ИНТЕГРИРОВАНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ФУНКЦИОНАЛЬНОЕ ТЕСТИРОВАНИЕ КРИТИЧЕСКОЙ ИНФОРМАЦИОННОЙ ИНФРАСТРУКТУРЫ ЖЕЛЕЗНОДОРОЖНОГО ТРАНСПОРТА
Аннотация и ключевые слова
Аннотация (русский):
Рассмотрены основные направления использования искусственного интеллекта в функциональном тестировании критической информационной инфраструктуры системы бронирования и продажи билетов на железнодорожном транспорте с целью повышения эффективности, надежности и скорости тестирования, а также сокращения затрат и рисков, связанных с потенциальными сбоями и отказами системы. Метод исследования: анализ возможностей методов искусственного интеллекта для совершенствования технологий функционального тестирования. Результаты исследования: предложено использовать методы искусственного интеллекта при построении оптимальных тестов, выборе стратегий тестирования, а также при прогнозировании сбоев и отказов автоматизированной системы управления бронированием и продажей билетов. Практическая значимость заключается в возможности повышения эффективности функционального тестирования систем критической информационной инфраструктуры железнодорожного транспорта.

Ключевые слова:
функциональное тестирование, искусственный интеллект, железнодорожный транспорт, критические информационные инфраструктуры, цифровые технологии
Список литературы

1. Попов П. А. Применение технологий искусственного интеллекта для железнодорожного транспорта // Вестник института проблем естественных монополий: Техника железных дорог. 2024. № 1 (65). С. 38–41. EDN: https://elibrary.ru/ZYYQSL

2. Якимова С. АСУ «Экспресс-3»: как управлять пассажирским комплексом // РЖД Цифровой. 2024. 18 июля. URL: http://rzddigital.ru/projects/asu-eksperess-3-kak-upravlyat-passazhirskim-kompleksom/ (дата обращения: 29.01.2025).

3. Перечень типовых отраслевых объектов критической информационной инфраструктуры, функционирующих в сфере транспорта. Опубликовано 16.08.2024. 22 с. URL: http://www.mintrans.gov.ru/documents/8/13678 (дата обращения: 29.01.2025).

4. О развитии искусственного интеллекта в Российской Федерации: Указ Президента Российской Федерации от 10 октября 2019 г. № 490: ред. от 15 февраля 2024 г. № 124.

5. IEEE/ISO/IEC 24765:2017. ISO/IEC/IEEE International Standard — Systems and Software Engineering — Vocabulary. Published 28 August 2017. New York (NY): The Institute of Electrical and Electronics Engineers, 2017. 541 p. DOI:https://doi.org/10.1109/IEEESTD.2017.8016712.

6. A Literature Review of Artificial Intelligence Applications in Railway Systems / R. Tang, L. De Donato, N. Bes̆inović, et al. // Transportation Research Part C: Emerging Technologies. 2022. Vol. 140, Art. No. 103679. 25 p. DOI:https://doi.org/10.1016/j.trc.2022.103679. EDN: https://elibrary.ru/LDMWUH

7. Deep Learning for Trajectory Data Management and Mining: A Survey and Beyond / W. Chen, Y. Liang, Y. Zhu, et al. // arXiv. 2024. Vol. 2403.14151. 25 p. DOI:https://doi.org/10.48550/arXiv.2403.14151.

8. Feroz Khan A. B., Perl I. Integrating Machine Learning and Deep Learning in Smart Cities for Enhanced Traffic Congestion Management: An Empirical Review // Journal of Urban Development and Management. 2023. Vol. 2, Iss. 4. Pp. 211–221. DOI:https://doi.org/10.56578/judm020404. EDN: https://elibrary.ru/LYTUVQ

9. A Systematic Survey on Big Data and Artificial Intelligence Algorithms for Intelligent Transportation System / S. Abirami, M. Pethuraj, M. Uthayakumar, P. Chitra // Case Studies on Transport Policy. 2024. Vol. 17, Art. No. 101247. 18 p. DOI:https://doi.org/10.1016/j.cstp.2024.101247. EDN: https://elibrary.ru/MDNILB

10. Boukerche A., Tao Y., Sun P. Artificial Intelligence-Based Vehicular Traffic Flow Prediction Methods for Supporting Intelligent Transportation Systems // Computer Networks. 2020. Vol. 182, Art. No. 107484. 21 p. DOI: 10.1016/ j.comnet.2020.107484. DOI: https://doi.org/10.1016/j.comnet.2020.107484; EDN: https://elibrary.ru/NVGXXZ

Войти или Создать
* Забыли пароль?