| عنوان فارسی مقاله: | بررسی اصل عدم قطعیت با سیستم تطبیقی اتوماتیک ایجاد مدل رفتاری |
| عنوان انگلیسی مقاله: | Automatically Generating Behavioral Models of Adaptive Systems to Address Uncertainty |
| دانلود مقاله انگلیسی: | برای دانلود رایگان مقاله انگلیسی با فرمت pdf اینجا کلیک نمائید |
| سال انتشار | 2008 |
| تعداد صفحات مقاله انگلیسی | 15 |
| تعداد صفحات ترجمه مقاله | 17 |
| مجله | کنفرانس بین المللی زبان ها و سیستم های مهندسی |
| دانشگاه | گروه علوم کامپیوتر و مهندسی دانشگاه ایالت میشیگان ، کشور آمریکا |
| کلمات کلیدی | – |
| نشریه IEEE | IEEE |
بخشی از ترجمه:
چکیده ترجمه:
اصولاٌ برنامه های کاربردی با تضمین اطمینان بالا ، در جهت پاسخ به تغییرات محیطی، وابسته به سیستم های تطبیقی پویا(DAS) میباشند، و در عین حال، نیازمندی های تابعی و تمایلات غیرتابعی را نیز برآورده میسازند.
مثال هایی شامل حافظت از زیرساختارهای محسوس و سیستم های حمل و نقل میباشد. یک ADS متشکل از مجموعه ی از (غیرانطباقی) سیستم های هدف(که به صورت مدل های UML نشان داده میشوند) و یک مجموعه از انطباقاتی هستند که تبدیلات بین سیستم های هدف را درک میکنند. دو منبع عدم قطعیت در DAS عبارتند از:
١. پیش بینی محیط اجرایی در آینده
٢. استفاده از سبک سنگینی های تابعی و غیر تابعی در پاسخ به تغییرات محیطی.
به منظور رویارویی با مسئله ی عدم قطعیت، بر آن شدیم تا با استفاده از ارگانیسم های زنده که به طور قابل ملاحظه ای در تطبیق با تغییرات محیطی کارآمد هستند، این مسئله را بررسی و تحلیل کنیم. در این مقاله، یک روش مبتنی بر تکامل دیجیتال را به منظور ایجاد مدل هایی برای نمایش سیستم های هدف ممکن، که در شرایط متعدد محیطی کاربرد دارند و به توسعه دهندگان اجازه ی تشخیص تفاوت های بین مدل های تابعی و غیرتابعی را میدهد، تشریح خواهیم ساخت.سپس نقشی کمک کننده را برای توسعه دهنده در جهت انتخاب سیستم های هدف برای DAS عرضه خواهیم کرد.
١.مقدمه
اصولاٌ برنامه های کاربردی با تضمین اطمینان بالا ، در جهت پاسخ به تغییرات محیطی، وابسته به سیستم های تطبیقی پویا(DAS)میباشند، و در عین حال، نیازمندی های تابعی و تمایلات غیرتابعی را نیز برآورده میسازند.
مثال هایی شامل حافظت از زیرساختارهای محسوس و سیستم های حمل و نقل میباشد. یک ADS متشکل از مجموعه ی از (غیرانطباقی) سیستم های هدف(که به صورت مدل های UML نشان داده میشوند) و یک مجموعه از انطباقاتی هستند که تبدیلات بین سیستم های هدف را درک میکنند. ما از عبارت دامنه برای استناد به مجموعه ی خاصی از شرایط محیطی که باید به وسیله ی سیستم هدف با آن روبرو شویم استناد میکنیم(مانند شبکه های نویزی، خطای سنسور، و باتری پایین که همگی برای یک دامنه صحیح هستند). مهندسی برگرفته از مدل که به طور موفقیت آمیزی به اصلاح مدل ها از تحلیل تا طراحی میپردازد و سپس به صور خودکار کد هایی را تولید میکند[١]، میتواند برای پیشتیبانی از توسعه ی یک DAS و به وسیله ی مدل سازی هر کدام از سیستم های هدف به عنوان یک مدل UML (مانند دیاگرام کلاس و مدل رفتاری ، در مقایسه با یک مجموعه از دیاگرام های وضعیت تعامل) و انطباق به عنوان تبدیلات در بین آنها استفاده شود.
بخشی از مقاله انگلیسی:
Abstract.
Increasingly, high-assurance applications rely on dynamically adaptive systems (DASs) to respond to environmental changes, while satisfying functional requirements and non-functional preferences. Examples include critical infrastructure protection and transportation systems. A DAS comprises a collection of (non-adaptive) target systems (represented as UML models) and a set of adaptations that realize transitions among target systems. Two sources of uncertainty inherent to DASs are: (1) predicting the future execution environment, and (2) using functional and non-functional trade-offs to respond to the changing environment. To address this uncertainty, we are inspired by living organisms that are astonishingly adept at adapting to changing environmental conditions using evolution. In this paper, we describe a digital evolution-based approach to generating models that represent possible target systems suitable for different environmental conditions, enabling the developer to identify the functional and non-functional trade-offs between the models, and then assisting the developer in selecting target systems for the DAS.
1 Introduction
Increasingly, high-assurance applications rely on dynamically adaptive systems to react and respond to environmental changes, while continuing to meet functional requirements and make non-functional trade-offs. Examples include critical infrastructure protection and transportation systems. In an effort to promote separation of concerns, we consider a dynamically adaptive system (DAS) to comprise a collection of (non-adaptive) target systems and a set of adaptations that realize transitions among target systems in response to environmental changes. We use the term domain to refer to a specific set of environmental conditions to be handled by a given target system (e.g., noisy network, sensor failure, and low battery could all be true for one domain). Model-driven engineering, which successively refines models from analysis to design and then automatically generates code [1], can be leveraged to support rigorous development of a DAS by modeling each of the target systems as a UML model (i.e., a class diagram and a behavioral model comprising a set of interacting state diagrams) and adaptations as transitions among them .
| عنوان فارسی مقاله: | بررسی اصل عدم قطعیت با سیستم تطبیقی اتوماتیک ایجاد مدل رفتاری |
| عنوان انگلیسی مقاله: | Automatically Generating Behavioral Models of Adaptive Systems to Address Uncertainty |
