МОДЕРНИЗАЦИЯ УНАСЛЕДОВАННОГО АВИАЦИОННОГО ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ В ИНТЕЛЛЕКТУАЛЬНЫЕ ОБУЧАЮЩИЕ СИСТЕМЫ

MODERNIZATION OF LEGACY AVIATION SOFTWARE INTO INTELLIGENT TUTORING SYSTEMS

Nguyen The Son

Master of Science, Air Force Officers' College,

Khanh Hoa, Vietnam

Pham Trung Duc

Engineer, Air Force Officers' College,

Vietnam, Khanh Hoa

АННОТАЦИЯ

В статье представлена стратегия и программная реализация гибридного конвейера для модернизации унаследованного авиационного ПО (Adobe Flash) в современные интеллектуальные обучающие среды (ИОС). Предложенный конвейер на базе Python осуществляет глубокий рефакторинг данных, формируя унифицированную JSON-базу, и интегрирует сервисы нейросетевого синтеза речи (Neural TTS). Внедрение алгоритма глобального перехвата событий (GEIA) и веб-прокторинга (Flask) позволяет использовать систему как автономного ассистента. Экспериментально доказано: время обновления контента снижено на 98%, потребление вычислительных ресурсов оптимизировано на 70%, а уязвимости безопасности полностью устранены.

ABSTRACT

This paper presents an automated hybrid pipeline (Python/Flask) for modernizing legacy aviation simulators (Adobe Flash) into secure, cross-platform Intelligent Tutoring Systems (ITS). The pipeline refactors hard-coded data into a unified JSON architecture and integrates Neural TTS for multimodal interaction. By deploying the Global Event Interception Algorithm (GEIA), the system acts as an autonomous teaching assistant with visual proctoring capabilities. Results indicate a 98% reduction in content update time, a 70% optimization in resource consumption, and the complete elimination of critical security vulnerabilities.

Ключевые слова: модернизация унаследованного ПО, интеллектуальная обучающая система, автоматизированный рефакторинг, нейросетевой синтез речи, визуальный прокторинг, GEIA.

Keywords: Legacy Software Modernization, Intelligent Tutoring System, Automated Refactoring, Neural TTS, Visual Proctoring, GEIA.

ВВЕДЕНИЕ

Исследования, направленные на повышение эффективности автоматизированных обучающих систем в авиации, ведутся на протяжении десятилетий. Научный поиск традиционно фокусировался как на повышении точности физического моделирования полета [1], так и на совершенствовании методов авиационной подготовки [2]. Однако в настоящее время в индустрии сформировалась острая потребность в модернизации значительного массива «унаследованного программного обеспечения» (legacy software). Данная проблема обусловлена, прежде всего, прекращением поддержки технологии Adobe Flash/AIR, что сделало тысячи часов верифицированного учебного контента недоступными для эксплуатации в современных информационных системах [3, 4].

Последние достижения в области генеративного искусственного интеллекта и автоматизации разработки программного обеспечения (ПО) позволили исследователям применять подходы, управляемые данными (data-driven approach), для решения задач реверс-инжиниринга. Тем не менее, интеграция современных интерфейсов и протоколов безопасности в устаревшую монолитную архитектуру остается открытой инженерной задачей.

Целью настоящей работы является разработка и апробация системы автоматизированной модернизации имитационного ПО, обеспечивающей трансформацию статических симуляций в защищенные мультимодальные интеллектуальные обучающие системы (ИОС).

ПОСТАНОВКА ПРОБЛЕМЫ

В ходе анализа предметной области были выявлены следующие системные противоречия:

1. Технологическая несовместимость: Значительная часть процедурных тренажеров базируется на стеке технологий (ActionScript 2.0/3.0, Flash), которые более не поддерживаются современными операционными системами и браузерами, что создает критические уязвимости в периметре информационной безопасности учебных центров.

2. Жесткая связность данных: В унаследованных системах логика обучения и контент (текстовые сценарии, координаты объектов, аудиоматериалы) интегрированы непосредственно в исполняемый бинарный код (hard-coded). Это делает невозможным оперативное внесение изменений в методику обучения без привлечения разработчиков [3].

3. Отсутствие мультимодальности: Устаревшие интерфейсы полагаются преимущественно на визуальный канал восприятия (чтение текста), что, согласно когнитивным исследованиям, провоцирует эффект расщепления внимания (split-attention effect) и снижает эффективность усвоения материала [5].

4. Ограничения контроля: Автономные (desktop) версии тренажеров не обладают механизмами верификации личности обучаемого (Proctoring) и сбора детальной телеметрии, что препятствует их интеграции в дистанционные образовательные процессы.

Для разрешения указанных противоречий предлагается внедрение гибридного конвейера экстракции, обработки и обогащения данных с последующей генерацией веб-совместимых приложений.

МАТЕРИАЛЫ И МЕТОДЫ

Рассматриваемая задача была декомпозирована на следующие этапы: предварительная обработка и парсинг данных, нейросетевая генерация контента и реализация алгоритмического контроля взаимодействия.

Подход к формированию архитектуры системы

Разработанная архитектура базируется на гибридной модели и алгоритмах поддержки принятия решений [6], объединяющих офлайн-инструментарий автоматизации (реализованный на языке Python) и исполняемый клиент (runtime client). На Рисунке 2 визуализирована общая схема взаимодействия компонентов.

В рамках исследования были реализованы ключевые элементы конвейера модернизации:

1. Модуль экстракции (Python Automation Script): Обеспечивает автоматический синтаксический разбор исходных данных (Excel) и формирование пакетов цифровых активов.

2. Модуль синтеза (Neural TTS): Интегрирует современные библиотеки генерации речи для создания аудиосопровождения [7].

3. Модуль выполнения (Runtime): Представляет собой веб-клиент с интегрированным алгоритмом перехвата событий (GEIA) и модулем связи с сервером Flask.

Рисунок 1. Общая архитектура системы: гибридная модель взаимодействия

Структурный анализ и автоматизация контента

Для реализации конвейера была формализована модель данных, описывающая состояние тренажера. Процесс модернизации инициируется стандартизацией сценариев обучения. Алгоритм парсинга выполняет анализ данных и маршрутизирует потоки обработки: генерацию аудио (Path A) и формирование логической структуры (Path B), как показано на Рисунке 3.

Рисунок 2. Схема автоматизированного конвейера генерации контента

Алгоритм глобального перехвата событий (GEIA)

Для нивелирования недостатков метода «проб и ошибок» внедрен Алгоритм глобального перехвата событий (GEIA). Для строгого описания логики GEIA система представлена как детерминированный конечный автомат . Действие пользователя в момент времени $t$ формализуется вектором . Функция валидации  выступает в роли условия перехода состояний (1):

Рисунок 3. Блок-схема алгоритма глобального перехвата событий (GEIA)

Логическая схема алгоритма представлена на Рисунке 4. В случае ошибочного действия (Target  Correct ID), инициируется вызов функции stopImmediatePropagation(), блокирующей распространение события, и воспроизводится звуковое предупреждение. Интеграция с сервером Flask обеспечивает контроль академической честности [9].

Обсуждение

Результаты исследования демонстрируют высокую корреляцию с положениями теории мультимедийного обучения [5]. В отличие от полной переработки системы (re-building), предложенный метод глубокого рефакторинга позволил сохранить верифицированную логику тренажера.

Сравнительный анализ с альтернативными подходами, такими как видеозахват или эмуляция (например, Ruffle), показал преимущества разработанного решения. Использование современных интерактивных макетов [10] вместо устаревших Flash-симуляций обеспечивает оптимальный баланс между сохранением интерактивности, стабильностью работы и возможностями модернизации.

Заключение

В рамках исследования разработана и внедрена система модернизации унаследованного имитационного ПО, решающая проблему технологического устаревания цифровых активов авиационных учебных центров. Система позволяет осуществлять удаленный анализ и модификацию модулей обработки данных без привлечения узкопрофильных специалистов.

Проведенный эксперимент подтвердил точность работы алгоритмов классификации событий и синтеза речи. Дальнейшее развитие системы предполагает ее масштабирование и интеграцию алгоритмов адаптивного обучения на основе анализа телеметрических данных.

Список литературы:

1. Красовский А.А. Основы теории авиационных тренажеров. М.: Машиностроение; 1980. 304 с.
2. Дегтярев В.С., Машошин О.Ф., Дегтярева А.В. Тренировка летного состава гражданской авиации по выводу из сложных пространственных положений. Научный Вестник МГТУ ГА. 2021;24(1):8–15.
3. Khadka R., Reijnders G., Saeidi A., Jansen S., Hage J. A method engineering based legacy to SOA migration method. In: Proceedings of the 27th IEEE International Conference on Software Maintenance (ICSM), 25–30 September 2011, Williamsburg, USA. Williamsburg: IEEE; 2011. P. 163–172.
4. Sneed H.M. Integrating legacy software into a service oriented architecture. In: Proceedings of the 10th European Conference on Software Maintenance and Reengineering (CSMR'06), 22–24 March 2006.
5. Mayer R.E. Multimedia Learning. 2nd ed. Cambridge: Cambridge University Press; 2009. 304 p.
6. Мацкевич А.М. Модели и алгоритмы поддержки принятия решений и их использование в тренажерной подготовке специалистов управления воздушным движением. Научный вестник МГТУ ГА. 2022;25(5):25–36.
7. Ren Y., Ruan Y., Tan X., Qin T., Zhao S., Liu T. FastSpeech 2: Fast and High-Quality End-to-End Text to Speech.
8. Shen J., Pang R., Weiss R.J., Schuster M., Jaitly N., Yang Z., et al. Natural TTS Synthesis by Conditioning WaveNet on Mel Spectrogram Predictions.
9. Nigam A., Pasricha R., Singh T., Churi P. A Systematic Review on AI-based Proctoring Systems: Past, Present and Future.
10. Князев А.С, Антоненко А.С, Лоптев М.А, Жданов Е.М Использование интерактивного макета кабины экипажа самолета ДА-42Т в учебном процессе вуза. Научный вестник МГТУ ГА. 2022;25(3):61–72.