دانلود ترجمه مقاله استنباط مدل‌های رفتاری نرم‌افزار در نگاشت کاهش (ساینس دایرکت – الزویر ۲۰۱۷) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

استنباط مدل‌های رفتاری نرم‌افزار در نگاشت کاهش

Inferring software behavioral models with MapReduce

چکیده
۱- پیشگفتار
۲- مرور اجمالی
۲-۱- MapReduce
۲-۲- استنتاج مدل رفتاری
۲-۳- نمونه جاری
۲-۴- رویکرد ما
۳- تعارفی رسمی
۴- برش مسیر متوالی
۴-۱- الگوریتم
۴-۲- استراتژی موازی‌سازی ساده
۵- برش مسیر توزیع شده با MapReduce
۵-۱- رمزگذاری داده
۵-۲- نگارنده
۵-۳- کاهنده
۵-۴- بهینه‌سازی‌ها
۶- ترکیب مدل توزیع شده با MapReduce
۶-۱- رمزگذاری داده‌ها
۶-۲- نگارنده و کاهنده
۷- ارزیابی آزمایشی
۷-۱- آزمایشات روی لاگ‌های ترکیبی
۷-۲- آزمایشات روی لاگ‌های واقعی
۸- بحث
۸-۱- کاوش نامتغیرها (ناورداها)
۸-۲- پیش‌پردازشگر لاگ
۹- کارهای مربوطه
۱۰- نتیجه‌گیری
منابع

چکیده

در عملکرد جهان واقعی، سیستم‌های نرم‌افزاری اغلب بدون توسعه هیچ مدل پیش‌فرض صریح ایجاد می‌شوند. این امر می‌تواند مسائلی جدی ایجاد کند که ممکن است مانع تکامل تقریبا اجتناب‌ناپذیر آینده شوند، زیرا در بهترین حالت، تنها مستندسازی درباره نرم‌افزار، شکلی از تفاسیر کد منبع است. برای رفع این مشکل، تحقیقات باید روی استنتاج خودکار مدل‌ها با استفاده از الگوریتم‌های یادگیری ماشین برای اجرای دستورات متمرکز باشند. با این حال، دستورات (لاگ‌های) تولید شده توسط سیستم نرم‌افزاری واقعی ممکن است بسیار بزرگ باشند و الگوریتم استنتاج می‌تواند از ظرفیتی پردازش کامپیوتر منفرد تجاوز کند.
این مقاله رویکرد کلی مقیاس‌پذیری را برای استنبتاج مدل‌های رفتای ارائه می‌دهد که می‌توانند دستورات بزرگ اجرا را از طریق الگوریتم‌های موازی و توزیع شده پیاده‌سازی شده با استفاده از مدل برنامه‌نویسی MapReduce و اجرا شده روی خوشه‌ای از گره‌های اجرای متصل به هم انجام دهد. این رویکرد شامل دو مرحله توزیع شده است که ترکیب مدل و برش مسیر (برش ردیابی) را انجام می‌دهند. برای هر مرحله، الگوریتم توزیع شده‌ای با استفاده از MapReduce ایجاد می‌شود. با ظرفیت پردازش داده موازی MapReduce، مساله استنتاج مدل‌های رفتاری از دستورات (لاگ‌های) بزرگ را می‌توان به طور کارامدی حل کرد. این تکنیک در بالای Hadoop اجرا می‌شود. آزمایش‌های روی خوشه‌های آمازون ، کارایی و مقیاس‌پذیری رویکرد ما را نشان می‌دهند.

۱۰- نتیجه‌گیری

در این مقاله، رویکردی را برای استنتاج مدل‌های رفتاری نرم‌افزاز از لاگ‌های بزرگ با استفاده از MapReduce ارائه می‌دهیم. در رویکرد ما لاگ‌ها در ابتدا تجزیه و برش داده می‌شوند و سپس مدل توسط الگوریتم توزیع شده k-دم استنتاج می‌شود. رویکرد ما را همچنین می‌توان به عنوان پیش‌پردازشگر لاگ مورد استفاده قرار داد و با الگوریتم‌های موجود استنتاج مدل ترکیب کرد. آزمایشات روی خوشه‌های آمازون و مجموعه داده‌های بزرگ، کارایی و مقیاس‌پذیری رویکرد ما را نشان می‌دهند. این مقاله، کار قبلی ما [۱۲] به چند روش توسعه می‌دهد. در این مقاله، به ویژه چند بهینه‌سازی عملی را شرح می‎دهیم، درستی رویکرد خود را به طور رسمی ثابت می‌کنیم، و ارزیابی آزمایشی کامل‌تری را تحت تنظیمات مختلف فراهم می‌سازیم. برنامه داریم که مطالعاتی موردی را روی لاگ‌های بزرگ تولید شده توسط سیستم‌های نرم‌افزاری واقعی به منظور ارزیابی بیشتر عملکرد و قابلیت اجرا رویکرد خود انجام دهیم. همچنین به بحث موازی‌سازی الگوریتم‌های دقیق‌تر استنتاج مدل یا ادغام محدودیت‌های زمانی در طول مرحله استنتاج خواهیم پرداخت.

Abstract

In the real world practice, software systems are often built without developing any explicit upfront model. This can cause serious problems that may hinder the almost inevitable future evolution, since at best the only documentation about the software is in the form of source code comments. To address this problem, research has been focusing on automatic inference of models by applying machine learning algorithms to execution logs. However, the logs generated by a real software system may be very large and the inference algorithm can exceed the processing capacity of a single computer. This paper proposes a scalable, general approach to the inference of behavior models that can handle large execution logs via parallel and distributed algorithms implemented using the MapReduce programming model and executed on a cluster of interconnected execution nodes. The approach consists of two distributed phases that perform trace slicing and model synthesis. For each phase, a distributed algorithm using MapReduce is developed. With the parallel data processing capacity of MapReduce, the problem of inferring behavior models from large logs can be efficiently solved. The technique is implemented on top of Hadoop. Experiments on Amazon clusters show efficiency and scalability of our approach.

۱۰- Conclusion

In this paper, we presented an approach to infer software behavior models from large logs using MapReduce. In our approach, the logs are first parsed and sliced, then the model is inferred by the distributed k-tail algorithm. Our approach can also be used as a log preprocessor and combined with existing model inference algorithms. Experiments on Amazon clusters and large datasets show the efficiency and scalability of our approach. This paper extends our previous work [12] in several ways. Specially, we describe several practical optimizations, formally prove the correctness of our approach, and provide more complete experimental assessment under various settings. We plan to perform case studies on large logs generated by real software systems to further evaluate the performance and applicability of our approach. We also plan to investigate the parallelization of more accurate model inference algorithms or incorporating temporal constraints during the inference phase.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

استنباط مدل‌های رفتاری نرم‌افزار در نگاشت کاهش

Inferring software behavioral models with MapReduce