РОЗРОБКА ТА ДОСЛІДЖЕННЯ УЗАГАЛЬНЕНОГО МЕТОДУ СИНТЕЗУ ТЕСТІВ ДЛЯ ДІАГНОСТИКИ ІНТЕЛЕКТУАЛЬНОГО ШЛЮЗУ ПЕРИФЕРІЙНОГО ШАРУ ВИСОКОЩІЛЬНОГО ІНТЕРНЕТУ РЕЧЕЙ

Authors

  • Volodymyr Panchenko

DOI:

https://doi.org/10.26906/SUNZ.2026.1.090

Keywords:

автоматизована система генерації тестових наборів, високощільний Інтернет речей, генетичні алгоритми, інтелектуальний шлюз, синтез тестів, тестова діагностика

Abstract

Актуальність. Сучасний розвиток високощільного Інтернету речей (HDIoT) характеризується експоненційним зростанням кількості підключених пристроїв та ускладненням архітектури граничних шлюзів. В умовах гетерогенності протоколів, динамічної зміни топології мережі та обмежених обчислювальних ресурсів традиційні методи діагностики, орієнтовані на статичні структурні моделі, втрачають ефективність. Це зумовлює необхідність розробки нових адаптивних методів синтезу тестів, здатних оперувати у просторах станів великої розмірності та забезпечувати надійність функціонування критичної інфраструктури HDIoT. Об’єкт дослідження: процеси діагностики та синтезу тестових наборів для компонентів інтелектуальних шлюзів високощільного Інтернету речей. Мета статті: розробка та експериментальне дослідження узагальненого методу синтезу тестів на основі еволюційно-генетичних алгоритмів для забезпечення максимального покриття несправностей при мінімізації часових витрат. Результати дослідження. Запропоновано метод синтезу тестів, що дозволяє динамічно змінювати стратегію пошуку залежно від поточної ефективності діагностичного процесу. Розроблено імітаційну модель та проведено експериментальне дослідження. Висновки. Розроблено узагальнений адаптивний метод синтезу тестів для діагностики інтелектуального шлюзу периферійного шару, що базується на дворівневій архітектурі «Планувальник–Диспетчер» та математичних моделях генетичних операторів з урахуванням структурної складності об’єкта. Експериментально підтверджено скорочення часу синтезу на 8-15% при забезпеченні покриття 95-98%. Сфера використання отриманих результатів: розробка систем автоматизованої діагностики та вбудованого самотестування для граничних вузлів та шлюзів у промислових та корпоративних мережах IoT.

Downloads

Download data is not yet available.

References

1. Jain, S., Sukul, P., Groppe, J., Warnke, B., Harde, P., Jangid, R., Rehan, W., Cotrado, Y., Fischer, S., & Groppe, S. (2025). A scientometric analysis of reviews on the Internet of Things. The Journal of Supercomputing, 81(6), 757. https://doi.org/10.1007/s11227-025-07230-w

2. Abdelwahed, S. H., Hefny, I. M., Hegazy, M., Said, L. A., & Soltan, A. (2025). Survey of IoT multi-protocol gateways: Architectures, protocols and cybersecurity. Internet of Things, 33, 101703. https://doi.org/10.1016/j.iot.2025.101703

3. Li, W., Wang, T., & Li, H. (2023). An Automatic Test Pattern Generation Method for Digital Circuits Based on K-Nearest Neighbor. Journal of Computer-Aided Design & Computer Graphics, 35(11), 1802-1810. https://doi.org/10.3724/SP.J.1089.2023.20030

4. Dhare, V., & Mehta, U. (2024). Test generation algorithm for QCA circuits targeting novel defects and its corresponding fault models. Microprocessors and Microsystems, 110, 105090. https://doi.org/10.1016/j.micpro.2024.105090

5. Cebeci, C., & Timur, O. (2025). Deterministic Parameter Control Methods for Genetic Algorithms: Benchmarking on Test Functions and Boost Converter Design Optimisation. Applied Sciences, 15(20), 11093. https://doi.org/10.3390/app152011093

6. Rajagopal, M., Sivasakthivel, R., Loganathan, K., & Sarris, L. E. (2023). An Automated Path-Focused Test Case Generation with Dynamic Parameterization Using Adaptive Genetic Algorithm (AGA) for Structural Program Testing. Information, 14(3), 166. https://doi.org/10.3390/info14030166

7. Lima, B., & Pinto, R. (2025). Current Challenges and Future Perspectives in Testing IoT Systems: A Comprehensive Review. IEEE Sensors Reviews, 3, 22–47. https://doi.org/10.1109/SR.2025.3628264

8. Minani, J. B., Sabir, F., Moha, N., & Guéhéneuc, Y.-G. (2024). A Systematic Review of IoT Systems Testing: Objectives, Approaches, Tools, and Challenges. IEEE Transactions on Software Engineering, 50(4), 785–815. https://doi.org/10.1109/TSE.2024.3363611

9. Bhatia, J., Italiya, K., Jadeja, K., Kumhar, M., Chauhan, U., Tanwar, S., Bhavsar, M., Sharma, R., Manea, D. L., Verdes, M., & Raboaca, M. S. (2022). An Overview of Fog Data Analytics for IoT Applications. Sensors, 23(1), 199. https://doi.org/10.3390/s23010199

10. Shehu Yalli, J., Hilmi Hasan, M., & Abubakar Badawi, A. (2024). Internet of Things (IoT): Origins, Embedded Technologies, Smart Applications, and Its Growth in the Last Decade. IEEE Access, 12, 91357–91382. https://doi.org/10.1109/ACCESS.2024.3418995

11. Garcés-Jiménez, A., Rodrigues, A., Gómez-Pulido, J. M., Raposo, D., Gómez-Pulido, J. A., Silva, J. S., & Boavida, F. (2024). Industrial Internet of Things embedded devices fault detection and classification. A case study. Internet of Things, 25, 101042. https://doi.org/10.1016/j.iot.2023.101042

12. Dzaferagic, M., Marchetti, N., & Macaluso, I. (2022). Fault Detection and Classification in Industrial IoT in Case of Missing Sensor Data. IEEE Internet of Things Journal, 9(11), 8892–8900. https://doi.org/10.1109/JIOT.2021.3116785

13. He, Y., Sun, H., Wang, Y., Zhang, X., & Mirjalili, S. (2023). Set algebra—Based algebraic evolutionary algorithm for binary optimization problems. Applied Soft Computing, 143, 110425. https://doi.org/10.1016/j.asoc.2023.110425

Downloads

Published

2026-02-13

Most read articles by the same author(s)