Разработка машинно читаемых требований для информационных моделей большого объема

Современное состояние развития цифровых технологий и программного обеспечения предъявляет всё более жёсткие требования к масштабируемости, структурной ясности и адаптивности информационных систем. Одной из фундаментальных задач информатики при этом становится такое описание сложных программных и информационных систем, которое бы обеспечивало не только формальную однозначность, но и непосредственную машинную интерпретируемость спецификаций требований. Во многих практических областях – от автоматизации деловых процессов и встраиваемых систем реального времени до управления большими данными (Big Data) и систем искусственного интеллекта – информационные модели быстро приобретают огромные объёмы и всё более сложную структуру, что резко усложняет формулирование и поддержание требований в актуальном состоянии.

В контексте традиционного системного инжиниринга требования формулируются преимущественно в человекочитаемой форме – на естественном языке или с применением отдельных элементов структурированных нотаций. Это создаёт предпосылки для появления двусмысленностей, ошибок интерпретации и рассогласований между проектными командами.

Концепция машинно читаемых требований (Machine-Readable Requirements – MRRs) направлена на формализацию процесса описания и интерпретации требований таким образом, чтобы они могли быть обработаны специализированными инструментальными средствами: парсерами, генераторами кода, средствами верификации и тестирования, а также системами автоматизации жизненного цикла программного обеспечения [1–3].

Цель исследования – разработка универсального подхода к формализации и структурированию машинно читаемых требований, обеспечивающего их однозначную интерпретацию и автоматизированную обработку для крупных и сложных информационных моделей.

Материалы и методы

В основе методологии исследования лежит сравнительный анализ существующих подходов к формализации требований, включая формальные языки спецификаций (Z, Alloy, VDM, TLA+) [4; 5], стандарты моделирования (UML, SysML) и современные форматы об-

Разработка машинно читаемых требований для информационных моделей большого объема мена требованиями (ReqIF)1. В работе используются элементы теории формальных языков и грамматик (в частности, расширенная форма Бэкуса – Наура) для синтаксического и семантического описания требований. Также применяются принципы объектно ориентированного проектирования для создания модели структурирования требований. Практическая проверка подхода осуществляется путем разработки прототипа метаязыка и средств автоматизированной верификации на Python с использованием библиотек re и networkx [6].

Обзор литературы

Классические работы в области формализации требований заложили основы технологий машинно читаемых спецификаций. Такие языки, как Z, Alloy, VDM и TLA+, представлены в трудах Жан-Рэймонда Абру, Лесли Лэмпорта, Даниэля Джексона и других исследователей [4; 5]. Стандартные методы, такие как UML и SysML, предлагают визуальные и текстовые средства моделирования, но из-за прикладной нестрогости их синтаксиса и семантики они зачастую не могут полностью решить задачу автоматического исполнения требований. В последние годы особое внимание уделяется подходам к структурированию требований, основанных на XML, JSON, YAML и специализированных DSL (Domain Specific Language), например, ReqIF (Requirements Interchange Format)2.

Со стороны российских исследований по формализации требований следует отметить работы В.Н. Иванова, С.В. Поспелова, посвященные формализации естественноязыкового описания технических систем, а также работы в области применения теории формальных языков к задаче автоматизированной генерации документов требований (П.Н. Рыков, Н.В. Котов и др.) [6]. Специализированные программно-инженерные сообщества разрабатывают инструменты автоматизированного анализа и парсинга требований (DOORS IBM, Enterprise Architect, Polarion), однако недостаточная поддержка масштабируемых моделей остается актуальной проблемой.

Результаты исследования и их обсуждение

Предложен подход, основанный на разработке машинно читаемого метаязыка на базе расширенного синтаксиса Backus-Naur Form (BNF) с поддержкой вложенных структур, параметризации и типизации требований [7].

Формальное описание базовой структуры машинно читаемого требования может быть представлено следующим образом:

T = < I , C , S , D , R >,                                  (1)

где T – требование;

I – уникальный идентификатор требования;

C – класс (тип) требования (функциональное, нефункциональное);

S – структура (в том числе составные элементы и предикаты);

D – детальное специфицирующее описание (атрибуты, параметры);

R – набор связей (references, trace-links) с другими требованиями либо компонентами информационной модели.

Вестник Российского нового университета

Серия «Сложные системы: модели, анализ и управление». 2026. № 2

Ключевым элементом подхода является поддержка автоматической трассируемости требований, позволяющей отслеживать влияние изменений одного требования на остальные, а также фиксировать степень их исполнения на различных этапах жизненного цикла системы [6; 8]. Для этого реализуется специализированная система меток и версиониро-вания, описываемая в рамках расширенной ER-модели (Entity-Relationship Model).

В качестве практической реализации предложенного подхода проведена разработка прототипа метаязыка (см. Рисунок) для описания машинно читаемых требований к большой информационной модели базы данных научного учреждения [9; 10].

Рисунок. Пример отдельного требования в машинно читаемой форме Источник: рисунок выполнен автором.

Данный формат обеспечивает как однозначную семантику (каждое поле строго типизировано), так и возможность автоматизированной проверки согласованности требований относительно всей структуры информационной модели. Реализация поддержки проверки требований заключается во внедрении средств анализа исходных YAML-спецификаций на соответствие формальным правилам, реализованным на Python с применением регулярных выражений (модуль `re`), а также средствами построения конечных автоматов и графов связей (с использованием библиотеки `networkx`) [11].

Для подтверждения эффективности метода проведено сравнение традиционного текстового специфицирования требований и машинно читаемого подхода на реальных проектах по автоматизации научных вычислений (см. Таблицу). При анализе исполнения требований оценивались скорость трассировки изменений, полнота покрытия тестовых сценариев и количество выявленных конфликтов требований на этапе проектирования [12].

Таблица

Пример сопоставления ручного и автоматического анализа требований

Метрика	Текстовые требования	Машинно читаемые требования
Среднее время верификации	12 ч	4 ч
Конфликтность требований	7 %	1,9 %
Полнота тестовых сценариев	88 %	97 %
Скорость фиксации изменений	18 мин/изменение	5 мин/изменение
Масштабируемость моделей	До 5 тыс. требований	Свыше 20 тыс. требований

Источник: [12].

Разработка машинно читаемых требований для информационных моделей большого объема

Формально процесс верификации машинно читаемых требований может быть описан следующей процедурой. Пусть для любого множества требований M = { T ₁ , T ₂ , …, T_i } задано множество автоматических предикатов проверки P_i . Тогда итоговая функция верификации φ имеет вид

где k_i – количество проверок для требования T_i .

Если φ( M ) = TRUE, значит, все требования в модели согласованы по заданным критериям.

Проведённое исследование демонстрирует, что внедрение машинно читаемых требований обеспечивает значимые преимущества в вопросах структурирования, проверки и автоматизированной обработки спецификаций для крупных информационных моделей. Разработанный подход к формализации и интерпретации требований позволяет существенно снизить издержки на анализ, верификацию и сопровождение модели на протяжении жизненного цикла системы [13]. В результате внедрения машинно читаемых требований скорость автоматизированной верификации увеличилась на 32 %, а доля конфликтующих требований снизилась с 7 до 1,9 % [3].

Однако для более широкой промышленной применимости предложенных решений требуется дальнейшая проработка вопросов интеграции машинно читаемых требований с существующими инструментами проектирования (CASE-средства), расширения поддерживаемого множества формализаций, а также разработки методов автоматизированного преобразования естественно-языковых требований в формальные структуры посредством технологий NLP. Перспективными направлениями будущих исследований являются создание инструментов анализа семантической избыточности и автоматической коррекции требований, а также применение методов машинного обучения к анализу больших массивов спецификаций [14].

Заключение

Универсальный подход к формализации требований, развитый в рамках данного исследования, позволяет существенно упростить построение, сопровождение и расширение крупных информационных моделей, обеспечивая необходимый уровень однозначности, согласованности и автоматизации проектирования в современных ИТ-проектах. Предложенная модель и практические примеры подтверждают эффективность использования машинно читаемых спецификаций для повышения качества и скорости разработки сложных систем.