Н.А. Скворцов1

1 ФИЦ ИУ РАН (Москва, Россия)
1 nskv@mail.ru

Постановка проблемы. Решение исследовательских задач в областях с интенсивным использованием данных часто требует работы с множеством неоднородных источников. Оценка релевантности ресурсов, их последующее согласование и реализация над ними решения задачи выполняются исследователями часто вручную, иногда на основе слабоструктурированных метаданных, не отражающих детальной семантики и структуры данных. Исследовательские инфраструктуры, в основном, не обеспечивают формально обоснованного перехода от постановок задач к их реализации с верифицируемым семантическим соответствием применяемых данных и методов.

Цель. Разработать и исследовать методы формирования и реализации моделей требований в рамках жизненного цикла решения задач над данными, обеспечивающих построение формальных спецификаций требований на основе постановок задач с учётом онтологий предметных областей, а также обоснованное повторное использование релевантных источников данных и реализаций методов для построения исполняемых потоков работ.

Результаты. Предложен метод формирования моделей требований, включающий в себя декомпозицию постановки задачи в дерево конкретизации требований с использованием генеративных моделей и знаний предметных областей, формальное описание требований и информационных объектов с последующей классификацией в предметной области посредством логического вывода. Разработан метод реализации моделей требований, включающий в себя семантический поиск источников данных и реализаций методов, их интеграцию, построение потока работ на основе дерева требований и формальную верификацию корректности композиции. Отмечено, что разработанные методы обеспечивают семантическое управление исследовательскими задачами от их формулировки до регистрации результатов в исследовательской инфраструктуре.

Практическая значимость. Применение разработанных методов позволяет сократить усилия по интеграции данных и разработке реализаций решения задач с повторным использованием ресурсов, повысить достоверность исследований благодаря формальной верификации семантического соответствия на всех этапах их решения, автоматизировать разработку моделей требований и их реализацию с учётом знаний предметных областей.

Скворцов Н.А. Формирование и реализация моделей требований в рамках жизненного цикла решения задач над данными // Системы высокой доступности. 2026. Т. 22. № 3. С. 19−29. DOI: https://doi.org/10.18127/j20729472-202603-02

1. Wilkinson M. et al. The FAIR Guiding Principles for scientific data management and stewardship // Scientific Data. 2016. V. 3. 160018. DOI: 10.1038/sdata.2016.18
2. Skvortsov N. The Principles of Data Reuse in Research Infrastructures, Proc. Int. Conf. Common Digital Space of Scientific Knowledge: Problems and Solutions (CDSSK 2020). Aachen: CEUR WS. 2021. V. 2990. P. 62–74. URL: https://ceur-ws.org/Vol-2990/rpaper6.pdf
3. Skvortsov N., Stupnikov S. Managing data-intensive research problem-solving lifecycle. DAMDID/RCDL 2020. Springer. 2021. P. 3–18. DOI: 10.1007/978-3-030-81200-3_1
4. Skvortsov N.A. Enabling Semantic Search of Resources within the Problem-Solving Life Cycle. Pattern Recognition and Image Analysis. 2026. V. 36. № 2. P. 586–596. DOI: 10.1134/S1054661826700392
5. Skvortsov N.A., Stupnikov S.A. Formalizing Requirement Specifications for Problem Solving in a Research Domain. In: New Trends in Databases and Information Systems, ADBIS 2019. CCIS. 2019. V. 1064. Springer, Cham, 2019. P. 266–279. DOI: 10.1007/978-3-030-30278-8_29
6. Skvortsov N.A. et al. Conceptual approach to astronomical problems. Astrophys. Bull. 2016. 71, 114–124. DOI: 10.1134/S1990341316010120
7. Zhao Z., Zhou Z. A systematic literature review on model-based requirements engineering. Journal of Systems and Software. 237: 112836, Elsevier 2026. DOI: 10.1016/j.jss.2026.112836
8. Horkoff, J. et al. Goal-oriented requirements engineering: an extended systematic mapping study. Requirements engineering. 2019. 24(2). P. 133–160. DOI: 10.1007/s00766-017-0280-z
9. AlHajHassan S. et al. A Comparative Analysis of Goal-Oriented Requirements Engineering and Model-Based Systems Engineering Frameworks for Managing Requirements of Systems of Systems. In: 2024 25th International Arab Conference on Information Technology (ACIT). IEEE. 2024. P. 1–12. DOI: 10.1109/ACIT62805.2024.10877034
10. Jiang L., Topaloglou T., Borgida A., Mylopoulos J. Goal-oriented conceptual database design. In: Conference on Requirements Engineering (RE 2007), 2007. DOI: 10.1109/RE.2007.32
11. Cheng H. et al. Generative AI for Requirements Engineering: A Systematic Literature Review. Software: Practice and Experience, 2026. V. 56. № 2. Р. 141–170. DOI: 10.1002/spe.70029
12. Baader F. et al. Introduction to description logic. Cambridge University Press. 2017. DOI: 10.1017/9781139025355
13. Skvortsov N.A. Data Quality Management in Problem-Solving Using Research Infrastructures over Heterogeneous Data Sources. Automation and Remote Control. 2025. V. 86. № 4. P. 343–357. DOI: 10.31857/S0005117925040055
14. Skvortsov N.A. Conceptual model reuse for problem solving in subject domains. In International Workshop on Modelling to Program. CCIS. 2021. V. 1401. P. 191–211. DOI: 10.1007/978-3-030-72696-6_10
15. Mason B. et al. The Washington Double Star Catalog. The Astronomical Journal. 2001. V. 122. Iss 6. DOI: 10.1086/323920
16. Kovaleva D., Kaygorodov P., Malkov O., Debray B., & Oblak E. Binary star DataBase BDB development: Structure, algorithms, and VO standards implementation. Astronomy and Computing, 2015. 11. 119–125. DOI: 10.1016/j.ascom.2015.02.007