Вдосконалення методу оцінювання ризиків ІТ-проєкту інформаційної системи «Розумний будинок»

Автор(и)

  • Максим Вікторович Євланов Харківський національний університет радіоелектроніки, Україна https://orcid.org/0000-0002-6703-5166
  • Наталія Володимирівна Васильцова Харківський національний університет радіоелектроніки, Україна https://orcid.org/0000-0002-4043-487X
  • Ірина Юріївна Панфьорова Харківський національний університет радіоелектроніки, Україна https://orcid.org/0000-0001-7032-9109
  • Євген Геннадійович Клюванський Харківський національний університет радіоелектроніки, Україна https://orcid.org/0009-0007-5670-3150

DOI:

https://doi.org/10.15587/1729-4061.2025.322051

Ключові слова:

розумний будинок, ІТ-проєкт, оцінювання ризиків, метод Монте-Карло, Support Vector Machine, байєсівська мережа

Анотація

Об’єкт дослідження – процес управління ризиками ІТ-проєкту.

Під час дослідження вирішувалася проблема підвищення точності оцінювання ризиків у ІТ-проєктах і, зокрема, у ІТ-проєктах розробки інформаційної системи (ІС) «Розумний будинок». Дослідження в цій галузі спрямовані, переважно, на застосуванні методів машинного навчання (ML) для вдосконалення результатів застосування традиційних методів оцінювання. Питання кількісного оцінювання ризиків для ІТ-проєктів розробки ІС «Розумний будинок» залишаються практично недослідженими.

Під час дослідження було запропоновано використовувати методи ML для попередньої обробки вихідних даних. З цією метою був розроблений комбінований метод оцінювання ризиків. В цьому методі для обробки вихідних даних були застосовані методи Support Vector Machine та байєсівських мереж. Результати їх застосування були використані як вихідні дані для симуляцій методом Монте-Карло.

Під час програмної реалізації розробленого методу було визначено її технологічний стек. Наведено фрагменти програмного коду, які описують реалізацію основних елементів комбінованого методу.

Розроблений метод та його програмну реалізацію було використано для оцінювання ризику затримки виконання ІТ-проєкту розробки ІС «Розумний будинок». Результати оцінювання визначають очікувану тривалість цього ІТ-проєкту у 234,5 дні з діапазоном відхилень 226–244 днів (при 95 % довірчому інтервалі). Результати порівняльного аналізу отриманих оцінок із оцінками цього ж ризику, отриманими із застосуванням традиційного методу Монте-Карло, свідчать, що розроблений метод забезпечує вищу надійність прогнозів.

Використання результатів дослідження дозволяє підвищити якість управління ІТ-проєктами за рахунок підвищення точності та надійності оцінок їхніх ризиків

Біографії авторів

Максим Вікторович Євланов, Харківський національний університет радіоелектроніки

Доктор технічних наук, професор

Кафедра інформаційних управляючих систем

Наталія Володимирівна Васильцова, Харківський національний університет радіоелектроніки

Кандидат технічних наук, доцент

Кафедра інформаційних управляючих систем

Ірина Юріївна Панфьорова, Харківський національний університет радіоелектроніки

Кандидат технічних наук, доцент

Кафедра інформаційних управляючих систем

Посилання

  1. Gaied, A. (2020). Smart Home for beginners: Designing and building a smart house. Books on Demand, 81.
  2. Evenson, A. (2024). How to Build you Own Smart Home: A simple guide for beginners to upgrade and automate any house system.
  3. The standard for risk management in portfolios, programs, and projects (2019). Project Management Institute, 175.
  4. Hamilton, S. (2017). How to Make Your Home a Smart Home. Createspace Independent Publishing Platform, 238.
  5. Morozova, O., Tetskyi, A., Nicheporuk, A., Kruvak, D., Tkachov, V. (2022). Smart home system security risk assessment. Computer Systems and Information Technologies, 3, 81–88. https://doi.org/10.31891/csit-2021-5-11
  6. Hopkin, P., Thompson, C. (2021). Fundamentals of Risk Management: Understanding, Evaluating and Implementing Effective Risk Management. Kogan Page, 480.
  7. Jacobsson, A., Boldt, M., Carlsson, B. (2016). A risk analysis of a smart home automation system. Future Generation Computer Systems, 56, 719–733. https://doi.org/10.1016/j.future.2015.09.003
  8. Tereshchenko, L. (2021). Risk management of information systems: stages of the risk management process. Economy and Society, 31. https://doi.org/10.32782/2524-0072/2021-31-12
  9. Kurdupov, O. L., Potapova, N. A. (2021). Vykorystannia metodu Monte-Karlo dlia analizu proektnykh ryzykiv. Materialy II Vseukrainskoi naukovo-praktychnoi konferentsiyi «Kompiuterni tekhnolohiyi obrobky danykh». Vinnytsia, 138–141. Available at: https://jktod.donnu.edu.ua/article/view/11711
  10. ISO/IEC/IEEE 15288:2023. Systems and software engineering. System life cycle processes. https://doi.org/10.1109/ieeestd.2023.10123367
  11. Rashid, C. H., Shafi, I., Ahmad, J., Thompson, E. B., Vergara, M. M., de la Torre Diez, I., Ashraf, I. (2023). Software Cost and Effort Estimation: Current Approaches and Future Trends. IEEE Access, 11, 99268–99288. https://doi.org/10.1109/access.2023.3312716
  12. Ramaekers, R., Silhavy, R., Silhavy, P. (2023). Software Cost Estimation Using Neural Networks. Software Engineering Research in System Science, 831–847. https://doi.org/10.1007/978-3-031-35311-6_77
  13. Kumar, B. N. R., Suresh, Y. (2022). Effective ANN Model based on Neuro-Evolution Mechanism for Realistic Software Estimates in the Early Phase of Software Development. International Journal of Advanced Computer Science and Applications, 13 (2). https://doi.org/10.14569/ijacsa.2022.0130223
  14. Nassar, A. H., Elbisy, A. M. (2024). A Machine Learning Approach to Predict Time Delays in Marine Construction Projects. Engineering, Technology & Applied Science Research, 14 (5), 16125–16134. https://doi.org/10.48084/etasr.8173
  15. Aljorany, H. O., Mahjoob, A. M. R. (2024). Establishing a Budget for Optimal Response Strategies for Risks Categorized into Distinct Groups by using a Mathematical Model and Genetic Algorithm. Engineering, Technology & Applied Science Research, 14 (3), 14747–14753. https://doi.org/10.48084/etasr.7526
  16. Khan, T., Faisal, Mohd. (2023). An efficient Bayesian network model (BNM) for software risk prediction in design phase development. International Journal of Information Technology, 15 (4), 2147–2160. https://doi.org/10.1007/s41870-023-01244-4
  17. Bilousiva, L., Gryzun, L., Zhytienova, N., Pikalova, V. (2023). Issues of Formalization of Risk Management Process in Software Design. Proceedings of the 4th International Workshop on Intelligent Information Technologies & Systems of Information Security. Khmelnytskyi, 48–57. Available at: https://ceur-ws.org/Vol-3373/keynote4.pdf
  18. Bekishev, Y., Pisarenko, Z., Arkadiev, V. (2023). FMEA Model in Risk Analysis for the Implementation of AGV/AMR Robotic Technologies into the Internal Supply System of Enterprises. Risks, 11 (10), 172. https://doi.org/10.3390/risks11100172
  19. Albany, M., Alsahafi, E., Alruwili, I., Elkhediri, S. (2022). A review: Secure Internet of thing System for Smart Houses. Procedia Computer Science, 201, 437–444. https://doi.org/10.1016/j.procs.2022.03.057
  20. Harkai, A. (2024). Managing cyber-security risks associated with IoT devices for conducting financial transactions within the smart home ecosystem. Procedia Computer Science, 242, 200–210. https://doi.org/10.1016/j.procs.2024.08.260
  21. Garlick, A. (2007). Monte Carlo. Estimating Risk, 213–232. https://doi.org/10.4324/9781315256122-25
  22. Paltrinieri, N., Comfort, L., Reniers, G. (2019). Learning about risk: Machine learning for risk assessment. Safety Science, 118, 475–486. https://doi.org/10.1016/j.ssci.2019.06.001
  23. Hovorushchenko, T., Aleksov, S., Talapchuk, S., Shpylyuk, O., Magdin, V. (2022). Overview of the methods and tools for situation identification and decision-making support in the cyberphysical system «smart house». Computer Systems and Information Technologies, 4, 20–26. https://doi.org/10.31891/csit-2022-4-3
  24. Abdallah, Z. S., Du, L., Webb, G. I. (2023). Data Preparation. Encyclopedia of Machine Learning and Data Science, 1–10. https://doi.org/10.1007/978-1-4899-7502-7_62-2
  25. Li, В., Lu, Р. (2024). Normalize Data component. Azure Machine Learning. Available at: https://learn.microsoft.com/uk-ua/azure/machine-learning/component-reference/normalize-data?view=azureml-api-2
  26. Jo, T. (2020). Data Encoding. Machine Learning Foundations, 47–68. https://doi.org/10.1007/978-3-030-65900-4_3
  27. Kelleher, J. D. (2019). Deep Learning. The MIT Press. https://doi.org/10.7551/mitpress/11171.001.0001
  28. Leshchuk, H. V. (2017). Simulation Analysis of Monte Carlo in the System of Investment Projects Risks Assessment. Ukrainian Journal of Applied Economics, 2 (1), 57–67. Available at: http://ujae.wunu.edu.ua/index.php/ujae/article/view/119
  29. Novkov, A. (2024). Monte Carlo Charts: How to Use Them in Practice? Available at: https://businessmap.io/blog/monte-carlo-chart-graph
  30. Yak vybraty pravylnyi tekhnolohichnyi stek dlia vashoho proektu. REDSTONE. Available at: https://redstone.agency/blog/yak-vybraty-pravylnyi-tekhnolohichnyi-stek-dlia-vashoho-proektu/
Вдосконалення методу оцінювання ризиків ІТ-проєкту інформаційної системи «Розумний будинок»

##submission.downloads##

Опубліковано

2025-02-21

Як цитувати

Євланов, М. В., Васильцова, Н. В., Панфьорова, І. Ю., & Клюванський, Є. Г. (2025). Вдосконалення методу оцінювання ризиків ІТ-проєкту інформаційної системи «Розумний будинок». Eastern-European Journal of Enterprise Technologies, 1(3 (133), 6–16. https://doi.org/10.15587/1729-4061.2025.322051

Номер

Том 1 № 3 (133) (2025): Процеси управління

Розділ

Процеси управління

Ліцензія

Авторське право (c) 2025 Maksym Ievlanov, Nataliia Vasyltsova, Iryna Panforova, Yevhen Kliuvanskyi

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.