Керована онтологією хмарна платформа для інтелектуального моніторингу з аналітикою, орієнтованою на інформаційну панель, та інтеграцією знань предметної області
DOI:
https://doi.org/10.31861/sisiot2026.1.01010Ключові слова:
інтелектуальний моніторинг, аналітична панель інструментів, інтеграція знань предметної області, федеративний моніторинг, самоадаптивний моніторингАнотація
У цій статті представлено хмарну платформу на основі онтологій для інтелектуального моніторингу, яка об’єднує представлення знань предметної області, хмарний телеметричний збір, багатометодульну аналітику та підтримку рішень на основі інформаційних панелей в єдиному адаптивному середовищі. На відміну від традиційних рішень для моніторингу, які в основному агрегують метрики, журнали та сповіщення, запропонована платформа розглядає контрольовану інформаційну систему як динамічний, залежний від предметної області об'єкт, стан якого необхідно спостерігати, діагностувати, прогнозувати та семантично інтерпретувати з урахуванням контексту, архітектури та операційних обмежень. Платформа інтегрує онтології предметної області, телеметричні конвеєри, аналітичні та моделюючі служби, ієрархічні вузли моніторингу та інтерактивний шар інформаційної панелі, що підтримує описову, діагностичну, прогнозну, прескриптивну, порівняльну та контекстно-адаптивну аналітику. Дослідження мотивоване переходом від фрагментованого моніторингу, орієнтованого на метрики, до моніторингу на основі знань, здатного поєднувати гетерогенні джерела даних, семантику предметної області та адаптивну підтримку рішень. Архітектура організована як багаторівнева хмарна платформа, що включає збір даних, інтеграцію та потокову передачу, зберігання, управління онтологіями та знаннями, аналітичні служби, ієрархічний федеративний моніторинг, самоадаптацію та взаємодію з інформаційними панелями. Центральною особливістю платформи є інтеграція знань предметної області в цикл моніторингу за допомогою онтологічних зіставлень, семантичного збагачення телеметрії, інтерпретації подій на основі правил та віджетів панелі інструментів, що ґрунтуються на концепціях предметної області. Це дозволяє платформі не лише виявляти аномалії та моделі деградації, але й пояснювати їх мовою цільової області та адаптувати конфігурацію моніторингу до змін у стані контрольованої системи. У статті також окреслено тематичні варіанти використання, що показують, як одне й те саме ядро платформи може бути підключене до різних доменних областей за допомогою онтологічних ресурсів та специфічних для предметної області аналітичних шаблонів. Запропонований підхід забезпечує довідкову основу для семантично інтегрованих платформ моніторингу.
Завантажити
Посилання
M. Laiq, N. B. Ali, J. Börstler, and E. Engström, “Software analytics for software engineering: A tertiary review,” arXiv, no. 2410.05796, 2024, doi: 10.48550/arXiv.2410.05796.
J. Caldeira, F. Brito e Abreu, J. Cardoso, R. Simões, T. Oliveira, and J. Reis, “Software development analytics in practice: A systematic literature review,” Archives of Computational Methods in Engineering, vol. 30, pp. 2041–2080, 2023, doi: 10.1007/s11831-022-09864-y.
M. Y. Lyashkevych, V. Y. Lyashkevych, and R. Y. Shuvar, “Definition and formalization of the software functional state concept throughout the development life cycle,” Electronics and Information Technologies, no. 32, pp. 151–170, 2025, doi: 10.30970/eli.32.11.
J. Kosińska and K. Zieliński, “Autonomic management framework for cloud-native applications,” Journal of Grid Computing, vol. 18, pp. 779–796, 2020, doi: 10.1007/s10723-020-09532-0.
J. Lin, Z. Xie, Y. Guo, and J. Xu, “A multi-dimensional extensible cloud-native service stack for enterprises,” Journal of Cloud Computing, vol. 11, p. 71, 2022, doi: 10.1186/s13677-022-00366-7.
Z. A. Khan, D. Shin, D. Bianculli, et al., “Impact of log parsing on deep learning-based anomaly detection,” Empirical Software Engineering, vol. 29, p. 139, 2024, doi: 10.1007/s10664-024-10533-w.
G. Kånåhols, S. Hasan, and P. E. Strandberg, “Integrating time series anomaly detection into DevOps workflows,” IEEE Access, vol. 13, pp. 46459–46477, 2025, doi: 10.1109/ACCESS.2025.3550665.
I. Y. Rohatskyi and V. Y. Lyashkevych, “Semantic integration of models and contexts based on ontology and reinforcement learning in multi-agent distributed computer vision systems,” Information Technology: Computer Science, Software Engineering and Cyber Security, no. 4, pp. 232–241, 2025, doi: 10.32782/IT/2025-4-27.
M. I. Yakubovych and V. Y. Lyashkevych, “Context obtaining method in sustainable workplaces,” Informatics and Mathematical Methods in Simulation, vol. 16, no. 1, pp. 34–42, 2026, doi: 10.15276/imms.v16.no1.34.
V. Lyashkevych and R. Shuvar, “Exploratory data analysis possibility in the meaning space using large language models,” Electronics and Information Technologies, vol. 25, no. 9, pp. 102–116, 2024, doi: 10.30970/eli.25.9.
E. Aguado, et al., “A survey of ontology-enabled processes for dependable robot autonomy,” Computational Intelligence in Robotics, vol. 11, p. 1377897, 2024, doi: 10.3389/frobt.2024.1377897.
E. Atencio, et al., “Ontology-Based Integration of Enterprise Architecture and Project Management. Systems,” Systems, vol. 13, no. 6, p. 477, 2025, doi: 10.3390/systems13060477.
B. Di Martino, et al., “CloudOntoViz: A Browser for Knowledge-Based Representations of Cloud Patterns and Services,” IJSWIS, vol. 21, no. 1, pp. 1–24, 2025, doi: 10.4018/IJSWIS.392474.
S. Loshkovska and P. Panov, “Foundations for a generic ontology for visualization: A comprehensive survey,” Information, vol. 16, no. 10, p. 915, 2025, doi: 10.3390/info16100915.
L. Ben-Shimol, et al., “Observability and incident response in managed serverless environments using ontology-based log monitoring,” IEEE Transactions on Cloud Computing, vol. 13, no. 4, pp. 1161–1176, 2025, doi: 10.1109/TCC.2025.3598060.
S. Banerjee, C. E. Fullerton, S. S. Gaharwar, and E. J. Jaselskis, “Strategic web-based data dashboards as monitoring tools for promoting organizational innovation,” Buildings, vol. 15, no. 13, p. 2204, 2025, doi: 10.3390/buildings15132204.
O. Johnphill, et al., “Cross: A cloud-native approach to automated remediation and observability,” Journal of Cloud Computing, 2026, doi: 10.1186/s42400-026-00549-8.
L. Li, L. Zhu, and W. Li, “HiSatFL: A hierarchical federated learning framework for satellite networks with cross-domain privacy adaptation,” Electronics, vol. 14, no. 16, p. 3237, 2025, doi: 10.3390/electronics14163237.
A. Aljohani, O. F. Rana, and C. Perera, “Self-adaptive federated learning in Internet of Things systems: A review,” ACM Computing Surveys, vol. 57, no. 10, p. 252, 2025, doi: 10.1145/3725527.
S. S. Shahid, T. Salman, M. Baza, and M. A. Teixeira, “Hierarchical federated learning: Approaches, applications, and open challenges,” IEEE Access, vol. 13, pp. 190333–190353, 2025, doi: 10.1109/ACCESS.2025.3628455.
V. Gura, O. Ostrovska, and V. Lyashkevych, “Scenario modelling and impact estimation of a local pollutant on the environment,” Applied Computer Systems, vol. 30, no. 1, pp. 195–201, 2025, doi: 10.2478/acss-2025-0021.
S. N. Stoyanov and B. L. Belichev, “Building a regional platform for monitoring air quality,” Future Internet, vol. 18, no. 2, p. 78, 2026, doi: 10.3390/fi18020078.
M. Segura-Cedres, et al., “An ontology proposal for implementing digital twins in hospitality systems,” Sensors, vol. 25, no. 14, p. 4504, 2025, doi: 10.3390/s25144504.
M. Segura-Cedres, D. Manzano-Farray, C. L. Aguiar-Castillo, R. Perez-Jimenez, V. M. Icaza, E. Niarchou, and V. Guerra-Yanez, “An ontology-driven digital twin for hotel front desk: Real-time integration of wearables and OCC camera events via a property-defined REST API,” Electronics, vol. 15, no. 3, p. 567, 2026, doi: 10.3390/electronics15030567.
J. Schlenger, K. Pluta, A. Mathew, T. Yeung, R. Sacks, and A. Borrmann, “Reference architecture and ontology framework for digital twin construction,” Automation in Construction, vol. 174, p. 106111, 2025, doi: 10.1016/j.autcon.2025.106111.
S. V. Holub and D. V. Tolbatov, “Metod syntezu bahatosharovoi modeli monitorynhovoho prohramnoho ahenta,” Matematychni Mashyny i Systemy, no. 1, pp. 101–111, 2023, doi: 10.34121/1028-9763-2023-1-101-111.
S. V. Holub and D. V. Tolbatov, “Udoskonalennia metodu syntezu bahatosharovykh modelei monitorynhovoho prohramnoho ahenta,” Aktualni Problemy Avtomatyzatsii ta Informatsiinykh Tekhnolohii, no. 27, pp. 53–60, 2023, doi: 10.15421/432306.
S. V. Holub and V. V. Ostapiuk, “Mashynne navchannia bahatosharovykh modelei monitorynhovoho prohramnoho ahenta,” Matematychni Mashyny i Systemy, no. 2, pp. 76–95, 2025, doi: 10.34121/1028-9763-2025-2-76-95.
S. Kunytska and S. Holub, “Multi-agent monitoring information systems,” in Mathematical Modeling and Simulation of Systems (MODS 2019), vol. 1019, Advances in Intelligent Systems and Computing, pp. 164–171, 2020, doi: 10.1007/978-3-030-25741-5_17.
M. V. Talakh, S. V. Holub, P. O. Luchshev, and I. B. Turkin, “Intelligent monitoring of air temperature by the data of satellites and meteorological stations,” International Journal of Computing, vol. 21, no. 1, pp. 120–127, 2022, doi: 10.47839/ijc.21.1.2525.
Y. V. Rogushina, “The use of ontological knowledge for multi-criteria comparison of complex information objects,” Problems in Programming, no. 2, pp. 82–95, 2017, doi: 10.15407/pp2022.03-04.249.
O. V. Nesterenko, “Ontology-driven information systems in administrative management,” Mathematical Modeling in Economics, no. 2, no. 15, pp. 57–68, 2019.
Prometheus Authors, “Overview | Prometheus,” Prometheus Documentation. [Online]. Available: https://prometheus.io/docs/introduction/overview/.
Grafana Labs, “About Grafana,” Grafana Documentation. [Online]. Available: https://grafana.com/docs/grafana/latest/introduction/.
OpenTelemetry Authors, “Documentation | OpenTelemetry,” OpenTelemetry. [Online]. Available: https://opentelemetry.io/docs/.
Amazon Web Services, “What is Amazon CloudWatch?,” Amazon CloudWatch Documentation. [Online]. Available: https://docs.aws.amazon.com/AmazonCloudWatch/latest/monitoring/WhatIsCloudWatch.html.
Microsoft, “Azure Monitor overview,” Microsoft Learn. [Online]. Available: https://learn.microsoft.com/en-us/azure/azure-monitor/fundamentals/overview.
Elastic, “Elastic Observability solution overview,” Elastic Docs. [Online]. Available: https://www.elastic.co/docs/solutions/observability.
New Relic, “New Relic data types: metrics, events, logs, and traces (MELT),” New Relic Documentation. [Online]. Available: https://docs.newrelic.com/docs/data-apis/understand-data/new-relic-data-types/. Accessed: Jul. 3, 2026.
Dynatrace, “Root cause analysis,” Dynatrace Documentation. [Online]. Available: https://docs.dynatrace.com/docs/dynatrace-intelligence/root-cause-analysis.
V. Lyashkevych, “Adaptive synthesis of intelligent monitoring models for LLM-modified information systems: A genetic optimisation approach,” Applied Computer Systems, vol. 31, no. 1, pp. 116–126, 2026, doi: 10.2478/acss-2026-0010.
V. Lyashkevych, “Multi-drift predictive monitoring for evolving information systems,” Computer Systems and Information Technologies, no. 2, pp. 171–184, 2026, doi: 10.31891/csit-2026-2-15.
V. Lyashkevych, “Evolution-aware specification-driven synthesis of intelligent monitoring systems by large language models,” Informatics and Mathematical Methods in Simulation, vol. 16, no. 3, pp. 424–432, 2026, doi: 10.15276/imms.v16.no3.424.
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Безпека інфокомунікаційних систем та Інтернету речей
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
