ارائه یک چارچوب خودترمیمی نرم‌افزار مبتنی بر یادگیری تقویتی و تحلیل داده‌های خطا

افزایش پیچیدگی سامانه‌های نرم‌افزاری در بستر تحول دیجیتال، احتمال بروز خطاهای اجرایی و کاهش پایداری خدمات را به‌طور قابل توجهی افزایش داده است. روش‌های متداول مدیریت خطا عمدتاً مبتنی بر قواعد ایستا یا مداخله انسانی هستند و در مواجهه با شرایط پویا و خطاهای پیش‌بینی‌نشده، کارایی لازم را ندارند. در این مقاله، یک چارچوب خودترمیمی نرم‌افزار مبتنی بر یادگیری تقویتی و تحلیل داده‌های خطا ارائه می‌شود که قادر است با پایش مداوم وضعیت سامانه، الگوهای خطا را استخراج کرده و اقدام اصلاحی مناسب را به‌صورت خودکار انتخاب و اعمال نماید. چارچوب پیشنهادی شامل لایه جمع‌آوری داده‌های خطا، ماژول تحلیل و استخراج ویژگی، موتور تصمیم‌گیری مبتنی بر یادگیری تقویتی و بخش اجرای خودترمیمی است. عامل یادگیرنده با ارزیابی پیامد اقدامات اصلاحی و دریافت بازخورد از وضعیت سامانه، راهبردی تطبیقی برای کاهش زمان بازیابی و افزایش پایداری سیستم ایجاد می‌کند. ارزیابی چارچوب در محیط شبیه‌سازی‌شده نشان می‌دهد که استفاده از رویکرد پیشنهادی می‌تواند منجر به بهبود کارایی فرآیند بازیابی خطا و کاهش وابستگی به مداخله انسانی شود. نتایج این پژوهش بیانگر قابلیت چارچوب ارائه‌شده در توسعه سامانه‌های نرم‌افزاری خودمدیریتی و هوشمند در مسیر تحول دیجیتال است.

a self-healing software framework based on reinforcement learning and fault data analysis

the increasing complexity of software systems within the context of digital transformation has significantly raised the likelihood of runtime failures and service instability. conventional error management approaches are primarily based on static rules or human intervention and often lack sufficient efficiency when facing dynamic environments and unforeseen failures. this paper presents a self-healing software framework based on reinforcement learning and error data analysis. the proposed framework continuously monitors system conditions, extracts failure patterns, and autonomously selects and applies appropriate corrective actions. the architecture consists of an error data collection layer, a feature extraction and analysis module, a reinforcement learning-based decision engine, and a self-healing execution component. the learning agent evaluates the outcomes of corrective actions and receives feedback from the system state to develop an adaptive strategy aimed at reducing recovery time and enhancing system stability. evaluation in a simulated environment demonstrates that the proposed approach improves fault recovery performance and reduces dependency on human intervention. the findings highlight the potential of the proposed framework in advancing self-managing and intelligent software systems in the era of digital transformation.