A Comparative Evaluation of EJB Implementation Methods
Notice bibliographique
Résumé
As e-businesses are becoming ubiquitous, enhancing the performance and scalability of e-business systems has become an increasingly important topic of investigation. As Vitruvius (70-25 BC) put it succinctly 'function follows form', the ability of a system to perform well and scale easily is influenced by how the system itself is formed or implemented. A common approach to implement e-business systems is to make use of off-the-shelf enterprise middleware systems, such as a J2EE-compliant application server. Such middleware systems handle several, often complex, issues and thus simplify application development. They however allow developers the freedom not to use particular forms of support they offer and build their own mechanisms instead. This flexibility gives rise to many implementation methods. The work reported here evaluates these methods for Response Time and Throughput under various environments related to both client side (external to the system) and application execution (internal). To this end, one of the most widespread technologies used by the industry, the Enterprise Java Beans (EJB), is chosen; we have considered six commonly used implementation methods for an e-auction application and five different client-side and execution environments. The resulting study, which involves 78 experimental runs, identifies the strengths and the weaknesses of each implementation method under 13 different scenarios. It thus offers reliable guidelines for developers and valuable insights to researchers.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».