Transitioning Towards SysML v2 as a Variability Modeling Language
Notice bibliographique
Résumé
<title>Abstract</title> Systems engineers seek ways to reuse system models to accelerate the initial design development process on new complex projects. Despite its promise, one such solution -- the deployment of Model-based Product Line Engineering (MBPLE) -- presents challenges to practitioners. Not only is deployment costly, but an overwhelming number of variability modeling language options also lack interoperability. While research efforts work towards creating a universal variability modeling language and developing transformations between existing languages, this paper proposes incorporating variability modeling concepts into a system modeling language for a centralized management of product lines. In this work, we highlight SysML v2 as a promising language for variability modeling, arguing that it can orthogonally model systems and their variability. Further, we propose a novel metamodel that describes a SysML v2-based approach to modeling conceptual and asset variability spaces. We exemplify the deployment of this metamodel on a simple yet representative example found in a complex development environment. Since the SysML v2 specification is still in its early stages of standardization, this paper discusses how efforts in deploying MBPLE with existing approaches will translate to the new metamodel and includes considerations for transitioning from currently available commercial modeling tools to SysML v2. Ultimately, we hope the proposed metamodel will motivate SysML v2 tool vendors to support variability modeling by incorporating instantiation and constraint definition mechanisms and visualization capabilities in future tool releases.
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 | 0,008 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,000 | 0,004 |
| 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 ».