به کارگیری الگوریتم ژنتیک جهت شناسایی خودکار سرویس ها با توجه به معیارهای کیفی سرویس
محورهای موضوعی : تخصصیجان محمد رجبی 1 , سعید پارسا 2 , مسعود باقری 3 , علی‌اکبر عزیز‌خانی 4
1 - دانشجو
2 - دانشگاه علم و صنعت ایران
3 - دانشگاه امام حسین
4 - دانشگاه جامع امام حسین(ع)
کلید واژه: معماری سرویس گرا, شناسایی سرویس, الگوریتم ژنتیک, روش تاپسیس,
چکیده مقاله :
معماری سرویس گرا سبب ارتقاء پایداری و قابلیت عملیاتی نرم افزارها در راستای شاخص های پدافند غیرعامل می شود. شناسایی خودکار سرویس ها با استفاده از شاخص های کیفی سرویس، تضمین کننده به کارگیری موفق معماری سرویس گرا است و می تواند گام موثری در جهت تسریع فرایند تولید نرم افزار سرویس گرا باشد. کم توجهی به نیازهای کیفی، عدم توجه همزمان به ارتباط فعالیت ها و موجودیت های کسب و کار و خودکار نبودن رتبه بندی کیفی سرویس های نامزد از جمله مهم ترین مشکلات روش های خودکار موجود است. روش ارائه شده در این مقاله هم فرآیندهای کسب‌وکار و هم موجودیت ها را توامان در نظر می گیرد، سپس با استفاده از الگوریتم ژنتیک سرویس‌های نامزد براساس شاخص‌های کیفی دانه بندی، چسبندگی، پیوستگی و همگرایی مشخص می شوند. این شاخص ها از شکستن اهداف تا سطح نیازها حاصل می شوند. سرویس‌های نامزد با استفاده از روش تاپسیس بصورت خودکار رتبه‌بندی می شوند. در مطالعه موردی انجام شده با استفاده از این روش، سرویس های کسب وکار، با کمترین وابستگی به معمار شناسایی شد.
Service-oriented architecture improves the stability and operational capability of software systems for passive defense measures. Automatic identification of services using quality of service measures ensures the successful deployment of service-oriented architecture and is great importance to speed up software development life cycle. Little attention to non-functional requirements, no considerations for concurrent effects of business activities and entities and non-automated ranking of candidate services are the major issues with current approaches. The approach proposed in this paper considers both the business processes and entities, simultaneously to detect services. Applying a genetic algorithm, candidate services are identified based on quality metrics i.e. granularity, coupling, cohesion and convergence. These metrics are obtained from breaking goals to requirements of level. The TOPSIS method is applied to rank the candidate services. The illustrated case study is shown that high quality services can be identified automatically with minimal software developer’s interventions.
