Лаборатория технологий программирования образована в 2000 году (постановление Ученого Совета МГУ от 05.06.2000), введена в структуру факультета в 2002 году (приказ ректора № 585 от 16.07.2002). Возглавляет лабораторию профессор И. В. Машечкин.

Лаборатория Технологий программирования была образована на базе коллектива сотрудников и аспирантов кафедры АСВК, работающего под руководством профессора Машечкина И.В. К этому моменту коллективом был выполнен ряд работ, среди которых можно отметить следующие:

• Разработку в конце семидесятых годов прошлого века программной системы КРАБ, обеспечившей дистанционный терминальный доступ к машинам БЭСМ-6. Данная работа представляла собой создание одной из первых отечественных операционных систем дистанционного коллективного пользования, которая была реализована в виде надстройки над ядром операционной системы ДИСПАК. Система КРАБ получила массовое распространение на территории СССР. Десятки ведущих научных и промышленных центров использовали систему КРАБ. Сейчас можно с уверенностью утверждать, что многие решения, использовавшиеся в системе, были оригинальны для систем, получивших массовое распространение. Работа была отмечена Золотой медалью АН СССР.
• Цикл работ по исследованию и разработке многофункциональной системы кросс-программирования. Важно отметить, что ряд идей, положенных в основу системы, позднее были реализованы компанией Microsoft в .NET.

В настоящее время основным научным направлением лаборатории Технологий программирования является исследование и разработка алгоритмов и методов построения программных средств интеллектуального анализа данных (Data Mining). Актуальность данной тематики определяется наличием ряда важных прикладных задач, при решении которых требуется анализировать большие объемы разнородных сложноорганизованных данных. При этом объем и сложность организации таких данных часто не позволяют эффективно применять традиционные средства анализа, основанные на методах статистического анализа, информационного поиска и экспертных знаниях, что определяет необходимость применения средств интеллектуального анализа данных, основанных на методах машинного обучения и искусственного интеллекта. Значительное внимание в исследованиях лаборатории уделяется разработке новых подходов к построению интеллектуальных систем для следующих прикладных направлений:

1. Интеллектуальные системы мониторинга и анализа поведения пользователей, позволяющих организовать многоуровневый сбор и консолидацию данных о работе пользователей информационной сети организации в едином хранилище. Собранные консолидированные данные обрабатываются стандартными статистическими методами, а также новыми алгоритмами интеллектуального анализа данных в целях построения моделей поведения пользователей. Проводимый анализ позволяет выявлять и резюмировать основные характеристики использования вычислительных средств и информационной структуры организации, факты их нецелевого использования, а также, на ранних этапах выявлять аномальную активность инсайдеров, которая может привести к нарушению конфиденциальности информации.
2. Системы оперативного анализа ситуационной информации и поддержки принятия решения, основанные на применении методов интеллектуального анализа данных. Такие системы предназначены для мониторинга и анализа ситуаций на основе сформированной информационной модели предметной области. В их задачи входит: управление ситуационными данными, формирование и расчет показателей для оценки обстановки, поддержка принятия решений, отображение и формирование аналитических отчетов. Поддержка принятия решений основана на специальном статистическом анализе потоков событий, формировании выборок статистических данных по складывающейся обстановке и проведении многомерного статистического анализа с применением технологии OLAP; выделении угроз и опасных пространственно-временных ситуаций в складывающейся обстановке; создании динамических моделей для прогнозирования изменения обстановки, основанных на процедурах машинного обучения. В рамках данного направления реализован ряд проектов по построению и внедрению компонент таких систем для государственных учреждений.
3. Интеллектуальные серверные системы фильтрации нежелательных почтовых сообщений (спама) на основе использования методов машинного обучения для построения персональных адаптируемых (дообучаемых) моделей переписки пользователей. Разработанный подход позволяет значительно увеличить точность обнаружения спама при практически нулевом уровне ложных срабатываний.
4. Интеллектуальные системы анализа и фильтрации Интернет-трафика, основанные на непрерывном мониторинге и рубрикации содержимого входящего и исходящего Интернет-трафика в режиме реального времени. За счет использования методов машинного обучения разработанное решение позволяет точно классифицировать передаваемые и получаемые данные, определять гибкие персональные политики фильтрации по тематике входящей и исходящей информации для пользователей сети организации. Такая система может быть использована для блокирования доступа из сети организации к нежелательным Интернет-ресурсам, контролировать использование Интернета сотрудниками в рабочее и учебное время, пресекать попытки утечки конфиденциальной информации через Интернет.
5. Интеллектуальные системы анализа электронного документооборота. Решение данной проблемы предполагает проведение комплексного анализа текстовой информации, содержащейся во всевозможных формах электронных документов – почтовых сообщениях, файлах различных форматов, интернет-трафике и пр. с целью выявления «скрытых» закономерностей. Например, это могут быть различные задачи классификации, кластеризации, аннотирования содержимого электронных документов. Проводятся работы по созданию функционального прототипа системы мониторинга контента электронных документов в рамках корпоративной сети, которая должна будет предоставить службам информационной безопасности инструмент выявления фактов нецелевого использования ресурсов или утечки корпоративной информации.
6. Системы автоматизированного анализа производственных технологических процессов. Исследуются задачи мониторинга технологических процессов с целью выявления нештатных ситуаций и задача прогнозирования качества производимого изделия в зависимости от текущих характеристик производственного процесса. В рамках первой задачи были предложены и реализованы методы поиска аномалий во временных рядах, которыми описывается состояние технологического процесса во времени. Предложенные методы позволяют выявлять как отдельные выбросы и нетипичные значения характеристик, так и аномальные последовательности и появление новых закономерностей в поведении анализируемого технологического процесса. Для решения второй разрабатываются методы прогнозирования качества и выявления наиболее значимых характеристик производственного процесса, позволяющие представлять получаемую модель прогнозирования в виде системы правил, понятных эксперту и показывающие высокую точность прогнозирования на реальных данных.

На основе теоретических результатов, полученных в процессе исследований, был разработан и в настоящее время усовершенствуется и развивается ряд инновационных программных решений в области компьютерной безопасности, обладающих рядом преимуществ по сравнению с существующими аналогами. Важно отметить, что указанные разработки имеют реальное практическое применение в ряде государственных и коммерческих организаций. К примеру, в Счетной палате РФ внедрена специализированная аналитическая система для обеспечения IT-безопасности. Ряд разработанных сотрудниками лаборатории технологий защищен патентами РФ.

Работы лаборатории в этой области были отмечены различными научными наградами и премиями, включая медаль РАН за лучшую работу молодых ученых в номинации информатика и автоматизация, неоднократно поддерживались государственными грантами Фонда фундаментальных научных исследований, Министерства по науке и инновациям, персональными грантами Президента РФ.