Разработка математического и программного обеспечения автоматизированной системы генерации сценариев тестирования высоконагруженных информационных систем

Написать диплом по теме «Разработка математического и программного обеспечения автоматизированной системы генерации сценариев тестирования высоконагруженных информационных систем»

Диплом (ВКР) по теме «Разработка математического и программного обеспечения автоматизированной системы генерации сценариев тестирования высоконагруженных информационных систем» требует глубокой проработки алгоритмов генерации, анализа нагрузки и интеграции с CI/CD. В статье — структура, примеры кода, чек-листы и разбор ошибок, которые чаще всего замечают научные руководители в работах студентов ВШЭ.

Нужен разбор вашей темы Разработка математического и программного обеспечения автоматизированной системы генерации сценариев тестирования высоконагруженных информационных систем? Получите бесплатную консультацию: @Diplomit | +7 (987) 915-99-32 (WhatsApp)

Актуальность темы

Системы с высокой нагрузкой — от банковских платформ до маркетплейсов — требуют регулярного тестирования на устойчивость. Ручная генерация сценариев тестирования занимает до 40 часов на один релиз (данные Gartner, 2025). Автоматизация этого процесса сокращает время подготовки тестов в 5–7 раз.

По практике студентов ВШЭ, особенно в проектах для ИТ-компаний, ручной подход приводит к пропуску edge-case сценариев. Например, при тестировании API платёжного шлюза 68% ошибок обнаруживаются только при комбинированной нагрузке (источник: CyberLeninka, 2024).

Цель и задачи

Цель исследования: разработка математической модели и программного обеспечения для автоматизированной генерации сценариев тестирования высоконагруженных информационных систем.

Задачи:

1. Проанализировать существующие методы генерации тестовых сценариев (включая fuzzing, model-based testing).
2. Разработать математическую модель генерации сценариев на основе графов состояний и марковских процессов.
3. Спроектировать архитектуру программного модуля с интеграцией в Jenkins и GitLab CI.
<4>Реализовать прототип на Python с использованием библиотек networkx и locust.
4. Провести сравнительное тестирование с ручным подходом на примере API e-commerce платформы.
5. Оценить экономический эффект от сокращения времени тестирования.

Задачи соответствуют структуре, рекомендованной методичкой ВШЭ по направлению 09.03.02: анализ → проектирование → реализация → оценка.

Объект и предмет исследования

Объект: процесс тестирования высоконагруженной информационной системы в компании-заказчике (например, сервис доставки еды).

Предмет: математические методы и программные средства генерации сценариев нагрузочного тестирования.

Важно: не путать с "информационной системой" как объектом. Здесь объект — процесс тестирования, а не сама ИС.

Ожидаемые результаты и практическая значимость

Результаты, которые стоит указать:

• Снижение времени генерации сценариев с 35 до 6 часов.
• Повышение покрытия edge-case сценариев на 42%.
• Интеграция с существующим CI/CD-стеком (Jenkins, GitLab CI).

Практическая значимость: решение может быть внедрено в отделы QA IT-компаний, особенно в стартапах, где ресурсы на тестирование ограничены.

Рекомендуемая структура дипломной работы

Пример введения для ВШЭ

С ростом числа пользователей и транзакций в цифровых платформах обеспечение стабильности ИС становится критически важным. Сбои при пиковой нагрузке могут привести к потерям до 1,2 млн руб./час (по данным IBM, 2024). В текущей практике компании «FoodExpress» сценарии тестирования формируются вручную, что занимает 30–40 часов на релиз и не гарантирует полного покрытия. Целью данной работы является разработка математической модели и программного обеспечения для автоматизированной генерации сценариев тестирования. Задачи включают анализ существующих подходов, проектирование архитектуры, реализацию прототипа и оценку экономического эффекта.

Как написать заключение по Прикладная информатика

В ходе работы была разработана математическая модель генерации сценариев на основе графов состояний и марковских процессов. Реализован прототип на Python с интеграцией в GitLab CI. Тестирование на API сервиса доставки показало сокращение времени подготовки сценариев с 35 до 6 часов и увеличение покрытия edge-case сценариев на 42%. Экономический эффект составил 280 тыс. руб. в год. Рекомендуется внедрение разработанного решения в QA-процессы IT-компаний с высоконагруженными системами.

Требования к списку литературы ВШЭ

Список литературы должен соответствовать ГОСТ Р 7.0.100-2018. Включите не менее 20 источников, из них:

• не менее 10% — за последние 2 года;
• обязательно: нормативные документы (ГОСТ, ISO), научные статьи, официальная документация.

Примеры проверенных источников:

• ISO/IEC 25010:2011 — Системы и программное обеспечение. Характеристики качества
• Алгоритмы генерации тестовых сценариев для нагрузочного тестирования (CyberLeninka, 2024)
• Официальная документация Locust

Вопросы, которые часто задают студенты

Можно ли использовать готовые решения в ВКР?

Да, но с адаптацией. Например, можно взять за основу open-source инструмент вроде JMeter или Locust, но доработать его под генерацию сценариев. Главное — показать вклад: новые алгоритмы, интеграция, улучшения. В методичке ВШЭ это называется «модификация существующего ПО».

Сколько страниц должна быть практическая часть?

Рекомендуемый объем — 30–40 страниц. Включите: схему архитектуры, ER-модель (если есть БД), блок-схемы алгоритмов, фрагменты кода, результаты тестирования. В приложении — полный листинг (около 400 операторов).

Можно ли использовать open-source решения?

Абсолютно можно. Например, использовать networkx для построения графов сценариев или pytest для автоматизации. Укажите ссылку на репозиторий в списке литературы. Важно: покажите, как вы адаптировали инструмент под свою задачу.

Проверьте свою тему ВКР

• □ Есть ли реальная организация для анализа?
• □ Есть ли измеримый эффект внедрения?
• □ Можно ли построить диаграммы процессов?
• □ Есть ли реальные данные для экономических расчетов?