В статье описывается методика моделирования надежности отказоустойчивых кластеров с помощью ИИ-чатов. Основная задача заключается в формализации промптов для расчета стационарного коэффициента готовности (Кг) и автоматизированной генерации графов состояний.
Для визуализации переходов предлагается использовать технологию «Диаграммы как код» (DaC), в частности Mermaid.js. Это позволяет отображать графы непосредственно в репозиториях GitHub. Автор рекомендует предоставлять нейросетям явные шаблоны, чтобы минимизировать ошибки в синтаксисе и сократить количество итераций.
При оформлении математических формул для GitHub Markdown рекомендуется использовать линейный текст с Unicode или упрощенный LaTeX. Чтобы избежать ошибок рендеринга, длинные выражения следует записывать в одну строку без переносов и сложных операторов, таких как дробные скобки.
Методика включает расширение базовой трехпозиционной модели состояниями сбоя (transient fault) и скрытого отказа. Учет дополнительных факторов, включая время на failover/failback и инфраструктурные задержки, приводит к снижению коэффициента готовности по сравнению с упрощенными моделями.
Автор отмечает терминологические различия между ИТ-специалистами и математиками. В теории массового обслуживания «сервером» часто называют ремонтную бригаду, а не узел кластера. Понимание этих различий необходимо для корректной постановки задач перед языковыми моделями при расчете надежности.
