10.14489/vkit.2026.02.pp.046-051

DOI: 10.14489/vkit.2026.02.pp.046-051

Четвертухин В. Р.
ПРИМЕНЕНИЕ БАЙЕСОВСКИХ СЕТЕЙ В КАЧЕСТВЕ МОДЕЛИ ВЫБОРА ЗНАЧЕНИЙ КОМПОНЕНТОВ КОНФИГУРАЦИИ СИСТЕМЫ
(c. 46-51)

Аннотация. Посвящена использованию на практике байесовских сетей в качестве модели выбора значения некоторого неизвестного компонента конфигурации системы по известным значениям других компонентов. Для примера выбраны две предметные области, для которых актуальна эта задача: – компоненты стека разработки для последующей генерации программного обеспечения. На примере трех различных генеративных LLM (Large Language Model) моделей продемонстрировано, что задаче оптимального выбора прикладной библиотеки для последующей генерации в них не придается значение. Для выбора этой библиотеки строится байесовская сеть и таблица вывода; – конфигурация микросервисных систем. Упомянуты существующие подходы решения этой задачи, на их примере показана актуальность разработки новых подходов. Аргументирован выбор в пользу байесовских сетей в качестве основы разрабатываемого подхода. Построена байесовская сеть для выбора одного компонента конфигурации микросервисной системы с разной степенью влияния компонентов с известными значениями. Продемонстрированы возможности современных LLM-моделей в задаче оценки вероятностей, участвующих в байесовском выводе. Проведен эксперимент, где оценки вероятностей от экспертов сравнивались с оценками вероятностей от LLM-моделей, который подтвердил допустимость автоматизации заполнения таблиц вывода с помощью LLM-моделей.

Ключевые слова: байесовские сети; вероятностные графические модели; системы принятия решений; оптимизация конфигурации системы; микросервисная архитектура; генерация программного обеспечения.

Chetvertukhin V. R.
APPLICATION OF BAYESIAN NETWORKS AS A MODEL FOR SELECTING THE VALUES OF SYSTEM CONFIGURATION COMPONENTS
(pp. 46-51)

Abstract. The article is devoted to the practical use of Bayesian networks as a model for choosing the value of some unknown component of a system configuration based on already known values of other components. This use is considered using the example of two subject areas for which the optimal choice of components is an urgent task. The first subject area is the selection of development stack components for subsequent software generation. Using the example of three different generative LLM (Large Language Model) models, it was demonstrated that the problem of optimal selection of an application library for subsequent generation is not given importance in them. To select this library, a Bayesian network and an output table are built. The second subject area is the configuration of microservice systems. The existing approaches to solving this problem were mentioned, using the example of which the relevance of developing new approaches is shown. The choice in favor of Bayesian networks as the basis of the developed approach was argued. Within the scope of the subject area, a Bayesian network was built to select the value of one of the components of the microservice system configuration with varying degrees of influence from components with known values, and the capabilities of modern LLM models in the task of estimating probabilities involved in Bayesian inference were demonstrated. An experiment was conducted in which probability estimates from experts were compared with probability estimates from LLM models. Based on this experiment, it was concluded that it is acceptable to automate the filling of output tables using LLM models.

Keywords: Bayesian networks; Probabilistic graphical models; Decision-making systems; System configuration optimization; Microservice architecture; Software generation.

+ - Информация об авторах (About the Authors) Click to collapse

Рус

В. Р. Четвертухин (Белгородский государственный технологический университет им. В. Г. Шухова, Белгород, Россия) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript

Eng

V. R. Chetvertukhin (Belgorod State Technological University named after V. G. Shukhov, Belgorod, Russia) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript

+ - Библиографический список (References) Click to collapse

Рус

1. Мохорев Д. Е. Анализ ключевых объектов информационной системы в контексте создания универсального метода прогнозирования их поведения // Вестник компьютерных и информационных технологий. 2025. Т. 22, № 4(250). С. 39–44. DOI: 10.14489/vkit.2025.04.pp.039-044
2. Тулупьев А. Л. Алгебраические байесовские сети: логико-вероятностная графическая модель баз фрагментов знаний с неопределенностью: специальность 05.13.17 «Теоретические основы информатики»: дис. …д-ра физ.-мат. наук / Тулупьев Александр Львович. Санкт-Петербург, 2009. 670 с. EDN QEWLVP
3. Рязанов Ю. Д. Дискретная математика: учеб. пособие. Белгород: БГТУ им. В. Г. Шухова, 2010. 273 с.
4. Pearl J. Probabilistic reasoning in intelligent systems: networks of plausible inference. CA: Morgan Kaufmann, 1988.
5. Соловьева Т. В., Рыбакова О. В. Основы теории вероятностей и математической статистики: учеб. пособие. Волгоград: Волгоградский государственный технический университет, 2017. 108 с.
6. Тулупьев А. Л., Абрамян А. К. Логико-веро¬ятностный вывод в направленном БСД-цикле // Тр. СПИИРАН. 2007. № 4. С. 87–118. EDN NCNOWZ
7. Yan D., Gao Z., Liu Z. A closer look at different difficulty levels code generation abilities of ChatGPT // Proceedings of the 38th IEEE/ACM International Conference on Automated Software Engineering, (ASE '23) Люксембург, Люксембург. 11–15 September 2023. P. 1887–1898.
8. Amazon Web Services. Auto Scaling Documentation [Электронный ресурс]. URL: https://docs.aws.amazon.com/autoscaling/ (дата обращения: 26.07.2025).
9. Mao H., Alizadeh M., Menache I., Kandula S. Resource management with deep reinforcement learning // Proceedings of the 15th ACM Workshop on Hot Topics in Networks. 9–10 November 2016. Atlanta, GA, USA. P. 50–56.
10. Ресурс Freelance [Электронный ресурс]. URL: https://freelance.ru/ (дата обращения: 02.09.2025).
11. Ивченко Г. И., Медведев Ю. И. Введение в математическую статистику. М.: Издательство ЛКИ, 2010.

Eng

1. Mokhorev, D. E. (2025). Analysis of key objects of an information system in the context of creating a universal method for predicting their behavior. Vestnik Komp'yuternykh i Informatsionnykh Tekhnologii, 22(4), 39–44. [in Russian language]. https://doi.org/10.14489/vkit.2025.04.pp.039-044
2. Tulupyev, A. L. (2009). Algebraicheskie baiesovskie seti: logiko-veroyatnostnaya graficheskaya model' baz fragmentov znanii s neopredelennost'yu [Algebraic Bayesian networks: Logical-probabilistic graphical model of knowledge fragment bases with uncertainty] [Doctoral dissertation, Saint Petersburg]. [in Russian language].
3. Ryazanov, Yu. D. (2010). Discrete mathematics. BSTU im. V. G. Shukhova. [in Russian language].
4. Pearl, J. (1988). Probabilistic reasoning in intelligent systems: Networks of plausible inference. Morgan Kaufmann.
5. Solovyeva, T. V., & Rybakova, O. V. (2017). Fundamentals of probability theory and mathematical statistics. Volgogradskii Gosudarstvennyi Tekhnicheskii Universitet. [in Russian language].
6. Tulupyev, A. L., & Abramyan, A. K. (2007). Logical-probabilistic inference in a directed BSD-cycle. Trudy SPIIRAN, (4), 87–118. [in Russian language].
7. Yan, D., Gao, Z., & Liu, Z. (2023). A closer look at different difficulty levels code generation abilities of ChatGPT. In 2023 38th IEEE/ACM International Conference on Automated Software Engineering (ASE) (pp. 1887–1898). https://doi.org/10.1109/ASE56229.2023.00178
8. Amazon Web Services. (n.d.). Auto Scaling documentation. Retrieved July 26, 2025, from https://docs.aws.amazon.com/autoscaling/
9. Mao, H., Alizadeh, M., Menache, I., & Kandula, S. (2016). Resource management with deep reinforcement learning. In Proceedings of the 15th ACM Workshop on Hot Topics in Networks (pp. 50–56). https://doi.org/10.1145/3005745.3005750
10. Freelance.ru. (n.d.). Freelance resource [in Russian language]. Retrieved September 2, 2025, from https://freelance.ru/
11. Ivchenko, G. I., & Medvedev, Yu. I. (2010). Introduction to mathematical statistics. Izdatel'stvo LKI. [in Russian language].

+ - Заказать электронную версию статьи (Purchase digital version of a single article) Click to collapse

Рус

Статью можно приобрести в электронном виде (PDF формат).

DOI: 10.14489/vkit.2026.02.pp.046-051

Скопируйте DOI статьи и перейдите по ссылке https://id-spektr.ru/product/pokupka-elektronnoy-stati-iz-zhurnala-vestnik-kompyuternyh-i-informatsionnyh-tehnologiy

В комментарии к заказу обязательно укажите DOI статьи.

Eng

This article is available in electronic format (PDF).

DOI: 10.14489/vkit.2026.02.pp.046-051

Copy the article DOI and follow the link https://id-spektr.ru/product/pokupka-elektronnoy-stati-iz-zhurnala-vestnik-kompyuternyh-i-informatsionnyh-tehnologiy

Please specify the article DOI in the order comments.