computer Science and Applications. 2019. V. 10, № 12. P. 48-54.Ilin D., Gusev A., Nikulchev E. Software Design using Genetic Quality Components Search // International Journal of Advanced Computer Science and Applications. 2019. V. 10, № 12. P. 48-54.Lun L., Chi X., Xu H. Coverage criteria for component path-oriented in software architecture // Engineering Letters. 2019. V. 27, № 1. P. 40-52.Lun L., Chi X., Xu H. Coverage criteria for component path-oriented in software architecture // Engineering Letters. 2019. V. 27, № 1. P. 40-52.Никульчев Е. В., Ильин Д. Ю. и др. Разработка открытой цифровой платформы масштабных психологических исследований // Вестник РФФИ. 2019. № 4. С. 105-119.Никульчев Е. В., Ильин Д. Ю. и др. Разработка открытой цифровой платформы масштабных психологических исследований // Вестник РФФИ. 2019. № 4. С. 105-119.Fuzzy logic toolbox user’s guide. // Mathworks Inc., 2010Fuzzy logic toolbox user’s guide. // Mathworks Inc., 2010

The authors declare that there are no conflicts of interest present.