Вариативная архитектура систем мониторинга специального программного обеспечения на основе аппарата сценарного моделирования тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Кочегаров Максим Викторович

• Кочегаров Максим Викторович
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Кочегаров Максим Викторович

Введение

1. Современные проблемы разработки и функционирования мониторинга программного обеспечения

1. Современные проблемы разработки и функционирования мониторинга программного обеспечения

1.1. Состояние проблемы мониторинга программного обеспечения

1.2. Настройка мониторинга в рамках вариативной архитектуры

1.3. Особенности предметной области в программной инженерии

1.4. Проблемы, связанные с неопределенностью источников данных мониторинга и нагрузок в интегрированных энергетических системах

1.5. Цель работы и задачи исследования

2. Ситуационная модель предметной области мониторинга программного обеспечения

2.1. Процесс исследования

2.2. Модель предметной области

2.3. Оценка охвата модели предметной области

2.4. Проблемы достоверности. Выводы

3. Вариативная архитектура программной системы управления мониторингом

3.1. Предпосылки создания вариативной архитектуры мониторинга программного обеспечения

3.2. Работа мониторинга

3.3. Поддержка мониторинга

3.4. Мониторинг изменчивости

3.5. Оценка вариативной архитектуры: создание экземпляров для различных подходов к мониторингу

3.6. Выводы к главе

4. Математическое и программное обеспечение подсистем мониторинга интегрированных энергетических систем как основы стохастической оптимизации и прогнозирования

4.1. Мониторинг интегрированных энергетических систем как основа эффективного управления

4.2. Моделирование с использованием нескольких сценариев с учетом неопределенности

4.3. Стохастическая модель оптимального функционирования распределенных IES

4.4. Оценка эффективности модели

4.5. Управление запросами к массивным гетерогенным данным системы мониторинга на основе машинного обучения

4.6. Выводы к главе

Заключение

Список использованных источников

Введение диссертации (часть автореферата) на тему «Вариативная архитектура систем мониторинга специального программного обеспечения на основе аппарата сценарного моделирования»

ВВЕДЕНИЕ

Актуальность темы. Сложные и разнообразные программные системы требуют постоянного мониторинга, так как их поведение часто проявляется в процессе выполнения, например, во взаимодействии с другими программами или окружающей средой. Методы мониторинга программного обеспечения направлены на проверку характеристик или качественных свойств программ во время их функционирования. Эти методы были разработаны в различных сообществах с учетом различных программ и целей. Например, мониторинг требований оценивает соответствие программной системы своим требованиям в процессе работы, в то время как мониторинг ресурсов или производительности собирает информацию об использовании вычислительных ресурсов контролируемой системой. Большой вклад в разработку методов мониторинга программного обеспечения внесли Андреев А.Н., Басов В.А., Ершов А.Б., Заболотный И.Г., Ковалев И.В., Кузнецов В.Е., Baresi L., Bellavista P., Eichelberger H., Mansouri-Samani M., Robinson W.N.

Одной из актуальных предметных областей задач мониторинга программного обеспечения являются интегрированные энергетические системы (IES), отличающиеся гетерогенностью входящих в их состав компонент. Соответственно, объединение мультиэнергетических систем и внедрение возобновляемых источников энергии значительно увеличат сложность и неопределенность функционирования системы. Такая ситуация создает серьезные проблемы для оптимального функционирования IES. При традиционном планировании энергосистем сценарное моделирование является важным методом учета неопределенных факторов. Аналогичные методы могут быть использованы для решения проблем, связанных с неопределенностями в источниках и нагрузках IES, таких как колебания мощности возобновляемых источников

энергии и ошибки прогнозирования для нескольких нагрузок. Кроме того, распределенное хранение массивных данных и обработка данных между разнородными базами стали неизбежной тенденцией в задачах мониторинга. Благодаря интеграции различных данных и аппаратных устройств в различных базах данных формируется гетерогенная система баз данных, которая логически унифицирована и физически независима

Таким образом, актуальность темы диссертационного исследования продиктована необходимостью разработки вариативной архитектуры систем мониторинга программного обеспечения на основе сценарного моделирования и оптимизации запросов для массивных гетерогенных баз данных мониторинга.

Тематика диссертационной работы соответствует научному направлению ФГБОУ ВО «Воронежский государственный технический университет» «Вычислительные комплексы и проблемно-ориентированные системы управления».

Целью работы является разработка вариативной архитектуры систем мониторинга программного обеспечения на основе сценарного моделирования и оптимизации запросов для массивных гетерогенных баз данных мониторинга.

Задачи исследования. Для достижения поставленной цели необходимо решить следующие задачи:

1. Провести анализ проблем проектирования архитектур систем мониторинга программного обеспечения и управления запросами для массивных гетерогенных баз данных мониторинга.

2. Создать обобщенную ситуационную модель предметной области мониторинга программного обеспечения, обеспечивающую возможность редукции требований в зависимости от категории объекта и задач мониторинга.

3. Предложить вариативную архитектуру систем мониторинга

программного обеспечения, описывающую ключевые компоненты и уровни программных решений на основе ЦМЪ, обеспечивающую создание многокомпонентных архитектур для новых предметных областей.

4. Разработать алгоритм оптимизации запросов для массивных гетерогенных баз данных мониторинга на основе машинного обучения, обеспечивающий сокращение времени исполнения запросов и заданный баланс между эффективностью запроса и точностью.

5. Разработать алгоритм редукции множества сценариев для задачи сценарного моделирования системы управления мониторингом программного обеспечения, обеспечивающий рациональное множество групп сценариев операций и соответствующие вероятности сценариев.

6. Создать стохастическую модель оптимального функционирования программных систем мониторинга распределенных энергетических систем, обеспечивающую повышение средней мощности энергопотребления вместе с энергоэффективностью системы.

7. Разработать структуру программного обеспечения, реализующего механизмы встраивания процессов принятия решений в проектирование систем мониторинга специального программного обеспечения.

Объект исследования: процессы синтеза структур программных системам мониторинга распределенных гетерогенных объектов.

Предмет исследования: структура математического и программного обеспечения процессов управления мониторингом программных систем на основе ситуационной модели предметной области и вариативной архитектуры системы мониторинга.

Методы исследования. При решении поставленных в диссертации задач использовались методы теории вероятностей, теории принятия решений, а также методы объектно-ориентированного программирования.

Тематика работы соответствует следующим пунктам паспорта специальности 2.3.5 «Математическое и программное обеспечение

вычислительных систем, комплексов и компьютерных сетей»: п.3 «Модели, методы, архитектуры, алгоритмы, языки и программные инструменты организации взаимодействия программ и программных систем»; п. 4. «Интеллектуальные системы машинного обучения, управления базами данных и знаний, инструментальные средства разработки цифровых продуктов».

Научная новизна работы. В диссертации получены следующие результаты, характеризующиеся научной новизной:

- обобщенная ситуационная модель предметной области мониторинга программного обеспечения, отличающаяся мультивходовой структурой описания и обеспечивающая возможность редукции требований в зависимости от категории объекта и задачи мониторинга;

- вариативная архитектура системы мониторинга программного обеспечения, описывающая ключевые компоненты и уровни программных решений на основе UML, отличающаяся расширенным диапазоном вариативности и обеспечивающая создание многокомпонентных архитектур для новых предметных областей;

- алгоритм оптимизации запросов для массивных гетерогенных баз данных мониторинга на основе машинного обучения, отличающийся преобразованием на основе запроса глобального словаря данных в динамический словарь данных и обеспечивающий сокращение времени исполнения запросов и заданный баланс между эффективностью запроса и точностью;

- итерационный алгоритм редукции множества сценариев, отличающийся использованием кластеризации на основе ^средних и обеспечивающий рациональное множество групп сценариев операций и соответствующие вероятности сценариев;

- стохастическая модель оптимального функционирования программных систем мониторинга распределенных энергетических

систем, отличающаяся динамическим переходом к детерминированной оптимизации при различных сценариях эксплуатации на основе метода сценарного анализа и обеспечивающая в конечном итоге повышение допустимой средней мощности энергопотребления вместе с энергоэффективностью системы.

Теоретическая и практическая значимость исследования заключается в разработке вариативной архитектуры систем мониторинга программного обеспечения на основе сценарного моделирования и оптимизации запросов для массивных гетерогенных баз данных мониторинга.

Теоретические результаты работы могут быть использованы в проектных и научно-исследовательских организациях, занимающихся проектированием программных систем распределенного мониторинга с гетерогенными базами данных с разнородными запросами.

Положения, выносимые на защиту

1. Обобщенная ситуационная модель предметной области мониторинга программного обеспечения обеспечивает возможность редукции требований в зависимости от категории объекта и задачи мониторинга.

2. Вариативная архитектура систем мониторинга программного обеспечения обеспечивает создание многокомпонентных архитектур для новых предметных областей.

3. Алгоритм оптимизации запросов для массивных гетерогенных баз данных мониторинга на основе машинного обучения обеспечивает сокращение времени исполнения запросов и заданный баланс между эффективностью запроса и точностью.

4. Алгоритм редукции множества сценариев для задачи сценарного моделирования системы управления мониторингом программного обеспечения порождает рациональное множество групп сценариев

операций и соответствующие вероятности сценариев.

5. Стохастическая модель оптимального функционирования программных систем мониторинга распределенных энергетических систем обеспечивает повышение допустимой средней мощности энергопотребления вместе с энергоэффективностью системы.

Результаты внедрения. Основные результаты внедрены в ООО М-Сервис (г. Воронеж) при проектировании систем мониторинга программных систем, в учебный процесс Воронежского государственного технического университета в рамках дисциплин: «Вычислительные машины, системы и сети», «Информационные сети и телекоммуникационные технологии», а также в рамках курсового и дипломного проектирования.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих конференциях: НТК студентов и молодых ученых «Вычислительные машины, автоматика и робототехника» (Воронеж, 2007, 2008); Региональной НТК «Автоматизация и роботизация технологических процессов» (Воронеж, 2008-2010, 2012); XXIX-th International Open Science Conference «Modern informatization problems in the technological and telecommunication systems analysis and synthesis (MIP-2024'AS)» (Yelm, WA, USA, 2024), VII Международной НПК «Наука и технологии: перспективы развития и применения» (Петрозаводск, 2024), а также на научных семинарах кафедры автоматизированных и вычислительных систем ВГТУ (2023-2025 гг.).

Достоверность результатов обусловлена корректным использованием теоретических методов исследования и подтверждена результатами сравнительного анализа данных вычислительных и натурных экспериментов.

Публикации. По результатам диссертационного исследования опубликовано 13 научных работ, в том числе 7 - в изданиях,

рекомендованных ВАК РФ (из них одно - в журнале WoS и одно свидетельство о регистрации программы для ЭВМ). В работах, опубликованных в соавторстве и приведенных в конце автореферата, лично автором получены следующие результаты: [9] - обобщенная ситуационная модель предметной области мониторинга программного обеспечения, обеспечивающая возможность редукции требований в зависимости от категории объекта и задач мониторинга; [6, 11] -вариативная архитектура систем мониторинга программного обеспечения, описывающая ключевые компоненты и уровни программных решений на основе иМЬ; [1, 5] - алгоритм редукции множества сценариев для задачи сценарного моделирования системы управления мониторингом программного обеспечения, обеспечивающий рациональное множество групп сценариев операций и соответствующие вероятности сценариев; [3] -стохастическая модель оптимального функционирования программных систем мониторинга распределенных энергетических систем, обеспечивающая повышение средней мощности энергопотребления вместе с энергоэффективностью системы; [2] - алгоритм оптимизации запросов для массивных гетерогенных баз данных мониторинга на основе машинного обучения, обеспечивающий сокращение времени исполнения запросов и заданный баланс между эффективностью запроса и точностью; [4] - информационное и программное обеспечение для экспериментальной оценки качества разработанных методов и алгоритмов.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы из 193 наименований. Основная часть работы изложена на 157 страницах.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

В первой главе исследуются особенности разработки вариативной архитектуры систем мониторинга программного обеспечения на основе

сценарного моделирования и оптимизации запросов для массивных гетерогенных баз данных мониторинга. Отмечено, что повысить эффективность такой разработки можно путем применения обобщенной ситуационной модели предметной области мониторинга программного обеспечения, вариативной архитектуры систем мониторинга программного обеспечения как инструмента разработки, сценарного моделирования системы управления мониторингом программного обеспечения, создания алгоритмов управления запросами к массивным гетерогенным данным системы мониторинга на основе машинного обучения. Результат анализа потребовал формализации данных задач, а также алгоритмизации их решения. Сформулирована цель и задачи исследования.

Вторая глава посвящена разработке ситуационной модели предметной области мониторинга программного обеспечения.

Структура обобщенной ситуационной модели предметной области мониторинга программного обеспечения, отличающейся мультивходовой структурой описания и обеспечивающей возможность редукции требований в зависимости от категории объекта и задачи мониторинга,.

Модель предметной области собирает информацию о следующих сущностях: архитектурный стиль отслеживаемой системы (ARC); степень интрузивности подхода (ITR); исходные данные подхода (INP); выходные данные подхода (OUT); инструментальная поддержка подхода (TSU); степень вариативности подхода (VAR); валидация подхода (VAL); доступность инструментов подхода (AVT).

Третья глава посвящена исследованию и разработке вариативной архитектуры системы мониторинга программного обеспечения, описывающая ключевые компоненты и уровни программных решений на основе UML, отличающаяся расширенным диапазоном вариативности.

Основываясь на выводах и идеях, полученных в ходе разработки и оценки модели предметной области, разработана вариативная архитектура

для решений мониторинга программного обеспечения. Цель состоит в том, чтобы показать, что различные подходы к мониторингу демонстрируют значительное концептуальное совпадение, даже несмотря на то, что эта область настолько разнообразна, что ни одна отдельная функция не является частью каждой системы мониторинга. Таким образом, представляем вариативную архитектуру, поддерживающую концептуальное определение новых архитектур. Существующие архитектуры весьма разнообразны с точки зрения поддерживаемой функциональности. Следовательно, в предлагаемой архитектуре единственным общим компонентом является определение мониторинга. И даже для этого область реализации варьируется в зависимости от других частей архитектуры. Все остальные компоненты являются опциональными. Вариативная архитектура призвана дать обзор возможностей и строительных блоков инструментов мониторинга, а также взаимодействий между их частями. Для описания архитектуры используем UML (Unified Modeling Language). Архитектуре присущ большой диапазон вариативности. Поскольку UML не предоставляет конкретных механизмов описания изменчивости и поскольку мы не хотели перегружать графическое представление архитектуры, будем описывать аспекты изменчивости текстуально.

Основная часть вариативной архитектуры мониторинга представлена вторым компонентом, который отвечает за выполнение фактического мониторинга. Он состоит из трех уровней: самый нижний уровень (уровень сбора мониторинговой информации) отвечает за сбор информации. Средний слой (слой распределения и обработки) отвечает за транспортировку и анализ информации. Верхний уровень (прикладной уровень) содержит функции визуализации и/или другие специфические для приложения возможности, которые часто рассматриваются как выходящие за рамки основного подхода к мониторингу. Зонды являются

источником для любого типа сбора информации, и они существуют во многих различных видах и аспектах.

В главе 4 проанализированы особенности математического и программного обеспечения подсистем мониторинга интегрированных энергетических систем как основы стохастической оптимизации и прогнозирования на основе сценарного моделирования.

Обработка запросов в БД, являясь наиболее важным звеном в системе интеграции гетерогенных данных, напрямую влияет на эффективность работы системы с запросами. Обработка запросов к массивной гетерогенной базе данных мониторинга более сложна. Запрос в глобальном режиме должен быть разбит на фрагменты запросов, которые могут выполняться на каждом сайте. После того, как соответствующие операции с этими фрагментами запроса будут выполнены на сайте, результаты должны быть возвращены в режим глобального запроса и обобщены результаты выполнения всех фрагментов в качестве окончательного вывода системы.

Для достижения требуемого пользователями эффекта процесс исполнения запроса в гетерогенной системе баз массивной данных обычно делится на четыре уровня структуры: декомпозиция запроса, локализация данных, глобальная оптимизация и локальная оптимизация.

Предложен алгоритм оптимизации запросов для массивных гетерогенных баз данных мониторинга на основе машинного обучения, обеспечивающий сокращение времени исполнения запросов и заданный баланс между эффективностью запроса и точностью.

Проблемы, связанные с неопределенностью источников данных моинторинга и нагрузок в интегрированных энергетических системах (IES), становятся все более очевидными в связи с объединением крупномасштабных возобновляемых источников энергии и мультиэнергетических нагрузок и наличия множества сценариев

поведения системы. Они создают большие проблемы для оптимального функционирования IES. В качестве объекта исследования рассматривается распределенная IES в промышленном парке, и предлагается стохастическая оптимальная модель функционирования, основанная на многосценарном моделировании, для учета неопределенностей прогнозирования, возникающих в случае распределенной выработки электроэнергии и мультиэнергетических нагрузок.

Разработан алгоритм редукции множества сценариев для задачи сценарного моделирования системы управления мониторингом программного обеспечения, обеспечивающий рациональное множество групп сценариев операций и соответствующие вероятности сценариев.

1. СОВРЕМЕННЫЕ ПРОБЛЕМЫ РАЗРАБОТКИ И ФУНКЦИОНИРОВАНИЯ МОНИТОРИНГА ПРОГРАММНОГО

ОБЕСПЕЧЕНИЯ

1.1. Состояние проблемы мониторинга программного обеспечения

1.1.1. Цель и задачи мониторинга программного обеспечения

Сложные и разнообразные программные системы требуют постоянного мониторинга, так как их поведение часто проявляется в процессе выполнения, например, во взаимодействии с другими программами или окружающей средой. Методы мониторинга программного обеспечения направлены на проверку характеристик или качественных свойств программ во время их функционирования. Эти методы были разработаны в различных сообществах с учетом различных программ и целей. Например, мониторинг требований оценивает соответствие программной системы своим требованиям в процессе работы, в то время как мониторинг ресурсов или производительности собирает информацию об использовании вычислительных ресурсов контролируемой системой. Множество организаций публикуют исследования по мониторингу программного обеспечения, часто используя различные термины и уделяя особое внимание разнообразным аспектам и категориям мониторинга. Недостаточный анализ имеющихся исследований часто приводит к изобретению аналогичных методов.

Цель данного исследования заключается в предоставлении модели предметной области для планирования объема мониторинга и организации программного обеспечения, начиная с мониторинга требований и ресурсов.

Методика исследования основана на анализе существующего опыта в области мониторинга потребностей и ресурсов, предыдущих усилий по созданию основы для сравнения методов мониторинга, а также систематического обзора литературы, содержащей требования к мониторингу. Проведенный анализ 47 требований и методов мониторинга оборудования позволил итеративно уточнять модель предметной области и разрабатывать вариативную архитектуру для методов мониторинга программного обеспечения.

Результаты и выводы. Предметная модель отражает основные особенности методов мониторинга и позволяет анализировать их сходства и различия. Предложенная модель также поддерживает разработку интегрированных решений для мониторинга, что было продемонстрировано на примере пяти различных решений. В целом, требования к ресурсам и мониторингу имеют больше сходств, чем различий, что говорит о потенциале будущей интеграции существующих решений для мониторинга.

1.1.2. Методы и инструменты исследования

Современные крупномасштабные и сложные программные системы, такие как киберфизические системы [2.1], облачные системы [2.2] или системы систем [2.3], часто не могут быть полностью протестированы в процессе разработки. Действительно, их полное поведение обычно проявляется только во время выполнения, когда они взаимодействуют с другими системами, оборудованием и окружающей средой. Таким образом, необходимо использовать подходы к мониторингу программного обеспечения [2.4, 2.5], т.е. методы и инструменты, которые позволяют наблюдать и проверять свойства и атрибуты качества систем во время выполнения. Подходы к мониторингу становятся все более распространенными, особенно из-за постоянно растущих требований к

доступности и возможностям реконфигурации во время выполнения [2.62.8]. Подходы к мониторингу программного обеспечения разрабатывались в различных сообществах и для различных типов систем и целей. Примерами могут служить мониторинг требований [2.5, 2.9], мониторинг ресурсов или производительности [2.10-2.12], мониторинг архитектурных свойств [2.13], обработка сложных событий [2.14] и проверка во время выполнения [2.8, 2.15]. Желаемое поведение во время выполнения часто формально выражается с использованием темпоральной логики [2.16] или языков, специфичных для предметной области (ограничений) [2.9, 2.17, 2.18]. Определенные ограничения проверяются на основе событий и информации, собранной из систем во время выполнения, например, с помощью инструментария [2.19].

Разнообразие существующих подходов побудило к нескольким попыткам структурировать область исследований. Наиболее примечательно, что в [2.20] обсудили шаблоны для указания свойств при проверке во время выполнения; в [2.21] представили таксономию и каталог инструментов для мониторинга неисправностей; а в [2.22] попытались согласовать качественные, в режиме реального времени и вероятностные шаблоны спецификации свойств. Кроме того, проведен систематический обзор литературы по системам мониторинга требований [2.5], разработана система сравнения подходов к мониторингу программного обеспечения [2.4]. Однако эти существующие публикации были либо предназначены для людей из одного конкретного сообщества мониторинга, либо сосредоточены на конкретных аспектах мониторинга, таких как указание свойств, подлежащих мониторингу. Общая область исследований в области мониторинга программного обеспечения остается неструктурированной: в разных сообществах было разработано множество подходов и опубликовано на разных площадках, сосредоточенных на различных аспектах или фазах процесса мониторинга. В результате колесо

часто изобретается заново, поскольку исследователям и практикам сложно идентифицировать и интегрировать потенциально полезные подходы. Этому также препятствует отсутствие общей терминологии, т.е. разные сообщества часто используют разные термины, даже когда говорят об одних и тех же вещах. Например, такие термины, как "зондирование", "инструментарий", "перехват" и "извлечение данных", часто используются взаимозаменяемо, в то время как все они относятся к извлечению информации из работающей системы с целью мониторинга. Оба типа подходов к мониторингу программного обеспечения, мониторинг требований и мониторинг ресурсов, имеют общие черты, но фокусируются на разных аспектах (требования и ресурсы). Таким образом, целью данной статьи является структурирование и систематизация исследований систем мониторинга программного обеспечения. Более конкретно, мы представляем модель предметной области для мониторинга программного обеспечения, основанную на (1) опыте в области мониторинга требований [2.18, 2.23] и мониторинга ресурсов [2.11]; (2) более ранних попытках разработать систему сравнения подходов к мониторингу [4]; и (2.3) существующем систематический обзор литературы по системам мониторинга требований [2.5]. Систематически проанализированы 47 подходов к мониторингу, предложенных сообществами по мониторингу требований и ресурсов, чтобы проверить, охватывает ли модель предметной области эти подходы. В ходе этого процесса усовершенствована модель предметной области, а также разработана вариативную архитектуру для подходов к мониторингу программного обеспечения. Чтобы оценить вариативную архитектуру, исследовано пять позиций: ЯеМтёБ [2.18], ECoWare [2.23], БРАБВш^ег [2.11], решение ОиаНМ^ег [2.24], и пример для подхода к мониторингу по Кикеру [2.10, 2.25]. В отличие от существующей работы по структурированию исследовательской области [2.4, 2.5, 2.20-2.22], полученная модель

Список литературы диссертационного исследования кандидат наук Кочегаров Максим Викторович, 2025 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Андреев А.Н. Классификация OLAP-систем вида xOLAP. 2010 г. -Режим доступа: http://citforum.ru/consulting/BI/xolap_classification/.

2. Бабичева, А. Ю. Мониторинг программного обеспечения: методология и практика. - М.: Научный мир, 2019. - 240 с.

3. Басов, В. А. Основы мониторинга программного обеспечения. -СПб.: Питер, 2021. - 320 с.

4. Божко Л.М., Атласов И.В., Мутина Е.И., Сорокин С.А., Кочегаров М.В. Моделирование вероятностных баз данных на основе информационной диссоциации запросов и коэффициента распространения// Системы управления и информационные технологии, №2(96), 2024. С. 15-20.

5. Вержбицкий В.М. Основы численных методов. - М.: Высшая школа, 2009. - 840 с

6. Громких, В. А. Мониторинг программного обеспечения: теория и практика. - Москва: Издательство "Наука", 2020. - 256 с.

7. Ершов, А. Б. Основы мониторинга программных систем. - Санкт-Петербург: БХВ-Петербург, 2019. - 300 с.

8. Железнов, С. П. Современные подходы к тестированию и мониторингу ПО. - Екатеринбург: Урал. ун-т, 2020. - 280 с.

9. Жуков, Н. П. Автоматизация мониторинга ПО. - Новосибирск: СО РАН, 2021. - 220 с.

10. Заболотный, И. Г. Инструменты мониторинга в разработке программного обеспечения. - Новосибирск: Сибирское издательство, 2018. - 200 с.

11. Иванков, А. Р. Практика мониторинга качества ПО. - Казань: Казанский ун-т, 2022. - 180 с.

12. Иванов, С. В. Эффективные методы анализа программного обеспечения. - Екатеринбург: УрФУ, 2018. - 180 с.

13. Камиль В.А.К., Кочегаров М.В., Мутин Д.И. Аналитическое моделирование многокластерной системы специального назначения на основе нескольких сценариев мониторинга// Моделирование, оптимизация и информационные технологии. 2024; 12(4). URL: https://moitvivt.ra/ru/journal/pdf?id=1713.

14. Кочегаров М.В. Анализ мониторинга ресурсов и требований систем мониторинга программного обеспечения// Информационные технологии моделирования и управления, №1(135), 2024. - С. 61-67.

15. Кочегаров М.В. Оценка качества эталонной архитектуры системы управления мониторингом средств программного обеспечения// Информационные технологии моделирования и управления. №4(138), 2024, с. 270-277.

16. Кочегаров М.В. Удаленный мониторинг локализованной беспроводной сети с использованием технологий искусственного интеллекта// Информационные технологии моделирования и управления, №4(134), 2023. - С. 302-311.

17. Кочегаров М.В., Божко Л.М., Ермаков С.Г. Стохастическая модель оптимального функционирования распределенной интегрированной энергетической системы, основанная на многосценарном моделировании результатов мониторинга// Системы управления и информационные технологии, №3(97), 2024. С. 16-24.

18. Кочегаров М.В., Божко Л.М., Питолин А.В. Оценка эффективности модели многокластерной системы специального назначения на основе нескольких сценариев мониторинга// Системы управления и информационные технологии, №4(98), 2024. С. 14-19

19. Кочегаров М.В., Корнеев А.М. Алгоритмизация работы программной системы мониторинга для сетей критической

инфраструктуры// Системы управления и информационные технологии, №4(94), 2023. С. 68-73.

20. Кочегаров М.В., Кравец О.Я. Мониторинг сетевого трафика и поведения устройств в сетях критической инфраструктуры// Экономика и менеджмент систем управления, №3(53), 2024. - С. 89-98.

21. Кочегаров М.В., Кравец О.Я. Разработка эталонной архитектуры системы управления мониторингом средств программного обеспечения // Наука и технологии: перспективы развития и применения: сб. статей VII Междунар. НПК. - Петрозаводск: МЦНП «НОВАЯ НАУКА», 2024. - С. 1422.

22. Кузнецов, А. М. Современные подходы к мониторингу ПО. -Казань: Казанский университет, 2021. - 240 с.

23. Кузнецов, В. Е. Тестирование и мониторинг полей программного обеспечения. - М.: ИНФРА-М, 2017. - 220 с.

24. Лебедев, И. А. Программное обеспечение: аспекты мониторинга. - Москва: "Диалектика", 2022. - 210 с.

25. Лебедев, Ф. О. Методики мониторинга и тестирования. - Омск: ОмГТУ, 2020. - 150 с.

26. Михайлов, П. С. Анализ и мониторинг программного обеспечения. - Тверь: Тверской ун-т, 2021. - 190 с.

27. Морозов, Д. С. Мониторинг системного ПО. - Таганрог: ЮФУ, 2020. - 195 с.

28. Никифоров, Р. Л. Методология мониторинга в 1Т. - Москва: "Питер", 2021. - 275 с.

29. Нистратов, А. Ю. Инструменты для мониторинга программных систем. - Ростов-на-Дону: ЮФУ, 2019. - 240 с.

30. Орлова, Т. В. Инструменты для мониторинга ПО. - Челябинск: ЧелГУ, 2022. - 190 с.

31. Павлова, Е. В. Стратегии и инструменты мониторинга ПО. -Самара: СамГТУ, 2020. - 300 с.

32. Петров, С. И. Оценка эффективности мониторинга ПО. - Ростов-на-Дону: Ростовский университет, 2019. - 210 с.

33. Программа интерактивного управления очередью системы мониторинга/ Е.В. Сидоренко, М.В. Кочегаров, В.А.К. Камиль, К.А.Ж. Амоа. Свидетельство о регистрации программы для ЭВМ. М.: ФИПС, 2025.

34. Рудаков, С. В. Мониторинг и управление качеством в разработке ПО. - Воронеж: Воронежский ун-т, 2018. - 230 с.

35. Рябова, Е. А. Практика мониторинга программных систем. -Нижний Новгород: ННГУ, 2020. - 230 с.

36. Смирнова, А. В. Технологии мониторинга программного обеспечения. - Москва: "КноРус", 2021. - 250 с.

37. Тихомиров, А. В. Современные технологии мониторинга ПО. -Челябинск: ЮУрГУ, 2021. - 220 с.

38. Тихонов, В. М. Прикладной мониторинг программного обеспечения. - Уфа: БашГУ, 2019. - 180 с.

39. Чубукова И. А. Базы данных: Data Mining Интернет-университет информационных технологий - ИНТУИТ.ру 2008.

40. Шевченко, О. С. Основы тестирования и мониторинга программ. - Уфа: УГНТУ, 2022. - 160 с.

41. Шевченко, Р. Н. Интеграция мониторинга в процессы разработки ПО. - Санкт-Петербург: СПбГУ, 2022. - 205 с.

42. Щавелёв Л.В. Оперативная аналитическая обработка данных: концепции и технологии. 2001 г. - Режим доступа: http://www.olap.ru/basic/olap_and_ida.asp.

43. Щербаков, Д. Л. Автоматизированные системы мониторинга программного обеспечения. - Владивосток: ДВГУ, 2021. - 245 с.

44. Ястребов, Д. Н. Мониторинг программного обеспечения: современные подходы. - Хабаровск: Дальневосточный ун-т, 2019. - 250 с.

45. Яценко, И. А. Единство тестирования и мониторинга ПО. -Краснодар: Кубанский ун-т, 2020. - 210 с.

46. Aceto G., A. Botta, W. de Donato, A. Pescape, Cloud monitoring: a survey, Comput. Netw. 57 (9) (2013) 2093-2115.

47. Aien M., M. Rashidinejad, and M. F. Firuz-Abad. Probabilistic optimal power flow in correlated hybrid wind-PV power systems: A review and a new approach. Renew Sust Energ Rev 2015; 41:1437-1446.

48. Alabdulwahab A., A. Abusorrah, X. P. Zhang, et al. Risk-Based Distributionally Robust Optimal Gas-Power Flow With Wasserstein Distance. IEEE TRANS Sustain Energ 2015; 6(2): 606-615.

49. Al-Shaer E.S., Programmable agents for active distributed monitoring, in: 10th IFIP/IEEE Int'l WS on Distributed Systems, Springer, 1999, pp. 19-32.

50. Anagnostakis K.G., M. Greenwald, S. Ioannidis, S. Miltchev, Open packet monitoring on FLAME: safety, performance, and applications, in: IFIP Int'l Working Conf. on Active Networks, Springer, 2002, pp. 120-131.

51. Angelov S., P.W.P.J. Grefen, D. Greefhorst, A classification of software reference architectures: analyzing their success and effectiveness, in: Joint Working IEEE/IFIP Conf. on Software Architecture, 2009, pp. 141-150.

52. Armbrust M., A. Fox, R. Griffith, A.D. Joseph, R. Katz, A. Konwinski, G. Lee, D. Patterson, A. Rabkin, I. Stoica, M. Zaharia, A view of cloud computing, Commun. ACM 53 (4) (2010) 50-58.

53. Autili M., L. Grunske, M. Lumpe, P. Pelliccione, A. Tang, Aligning qualitative, real-time, and probabilistic property specification patterns using a structured English grammar, IEEE Trans. Softw. Eng. 41 (7) (2015) 620-638.

54. Bahrami A., A. Teimourian, C. O. Okoye, et al. Assessing the feasibility of wind energy as a power source in Turkmenistan; a major opportunity for Central Asia's energy market. Energy 2019; 183: 415-427.

55. Barati F., H. Seifi, M. S. Sepasian, et al. Multi-Period Integrated Framework of Generation, Transmission, and Natural Gas Grid Expansion Planning for Large-Scale Systems. IEEE TRANSPower Syst 2015; 30(5): 25272537.

56. Baresi L., S. Guinea, Event-based monitoring of service-oriented smart spaces (Invited Paper), in: 8th IEEE Int'l Conference on Service-Oriented Computing, IEEE, 2015, pp. 123-130.

57. Baresi L., S. Guinea, Event-based multi-level service monitoring, in: 20th Int'l Conf. on Web Services, IEEE, 2013, pp. 83-90.

58. Basiri A., N. Behnam, R. de Rooij, L. Hochstein, L. Kosewski, J. Reynolds, C. Rosenthal, Chaos engineering, IEEE Softw. 33 (3) (2016) 35-41.

59. Batory D., Creating reference architectures: an example from avionics, in: ACM-SIGSOFT Symp. on Software Reusability, 1995, pp. 27-37.

60. Becker C., H. Kulovits, M. Kraxner, R. Gottardi, A. Rauber, An extensible monitoring framework for measuring and evaluating tool performance in a service-oriented architecture, in: 9th Int'l Conf. on Web Engineering, Springer, 2009, pp. 221-235.

61. Bellavista P., A. Corradi, C. Stefanelli, Java for on-line distributed monitoring of heterogeneous systems and services, Comput. J. 45 (6) (2002) 595-607.

62. Bellavista P., A. Corradi, C. Stefanelli, Monitor and control of mobile agent applications, in: ACM OOPSLA WS on Experiences with Autonomous Mobile Objects and Agent Based Systems, 2000, pp. 1-8.

63. Binder W., J. Hulaas, A portable CPU-management framework for Java, IEEE Internet Comput. 8 (5) (2004) 74-83.

64. Binder W., J. Hulaas, Extending standard Java runtime systems for resource management, in: T. Gschwind, C. Mascolo (Eds.), 4th Int'l WS on Software Engineering and Middleware, Springer Berlin Heidelberg, 2005, pp. 154-169.

65. Binder W., J-SEAL2-a secure high-performance mobile agent system, Electron. Commerce Res. 1 (1) (2001) 131-148.

66. Bitto V., P. Lengauer, H. Mössenböck, Efficient rebuilding of large Java heaps from event traces, in: Principles and Practices of Programming on The Java Platform, ACM, 2015, pp. 76-89.

67. Bornapour M., R. A. Hooshmand, A. Khodabakhshian, et al. Optimal coordinated scheduling of combined heat and power fuel cell, wind, and photovoltaic units in micro grids considering uncertainties. Energy 2016; 117: 176-189.

68. Bozchalui M. C., S. AhsanHashmi, H. Hassen, et al. Optimal Operation of Residential Energy Hubs in Smart Grids. IEEE TRANSSmart Grid 2012; 3(4): 1755-1766.

69. Bratanis K., D. Dranidis, A.J. Simons, An extensible architecture for run-time monitoring of conversational web services, in: 3rd Int'l WS on Monitoring, Adaptation and Beyond, ACM, 2010, pp. 9-16.

70. Breitgand D., D. Dolev, D. Raz, G. Shaviner, Facilitating efficient and reliable monitoring through HAMSA, in: Integrated Network Management VIII, Springer, 2003, pp. 263-276.

71. Buckley J., T. Mens, M. Zenger, A. Rashid, G. Kniesel, Towards a taxonomy of software change, J. Softw. Mainten. 17 (5) (2005) 309-332.

72. Cai D. F., D. Y. Shi, and J. F. Chen. Probabilistic load flow computation using Copula and Latin hypercube sampling. IET Gener Transm Dis 2014; 8(9): 1539-1549.

73. Calinescu R., C. Ghezzi, M. Kwiatkowska, R. Mirandola, Self-adaptive software needs quantitative verification at runtime, Commun. ACM 55 (9) (2012) 69-77.

74. Chan K., I. Poernomo, H. Schmidt, J. Jayaputera, A model-oriented framework for runtime monitoring of nonfunctional properties, in: 1st Int'l Conf. on the Quality of Software Architectures, Springer, 2005, pp. 38-52.

75. Chawla A., A. Orso, A generic instrumentation framework for collecting dynamic information, SIGSOFT Softw. Eng. Notes 29 (5) (2004) 1-4.

76. Chen D., A. Q. Huang, Y. Z. Xu, et al. Distributed and Autonomous Control of the FREEDM System: A Power Electronics Based Distribution System. IECON 2014: 4954-4960.

77. Chen F., G. Ro § u, MOP: an efficient and generic runtime verification framework, in: 22nd Annual ACM SIGPLAN Conf. on Object-oriented Programming Systems and Applications, ACM, 2007, pp. 569-588.

78. Chen F., M. d'Amorim, G. Ro § u, Checking and correcting behaviors of Java programs at runtime with Java-MOP, Electron. Notes Theor. Comput. Sci. 144 (4) (2006) 3-20.

79. Chen Y., J. Y. Wen, and S. J. Cheng. Probabilistic Load Flow Method Based on Nataf Transformation and Latin Hypercube Sampling. IEEE TRANSSustain Energ 2013; 4(2): 294-301.

80. Comuzzi M., G. Spanoudakis, A framework for hierarchical and recursive monitoring of service based systems, in: 4th Int'l Conf. on Internet and Web Applications and Services, IEEE, 2009, pp. 383-388.

81. Contreras A., K. Mahbub, MORPED: monitor rules for proactive error detection based on run-time and historical data, in: 5th Int'l Conf. on the Applications of Digital Information and Web Technologies, 2014, pp. 28-35.

82. Correa-Posada C. M., and P. Sanchez-Martin. Integrated Power and Natural Gas Model for Energy Adequacy in Short-Term Operation. IEEE TRANSPower Syst 2015; 30(6): 3347-3355.

83. Cruzes D.S., T. Dybâ, Recommended steps for thematic synthesis in software engineering, in: 5th Int'l Symp. on Empirical Software Engineering and Measurement, 2011, pp. 275-284.

84. Czajkowski G., T. von Eicken, JRes: a resource accounting interface for Java, in: 13th ACM SIGPLAN Conf. on Object-oriented Programming, Systems, Languages, and Applications, ACM, 1998, pp. 21-35.

85. Czarnecki K., P. Grünbacher, R. Rabiser, K. Schmid, A. Wasowski, Cool features and tough decisions: a comparison of variability modeling approaches, in: 6th Int'l WS on Variability Modelling of Software-Intensive Systems, 2012, pp. 173-182.

86. Delgado N., A.Q. Gates, S. Roach, A taxonomy and catalog of runtime software-fault monitoring tools, IEEE Trans. Softw. Eng. 30 (12) (2004) 859-872.

87. Doherty P., J. Kvarnström, F. Heintz, A temporal logic-based planning and execution monitoring framework for unmanned aircraft systems, Auton. Agent. Multi Agent Syst. 19 (3) (2009) 332-377.

88. Dolatabadi A., B. Mohammadi-ivatloo, M. Abapour, et al. Optimal Stochastic Design of Wind Integrated Energy Hub. IEEE TRANSInd Inform 2017; 13(5): 2379-2388.

89. Dragomir A., H. Lichter, Run-time monitoring and real-time visualization of software architectures, in: 20th Asia-Pacific Software Engineering Conf., vol. 1, IEEE, 2013, pp. 396-403.

90. Dwyer M., G. Avrunin, J. Corbett, Patterns in property specifications for finite-state verification, in: Int'l Conf. on Software Engineering, 1999, pp. 411-420.

91. Ehlers J., W. Hasselbring, A self-adaptive monitoring framework for component-based software systems, in: I. Crnkovic, V. Gruhn, M. Book (Eds.), 5th European Conf. on Software Architecture, Springer Berlin Heidelberg, 2011, pp. 278-286.

92. Eichelberger H., A. Sass, K. Schmid, From reproducibility problems to improvements: a journey, Softwaretechnik 36 (4) (2016) 43-45.

93. Eichelberger H., C. Qin, K. Schmid, C. Niederee, Adaptive application performance management for big data stream processing, Softwaretechnik 35 (3) (2015) 35-37.

94. Eichelberger H., C. Qin, K. Schmid, From resource monitoring to requirements-based adaptation: an integrated approach, in: 8th ACM/SPEC Int'l Conf. on Performance Engineering Companion, ACM, 2017, pp. 91-96.

95. Eichelberger H., K. Schmid, Flexible resource monitoring of Java programs, J. Syst. Softw. 93 (2014) 163-186.

96. Eichelberger H., S. El-Sharkawy, C. Kröher, K. Schmid, EASy-producer: product line development for variant-rich ecosystems, in: 18th Int'l Software Product Line Conf., Volume 2, ACM, 2014, pp. 133-137.

97. Fickas S., M.S. Feather, Requirements monitoring in dynamic environments, in: 2nd IEEE Int'l Symp. on Requirements Engineering, 1995, pp. 140-147.

98. Fittkau F., W. Hasselbring, Elastic application-level monitoring for large software landscapes in the cloud, in: 4th European Conf. on Service Oriented and Cloud Computing, Springer International Publishing, 2015, pp. 80-94.

99. Fu W., Liu S., Srivastava G. Optimization of big data scheduling in social networks// Entropy. 2019, 21(9), 902

100. Fu X. Q., Q. L. Guo, H. B. Sun, et al. Estimation of the failure probability of an integrated energy system based on the first order reliability method. Energy 2017; 134: 1068-1078.

101. Galster M., P. Avgeriou, Empirically-grounded reference architectures: a proposal, in: Joint ACM SIGSOFT Conf. - QoSA and ACM SIGSOFT Symposium -ISARCS on Quality of Software Architectures - QoSA and Architecting Critical Systems, ACM, 2011, pp. 153-158.

102. Gates A.Q., S. Roach, O. Mondragon, N. Delgado, DynaMICs: comprehensive support for run-time monitoring, Electron. Notes Theor. Comput. Sci. 55 (2) (2001) 164-180.

103. Ghezzi C., A. Mocci, M. Sangiorgio, Runtime monitoring of component changes with Spy@Runtime, in: 34th Int'l Conf. on Software Engineering, 2012, pp. 1403-1406.

104. Guinea S., G. Kecskemeti, A. Marconi, B. Wetzstein, Multi-layered monitoring and adaptation, in: 9th Int'l Conf. on Service-Oriented Computing, 2011, pp. 359-373.

105. Gunadi H., A. Tiu, Efficient runtime monitoring with metric temporal logic: a case study in the android operating system, in: 19th Int'l Symp. on Formal Methods, Springer International Publishing, 2014, pp. 296311.

106. Guo L., W. J. Liu, J. J. Cai, et al. A two-stage optimal planning and design method for combined cooling, heat and power microgrid system. Energ Convers Manage 2013; 74: 433-445.

107. Guo S. et al. IoT-oriented heterogeneous data conversion model// Periodical Ocean Univ. China, 2019, 49(06), 140-146.

108. Hamida A.B., A. Bertolino, A. Calabro, G. De Angelis, N. Lago, J. Lesbegueries, Monitoring service choreographies from multiple sources, in: 4th Int'l WS on Software Engineering for Resilient Systems, Springer, 2012, pp. 134-149.

109. Havelund K., G. Ro § u, Monitoring Java programs with Java Pathexplorer, Electron. Notes Theor. Comput. Sci. 55 (2) (2001) 200-217.

110. He C., T. Q. Liu, L. Wu, et al. Robust coordination of interdependent electricity and natural gas systems in day-ahead scheduling for facilitating volatile renewable generations via power-to-gas technology. J Mod Power Syst Cle 2017; 5(3): 375-388.

111. http://asm.ow2.org.

112. http://www.appdynamics.com.

113. http://www.dynatrace.com.

114. https://github.com/jboss-javassist/javassist.

115. https://www.quest.com/foglight/.

116. Hu F. et al. SQL injection detection scheme based on machine learning// Comput. Eng. Des. 2019, 40(06), 1554-1558.

117. Hu L., X. Cheng, X. Che, Survey of grid resource monitoring and prediction strategies, IJIIP 1 (2) (2010) 78-85.

118. Jones K.S., Walker S., Robertson S.E. A Probabilistic Model of Information Retrieval: Development and Comparative Experiments (parts 1 and 2)// Information Processing and Management, 2000, 36(6):779-840.

119. Jung R., C. Wulf, Advanced typing for the Kieker instrumentation languages, Softwaretechnik 36 (4) (2016) 1-3.

120. Kang K., S. Cohen, J. Hess, W. Nowak, S. Peterson, Feature-oriented Domain Analysis (FODA) Feasibility Study, Technical Report, CMU/SEI-90TR-21, 1990.

121. Kanstren T., A systematic review and taxonomy of runtime invariance in software behavior, Int. J. Adv. Softw. 4 (3 and 4) (2011) 256-274.

122. Karamdel S., and M. P. Moghaddam. Robust expansion co-planning of electricity and natural gas infrastructures for multi energy-hub systems with high penetration of renewable energy sources. IET Renew Power Gen 2019; 13(13): 2287-2297.

123. Khurum M., T. Gorschek, A systematic review of domain analysis solutions for product lines, J. Syst. Softw. 82 (12) (2009) 1982-2003.

124. Kiczales G., M. Mezini, Aspect-oriented programming and modular reasoning, in: 27th Int'l Conf. on Software Engineering, ACM, 2005, pp. 49-58.

125. Kochegarov M.V., Kravets O.Ja. Software monitoring - basic approaches and terminology// Modern informatization problems in the technological and telecommunication systems analysis and synthesis (MIP-2024'AS): Proceedings of the XXIX-th International Open Science Conference. - Yelm, WA, USA: Science Book Publishing House, 2024. Pp. 164-170.

126. Kravets O.Ja., Aksenov I.A., Redkin Yu.V., Rahman P.A., Kochegarov M.V., Gorshkov A.V., Sorokin S.A. Modeling of neural network monitoring agent to predict traffic spikes and agent training// International Journal on Information Technologies and Security, vol.16, no.3, 2024, pp. 4956. DOI: https://doi.org/10.59035/VDTR2117. WoS: 001296276500005.

127. Kritzinger L.M., T. Krismayer, M. Vierhauser, R. Rabiser, P. Grünbacher, Visualization support for requirements monitoring in systems of systems, in: 32th IEEE/ACM Int'l Conf. on Automated Software Engineering, IEEE, 2017, pp. 889-894.

128. Le Y. Design and research of query optimization algorithm for large scale database// Bull. Sci. Technol. 2019, 35(09), 66-69.

129. Lee E.A., Cyber physical systems: design challenges, in: 11th IEEE Int'l Symp. on Object-oriented Real-time Distributed Computing, IEEE, 2008, pp. 363-369.

130. Lengauer P., V. Bitto, H. Mössenböck, Accurate and efficient object tracing for java applications, in: 6th ACM/SPEC Int'l Conf. on Performance Engineering, ACM, 2015, pp. 51-62.

131. Li B., S. Ji, L. Liao, D. Qiu, M. Sun, Monitoring web services for conformance, in: 7th Int'l Symp. on Service Oriented System Engineering, IEEE, 2013, pp. 92-102.

132. Li G., An J. Internet of Things-oriented heterogeneous entities relation service model// Internet Things-Oriented Heterogen. Entities Relat. Serv. Model 2019, 46(02), 131-140.

133. Li Y., W. J. Liu, M. Shahidehpoure, et al. Optimal Operation Strategy for Integrated Natural Gas Generating Unit and Power-to-Gas Conversion Facilities. IEEE TRANSSustain Energ 2018; 9(4): 1870-1879.

134. Lim W.C., Managing Software Reuse, Prentice Hall PTR, 1998.

135. Lin P. J., Z. N. Peng, Y. F. Lai, et al. Short-term power prediction for photovoltaic power plants using a hybrid improved Kmeans-GRA-Elman model

based on multivariate meteorological factors and historical power datasets. Energ Convers Manage 2018; 177: 704-717.

136. Liu S. et al. Introduction of key problems in long-distance learning and training// Mob. Netw. Appl. 24(1), 2019, 1-4.

137. Liu S. et al. Prediction of gene expression patterns with generalized linear regression model// Front. Genetics 2019, 10, 120.

138. Liu T. H., D. D. Zhang, H. Dai, et al. Intelligent Modeling and Optimization for Smart Energy Hub. IEEE TRANSInd Electron 2019; 66(12): 9898-9908.

139. Ma W. W., S. Fang, G. Liu, et al. Modeling of district load forecasting for distributed energy system. Appl Energ 2017; 204: 181-205.

140. Mansouri-Samani M., M. Sloman, Monitoring distributed systems, IEEE Netw. 7 (6) (1993) 20-30.

141. Martinelli F., P. Mori, T. Quillinan, C. Schaefer, A runtime monitoring environment for mobile Java, in: Int'l Conf. on Software Testing Verification and Validation WS, IEEE, 2008, pp. 270-278.

142. Michlmayr A., F. Rosenberg, P. Leitner, S. Dustdar, Comprehensive QoS monitoring of web services and event-based SLA violation detection, in: 4th Int'l WS on Middleware for Service Oriented Computing, ACM, 2009, pp. 1-6.

143. Miettinen T., D. Pakkala, M. Hongisto, A method for the resource monitoring of OSGi-based software components, in: 34th Euromicro Conf. Software Engineering and Advanced Applications, IEEE, 2008, pp. 100-107.

144. Muccini H., A. Polini, F. Ricci, A. Bertolino, Monitoring architectural properties in dynamic component-based systems, in: 10th Int'l Symp. on Component-Based Software Engineering, Springer, 2007, pp. 124139.

145. Mulo E., U. Zdun, S. Dustdar, An event view model and DSL for engineering an event-based SOA monitoring infrastructure, in: 4th ACM Int'l Conf. on Distributed Event-Based Systems, ACM, 2010, pp. 62-72.

146. Nakagawa E.Y., F. Oquendo, M. Becker, Ramodel: a reference model for reference architectures, in: 2012 Joint Working IEEE/IFIP Conf. on Software Architecture and European Conference on Software Architecture, 2012, pp. 297-301.

147. Neighbors J.M., The Draco approach to constructing software from reusable components, IEEE TSE 10 (5) (1984) 564-574.

148. Nielsen C.B., P.G. Larsen, J. Fitzgerald, J. Woodcock, J. Peleska, Systems of systems engineering: basic concepts, model-based techniques, and research directions, ACM Comput. Surv. 48 (2) (2015) 18:1-18:41.

149. Okanovi D., A. van Hoorn, C. Heger, A. Wert, S. Siegl, Towards performance tooling interoperability: an open format for representing execution traces, in: 13th European WS on Computer Performance Engineering, Springer International Publishing, 2016, pp. 94-108.

150. OLAP имногомерные базы данных. 2010 г. - Режим доступа: http://www.rae.ru/monographs/141-4638.

151. Ouchenne B., O. Koné, Specifying and analysing run-time security policies for time dependant services, in: First Int'l WS on Security and Privacy Preserving in e-Societies, ACM, 2011, pp. 26-33.

152. Pan Z. G., Q. L. Guo, and H. B. Sun. Feasible region method based integrated heat and electricity dispatch considering building thermal inertia. Appl Energ 2017; 192: 395-407.

153. Pan Z. G., Q. L. Guo, and H. B. Sun. Interactions of district electricity and heating systems considering time-scale characteristics based on quasi-steady multi-energy flow. Appl Energ 2016; 167: 230-243.

154. Paudyal S., C. A. Canizares, and K. Bhattacharya. Optimal Operation of Industrial Energy Hubs in Smart Grids. IEEE TRANSSmart Grid 2015; 6(2): 684-694.

155. Pazouki S., and M. R. Haghifam. Optimal planning and scheduling of energy hub in presence of wind, storage and demand response under uncertainty. Int J Elec Power 2016; 80: 219-239.

156. Qadrdan M., J. Z. Wu, N. Jenkins, et al. Operating Strategies for a GB Integrated Gas and Electricity Network Considering the Uncertainty in Wind Power Forecasts. IEEE TRANSSustain Energ 2014; 5(1): 128-138.

157. Rabiser R., J. Thanhofer-Pilisch, M. Vierhauser, P. Grünbacher, A. Egyed, Developing and evolving a DSL-based approach for runtime monitoring of systems of systems, Autom. Softw. Eng. 25 (4) (2018) 875-915.

158. Rabiser R., S. Guinea, M. Vierhauser, L. Baresi, P. Grünbacher, A comparison framework for runtime monitoring approaches, J. Syst. Softw. 125 (2017) 309-321.

159. Ramirez A.J., B.H. Cheng, P.K. McKinley, Adaptive monitoring of software requirements, in: 1st Int'l WS on [e-mail], IEEE, 2010, pp. 41-50.

160. Ren Z. Y., W. Yan, X. Zhao, et al. Chronological Probability Model of Photovoltaic Generation. IEEE TRANSPower Syst 2014; 29(3): 1077-1088.

161. Robinson W.N., A requirements monitoring framework for enterprise systems, Require. Eng. 11 (1) (2006) 17-41.

162. Ruz C., F. Baude, B. Sauvan, Component-based generic approach for reconfigurable management of component-based SOA applications, in: 3rd Int'l WS on Monitoring, Adaptation and Beyond, ACM, 2010, pp. 25-32.

163. Sadeghian H. R., and M. M. Ardehali. A novel approach for optimal economic dispatch scheduling of integrated combined heat and power systems for maximum economic profit and minimum environmental emissions based on Benders decomposition. Energy 2016; 102: 10-23.

164. Sang H., Guo W. Research on key model of index semantic query based on massive heterogeneous data// J. Fuzhou Univ. (Nat. Sci. Ed.), 2018, 46(03), 324-329.

165. Schmid K., Scoping software product lines -an analysis of an emerging technology, in: 1st Software Product Line Conf., Kluwer, 2000, pp. 513-532.

166. Seracini F., M. Menarini, I. Krueger, L. Baresi, S. Guinea, G. Quattrocchi, A comprehensive resource management solution for web-based systems, in: 11th Int'l Conf. on Autonomic Computing, USENIX Association, 2014, pp. 233-239.

167. Shao J., H. Wei, Q. Wang, H. Mei, A runtime model based monitoring approach for cloud, in: 3rd Int'l Conf. on Cloud Computing, IEEE, 2010, pp. 313-320.

168. Sharif A., A. Almansoori, M. Fowler, et al. Design of an energy hub based on natural gas and renewable energy sources. Int J Energ Res 2014; 38(3): 363-373.

169. Shaw M., D. Garlan, Software Architecture, vol. 101, Prentice Hall Englewood Cliffs, 1996.

170. Shaw M., What makes good research in software engineering? Int. J. Softw. Tools Technol. Trans. 4 (1) (2002) 1-7.

171. Shen Z., Z. N. Liu, and M. Baran. Power Management Strategies for The Green Hub. PESGM 2012.

172. Shuai L., Gelan, Y. Advanced Hybrid Information Processing, -Springer International Publishing, Heidelberg, 2019. - 594 p.

173. Simmonds J., S. Ben-David, M. Chechik, Monitoring and recovery for web service applications, Computing 95 (3) (2013) 223-267.

174. Sistla A.P., M. Z efran, Y. Feng, Runtime monitoring of stochastic cyber-physical systems with hybrid state, in: Int'l Conf. on Runtime Verification, Springer, 2011, pp. 276-293.

175. Spreadsheet of our Domain Model with Information extracted from (47) Monitoring Approaches (2019), https://docs.google.com/spreadsheets/d/ 1DrhwEf_BKexAkiBBlwA4YFG_x_G0y9utYvKHdNEjxCA/.

176. Takahashi R., K. Tashiro, and T. Hikihara. Router for power packet distribution network: design and experimental verification. IEEE TRANSSmart Grid 2015; 6(2):618-626.

177. Van Hoorn A., J. Waller, W. Hasselbring, Kieker: a framework for application performance monitoring and dynamic software analysis, in: 3rd joint ACM/SPEC Int'l Conf. on Performance Engineering, ACM, 2012, pp. 247-248.

178. Van Hoorn A., M. Rohr, W. Hasselbring, J. Waller, J. Ehlers, S. Frey, D. Kieselhorst, Continuous Monitoring of Software Services: Design and Application of the Kieker Framework, Technical Report, Kiel University, 2009.

179. Vierhauser M., R. Rabiser, P. Grünbacher, B. Aumayr, A requirements monitoring model for systems of systems, in: 23rd IEEE Int'l Requirements Engineering Conf., IEEE, 2015, pp. 96-105.

180. Vierhauser M., R. Rabiser, P. Grünbacher, K. Seyerlehner, S. Wallner, H. Zeisel, ReMinds: A flexible runtime monitoring framework for systems of systems, J. Syst. Softw. 112 (2016) 123-136.

181. Vierhauser M., R. Rabiser, P. Grünbacher, Requirements monitoring frameworks: a systematic review, Inf. Softw. Technol. 80 (2016) 89-109.

182. Völz M., B. Koldehofe, K. Rothermel, Supporting strong reliability for distributed complex event processing systems, in: 13th Int'l Conf. on High Performance Computing and Communication, 2011, pp. 477-486.

183. Waller J., W. Hasselbring, A comparison of the influence of different multi-core processors on the runtime overhead for application-level monitoring, in: Int'l Conf. on Multicore Software Engineering, Performance, and Tools, Springer Berlin Heidelberg, 2012, pp. 42-53.

184. Wang C., R. Gao, W. Wei, et al. Risk-Based Distributionally Robust Optimal Gas-Power Flow With Wasserstein Distance. IEEE TRANSPower Syst 2019; 24(3): 2190-2204.

185. Wang H. et al. Query optimization model for blockchain applications// Comput. Eng. Appl. 2019, 55(22), 34-39.

186. Wang Y., S.A. McIlraith, Y. Yu, J. Mylopoulos, Monitoring and diagnosing software requirements, Autom. Softw. Eng. 16 (1) (2009) 3-35.

187. Xia R. Design of machine learning web service engine based on spark// Command Control Simul. 2018, 40(01), 113-117.

188. Xing B. et al. Energy-efficiency query optimization for green datacenters// J. Comput. Res. Dev. 2019, 56(09), 1821-1831.

189. Zeginis C., K. Kritikos, P. Garefalakis, K. Konsolaki, K. Magoutis, D. Plexousakis, Towards cross-layer monitoring of multi-cloud service-based applications, in: 2nd European Conf. on Service-Oriented and Cloud Computing, Springer, 2013, pp. 188-195.

190. Zhang P. et al. Spatio temporal data retrieval and prediction system based on K-D tree and machine learning// Comput. Eng. Softw. 2018, 39(08), 215-218.

191. Zhou W., O. Sokolsky, B.T. Loo, I. Lee, DMaC: distributed monitoring and checking, RV 5779 (2009) 184-201.

192. Zmuda D., M. Psiuk, K. Zieli n ski, Dynamic monitoring framework for the SOA execution environment, Procedia Comput. Sci. 1 (1) (2010) 125133.

193. Zou K., A. P. Agalgaonkar, K. M. Muttaqi, et al. An Analytical Approach for Reliability Evaluation of Distribution Systems Containing Dispatchable and Nondispatchable Renewable DG Units. IEEE TRANSSmart Grid 2014; 5(6): 2657-2665.