Automatic Derivation of Performance Models in the Context of Model-Driven SOA
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The thesis proposes a model transformation chain called Performance from Unified Modeling Analysis for Service-Oriented Architecture (SOA) systems (PUMA4SOA), whose purpose is to automatically generate performance models from the UML software design models of SOA systems with performance annotations. The main goal of PUMA4SOA is to enable the analysis of performance properties of software systems in the early software development phases, which helps developing SOA systems that meet their performance requirements. PUMA4SOA extends PUMA, an existing transformation approach from software to performance models developed in our research group. The main differences between PUMA4SOA and PUMA are as follows: a) focus on SOA systems; b) application of Model-Driven Architecture (MDA) principles of considering first software platform-independent models (PIM) which are then transformed into platform-specific models (PSM); c) use of a Platform Completion (PC) feature model to define variability of platform characteristics; d) use of aspect-oriented modeling (AOM) techniques to specify realization of platform features; and e) systematic use of trace-links between different types of models (i.e., software, intermediate and performance models). PUMA4SOA accepts the following input models: the software platform independent model, the deployment model, the PC-feature models and a set of platform aspect models. Similar to PUMA, PUMA4SOA makes use of an intermediate model called Core Scenario Model (CSM). The model transformations chain of PUMA4SOA begins by transforming the UML PIM to a CSM PIM, which in turn is used to generate a CSM PSM using an AOM approach. The third model transformation maps the CSM platform specific model into a performance model (Layered Queuing Network in this case)
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.
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 | 0,001 | 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 | 0,001 | 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 découle