С.С. Крылов1, А.О. Жуков2, А.Д. Шаблий3, В.А. Судаков4

1, 3-4 Московский авиационный институт (национальный исследовательский университет) (Москва, Россия)

2 ФГБНУ «Аналитический центр» (Москва, Россия)

1 compgra@yandex.ru, 2 aozhukov@mail.ru, 3 alexey.shabliy@gmail.com, 4 sudakov@ws-dss.com

Постановка проблемы. Современные решения, предназначенные для интеграции в плагинную систему, часто содержат избыточный функционал, который не востребован заказчиком. Отсутствие механизма объективной оценки декомпозиции функционала по плагинам и, как следствие, нео птимальное ее выполнение приводя т к включению в поставку невостребованных за казчиком функциональных возможностей, что влечет необходимость обеспечения сопровождения бесполезного функционала. Это повышает стоимость программного продукта и уменьшаетего конкурентоспособность.

Цель. Обосновать возможность уменьшения объема бесполезного для заказчика функционала в поставке программного обеспечения за счет оптимизации распределения функционала между плагинами по объективному критерию.

Результаты. Выделены значимые компоненты предметной области. Разработан метод определения состава плагинов и реализованных требований. П остроена аналитическая формула оценки эффективности выполненного распределения функционала между плагинами. С использованием результаты анализа реального проекта с открытым исходным кодом проведена серия вычислительных экспериментов по поиску оптимальной декомпозиции функционала проекта по различным объемам плагинов. Проведены эксперименты, подтвердившие возможность уменьшения объема поставляемого заказчику функционала за счет оптимизацииего распределения по плагинам.

Практическая значимость. Предлагаемое решение позволяет уменьшить объем поставляемого заказчику программного обеспечения, что потенциально снижает стоимость поставки и сопровождения, как следствие, повышаетего конкурентоспособность.

Крылов С.С., Жуков А.О., Шаблий А.Д., Судаков В.А. Декомпозиция программного обеспечения в плагинных системах // Динамика сложных систем. 2026. Т. 20. № 2. С. 24−37. DOI: 10.18127/j19997493-202602-03

1. Abgaz Y., McCarren A., Elger P., Solan D., Lapuz N., Bivol M., Jackson G., Yilmaz M., Buckley J., Clarke P. Decomposition of Monolith Applications Into Microservices Architectures: A Systematic Review. IEEE transaction s on software engineering. 2023. V. 49. № 8. P. 4213–4242. DOI: 10.1109/TSE.2023.3287297.
2. Rudrabhatla C. Impacts of Decomposition Techniques on Performance and Latency of Microservices. International Journal of Advanced Computer Science and Applications. 2020. V. 11. № 8. P. 19–24. DOI: 10.14569/IJACSA.2020.0110803.
3. Velepucha V., Flores P. A Survey on Microservices Architecture: Principles, Patterns and Migration Challenges. IEEE Access. 2023. V. 11. P. 88339–88358. DOI: 10.1109/ACCESS.2023.3305687.
4. Al-Debagy O., Martinek P. A Microservice Decomposition Method Through Using Distributed Representation of Source Code. Scalable Computing: Practice and Experience. 2021. V. 22. № 1. P. 39–52. DOI: 10.12694/scpe.v22i1.1836.
5. Hafiz Hasan M., Hafeez Osman M., Indriat y Admodisastro N., Sufri Muhammad M. From Monolith to Microservice: Measuring Architecture Maintainability. International Journal of Advanced Computer Science and Applications. 2023. V. 14. № 5. P. 857–866. DOI: 10.14569/IJACSA.2023.0140591.
6. Blinowski G., Ojdowska A., Przybylek A. Monolithic vs. Microservice Architecture: A Performance and Scalability Evaluation. IEEE Access. 2022. V. 10. P. 20357–20374. DOI: 10.1109/ACCESS.2022.3152803.
7. Faustino D., Gonçalves N., Portela M., Rito Silva A. Stepwise migration of amonolith to amicroservice architecture: Performance and migration effort evaluation. Performance Evaluation. 2024. V. 164. DOI: 10.1016/j.peva.2024.102411.
8. Lin J., Sayagh M., Hassan A.E. The Co-evolution of theWordPress Platform and Its Plugins. AC M Transactions on Software Engineering and Methodology. 2023. V. 32. №
9. Article 19. P. 1–24. DOI: 10.1145/3533700.
10. Lima I., Cândido J., d'Amorim M. Practical detection of CMS pluginconflicts in largeplugin sets. Information and Software Technology. 2020. V. 1 1
11. Article 106212. P. 1–13. DOI: 10.1016/j.infsof.2019.106212. 1
12. Viet Nguyen H., Kästner C., Nguyen T.N. Exploring variability-awareexecution for testingplugin-based web applications. ICSE 2014: Proceedings of the 36th International Conference on Software Engineering. 2014. P. 907–918. DOI: 10.1145/2568225.2568300. 1
13. Wintersgill N., Stalnaker T., Heymann L.A., Chaparro O., Poshyanyk D. The Law Doesn’tWork Like a Computer: Exploring Software Licensing Issues Faced by Legal Practitioners. Proceedings of the ACM on Software Engineering. 2024. V.
14. Article 40. P. 882–905. DOI: 10.1145/3643766. 1
15. Xu W., He H., Gao K., Zhou M. Understanding and Remediating Open-Source License Incompatibilities in the PyPI Ecosystem. 2023 38th IEEE/ACM International Conference on Automated Software Engineering. 2023. P. 178–190. DOI: 10.1109/ASE56229.2023.00175. 1
16. Neubauer F., Bredl P., Xu M., Patel K. Design, Implementation, and Evaluation of a Meta Configuration Tool Using a Schema-toUI Approach. Datenbank-Spektrum. 2024. P. 1–9. DOI: 10.1007/s13222-024-00472-7. 1
17. Neubauer F., Pleiss J., Uekermann B. Data Model Creation with MetaConfigurator. Datenbanksysteme für Business, Technologie und Web (BTW 2025). Gesellschaft für Informatik. Student Track. 2025. P. 933–944. DOI: 10.18420/BTW2025- 6
18. Декомпозиция программного обеспечения в плагинных системах Динамика сложных систем, т. 20, № 2, 2026 г., c. 24−37 35 1
19. Neubauer F. Data modelcreation with MetaConfigurator. Institute for Visualization and Interactive Systems. University of Stuttgart Universitätsstraße 38 D–70569 Stuttgart. P. 1–83. DOI: 10.18419/opus-15126. 1
20. Neubauer F., Uekermann B., Pleiss J. Data Model Creation with MetaConfigurator. Zenodo. 2025. DOI: 10.5281/zenodo.14981537. 1
21. Ladosz P., Weng L., Kim M., Oh H. Exploration in deep reinforcement learning: A survey. Information Fusion. 2022. V. 85. P. 1–22. DOI: 10.1016/j.inffus.2022.03.003. 1
22. Abel D., Barreto A., Van Roy B., Precup D., Van Hasselt H. A definition of continual reinforcement learning. 2023. DOI: 10.48550/arXiv.2307.11046. 1
23. Song Y., Wei L., Yang Q., Wu J., Xing L., Chen Y. RL-GA: A Reinforcement Learning-based Genetic Algorithm for Electromagnetic Detection Satellite Scheduling Problem. Swarm and Evolutionary Computation. 2023. V. 7
24. Article 101236, P. 1 –29. DOI: 10.1016/j.swevo.2023.101236. 2
25. Huang S., Kanervisto A., Raffin A., Wang W., Ontañón S., Fernand Julien Dossa R. A 2Cisas pecialcase of PPO. 2022. DOI: 10.48550/arXiv.2205.09123.