دعم الصيانة الآلية لبرامج طبقة البيانات
| العنوان | دعم الصيانة الآلية لبرامج طبقة البيانات |
|---|---|
| المؤلف | ارسوي، ارسين |
| تاريخ النشر: | 2023-01-19T12:53:44Z |
| الموضوع | برامج الكمبيوتر، برامج الكمبيوتر، برامج الكمبيوتر، برامج الكمبيوتر، الذكاء الاصطناعي، الذكاء الاصطناعي |
| النوع | وثيقة |
| اللغة | الإنجليزية |
| رقمي | نعم |
| مخطوط | لا |
| المكتبة: | جامعة اوزيجين |
| رقم السجل | 04950540-6874-462b-bcb5-f00b6984455b |
| موقع المكتبة | قسم علوم الحاسوب |
| التاريخ | 2023-01-19T12:53:44Z |
| نص عينة | يتضمن برنامج طبقة البيانات نموذج البيانات ومنطق الأعمال الخاص بأنظمة المؤسسة، ويخضع للصيانة طويلة المدى. على الرغم من أنه يمكن استبدال واجهة المستخدم الخاصة بهذه الأنظمة بالكامل، إلا أن برمجيات طبقة البيانات تتطور عادة لعقود من الزمن. يتضاءل عدد خبراء المجال الذين يتمتعون بمعرفة واسعة حول البرنامج الإجمالي بمرور الوقت ويصبح تطبيق الامتدادات أو التغييرات مستهلكًا للجهد بشكل متزايد وعرضة للأخطاء بالنسبة للمطورين الجدد. في هذه الأطروحة، نقدم تقنيات وأدوات لتوفير دعم الصيانة الآلية لبرامج طبقة البيانات. تهدف هذه التقنيات والأدوات إلى تقليل الجهد وعدد الأخطاء خصيصًا لثلاث مهام صيانة صعبة: 1) الموضع الصحيح لكائن جديد مثل الإجراء المخزن في برنامج طبقة البيانات، 2) تقييم تأثير تغيير جداول قاعدة البيانات على وحدات البرامج، و3) تقييم تأثير امتدادات الجدول على جداول أخرى لنفس قاعدة البيانات. المهمة الأولى مهمة لأن إدخال كائن جديد إلى برنامج طبقة البيانات لا ينبغي أن يعيق بنيته المعيارية. يتم تعريف هذه البنية من خلال تخصيص الكائنات بين مجموعة من المخططات. لذلك، نقدم طريقة وأداة للتنبؤ تلقائيًا بالموضع الصحيح للأشياء الجديدة. نقوم باستخراج التبعيات بين أنواع مختلفة من الكائنات (أنواع قواعد البيانات، والتسلسلات، والجداول، والإجراءات، والوظائف، والحزم، وطرق العرض) التي تم وضعها بالفعل في المخططات. تُستخدم هذه التبعيات لتدريب نموذج الشبكة العصبية الاصطناعية، والذي يُستخدم بعد ذلك للتنبؤ. تُظهر دراسات الحالة الصناعية لدينا أن النهج الذي نتبعه يمكن أن يصل إلى دقة تصل إلى 89%، في حين أن النهج الأساسي الذي يستخدم مقاييس الاقتران والتماسك يمكن أن يصل إلى دقة تصل إلى 57.4% على الأكثر. توجد بالفعل العديد من التقنيات والأدوات لدعم المهمة الثانية المتمثلة في تحليل تأثير التغييرات في نموذج البيانات على الكود المصدري. ومع ذلك، فإنها لا تستطيع تحليل عبارات SQL التي تم إنشاؤها ديناميكيًا، والاستعلامات على جداول متعددة، وأنواع أخرى من البيانات التي تسمح بمعالجة البيانات في PL/SQL، وهي لغة شائعة الاستخدام لتطوير برامج طبقة البيانات. نحن نقدم تقنيات وأداة لتحليل كل من نموذج البيانات والكود المصدري (أي وظائف وإجراءات PL/SQL) التي تشارك في جميع مخططات قاعدة بيانات معينة. بعد ذلك، يتم إنشاء نموذج التبعية بناءً على الاستعلامات ومعالجة جداول قاعدة البيانات. على عكس الدراسات السابقة، يمكن لأداتنا تحليل الاستعلامات التي تم إنشاؤها ديناميكيًا والتي تتضمن جداول متعددة بالإضافة إلى ميزات خاصة بـ PL/SQL. نحن نستخدم نموذج التبعية المشتق لتقدير الجهد المبذول لنوعين مختلفين من إعادة الهيكلة الشائعة على الأنظمة الحقيقية. لقد لاحظنا اتساقًا كبيرًا بين التقديرات الآلية والتقديرات اليدوية. المهمة الثالثة تتعلق بتأثير تغيير الجداول على جداول أخرى لنفس قاعدة البيانات. لا يوجد سوى عدد قليل من الدراسات التي تركز على هذا القلق. علاوة على ذلك، تناولت هذه الدراسات تأثير حذف وتعديل الأعمدة في جداول قاعدة البيانات فقط. ولمعالجة هذا القيد، نقدم نهجًا وأداة للكشف تلقائيًا عن تأثير امتدادات نموذج البيانات على نموذج البيانات نفسه. نحن نستخدم الشبكات السيامية لاكتشاف أوجه التشابه بين جداول قاعدة البيانات وما شابه ذلك، لمعرفة العلاقات الضمنية فيما بينها. يتم استخدام أوجه التشابه في الجدول كأساس لتحديد التأثير المحتمل. نحن نطور أداة أخرى كخط الأساس، والتي تستخدم مقياس تشابه جيب التمام لقياس التشابه بين جداول قاعدة البيانات. تبين أن النتائج التي تم الحصول عليها باستخدام الشبكات السيامية أفضل من خط الأساس، حيث حققت متوسط درجة F1 بنسبة 96.1٪. System system arayüzü Tammen değiştirilse de, veri katmanı yazılımı günlikle uzun yıllar boyunca geliştirilmeye devam etmektedir. Yazılım hakkında kapsamlı bilgiye sahip olan alan uzmanlarının sayısı zamanla azalmaktadır. Bu durum yazılıma yeni özellikler eklemeyi veya mevcutta olan yazılımı değiştirmeyi ozellikle Yeterli tecrübeye sahip olmayan geliştiriciler için zorlaştırmakta وdaha fazla efor gerektiren bir çalışma haline gerektirmektedir. لقد حان الوقت للقيام بذلك من خلال Arttırmaktadır. ومع ذلك، فيري كاتماني yazılımı için automatik bakım desteği sağlamak üzere teknikler ve araçlar tanıtılmaktadır. Bu techniklers and araçlar, zellikle üç zorlu bakım ihtiyacı için eforu and hata sayısını azaltmayı amaçlamaktadır: i) veri katmanı yazılımında prosedür gibi yen bir nesnenin doğru modül ile ilişkili olarak konumlandırılması, ii) veritabanı tablolarının değiştirilmesinin yazılım modülleri üzerindeki etkisinin beliirlenmesi, ve iii) veritabanı tablolarının genişletilmesinin aynı veritabanındaki diğer tablolar üzerindeki etkisinin com.belirlenmesi. Yukarıda listelenen ilk bakım ihtiyacı önemlidir, çünkü veri katmanı yazılımına yeni bir nesne eklemek modüler yapıyı bozmamalıdır. Bu yapı, nesnelerin veritabanı şemaları arasında doğru konumlandırılmasıyla sağlanmakta-dır. من خلال القيام بذلك، يجب أن تكون قادرًا على القيام بذلك تلقائيًا من خلال توفير الوقت والجهد. تحتوي هذه العناصر على العديد من الملفات (أقراص مختلفة، صفحات، جداول، معالجات، ميزات، حزم، ومحتويات) من خلال إنشاء نموذج جديد، مما يجعل من الممكن إضافة نموذج جديد Tahmini için kullanılan bir yapay sinir ağı modelinin eğitimi için kullanmaktayız. تم تصميم مواد البطانة الداخلية بنسبة 89%، مما أدى إلى زيادة القدرة على التحمل، وقوة التحمل، ونسبة 57.4% من الوزن الزائد هناك العديد من الميزات الرائعة التي يمكنك القيام بها. نماذج حقيقية للتحليلات والتحليلات التي تم إجراؤها في هذا المجال، وذلك من خلال استخدام التقنيات المتطورة والتقنيات المتقدمة. علاوة على ذلك، فإن التقنيات والديناميكيات التي تعتمد على تطوير SQL، والتي تعتمد على جداول البيانات وقواعد بيانات SQL، يمكن أن تساعدك على استخدام PL/SQL بشكل صحيح. izin veren diğer deyim türlerini analiz etmekte Yetersiz kalmaktadırlar. لا داعي للقلق بشأن حقيقة وجود نماذج حقيقية لكودونات PL/SQL ومعالجة VB. نماذج bağımlılık oluşturan bir araç sunmaktayız. من خلال إنشاء جداول بيانات وبيانات ديناميكية وجداول بيانات يتم تحليلها بشكل كامل من خلال PL/SQL. يساعد نظام Gerçek bis üzerinde ikifarklı yeniden apılandırma çalışması ile gerekli olan eforu tahmin etmek için araç tarafından oluşturulan bağımlılık modelini kullanmaktayız. يمكن استخدام النماذج الأوتوماتيكية المسطحة من خلال ماكينة الطحن الأوتوماتيكية أو ماكينات الطحن اليدوية التي يمكن استخدامها يدويًا. في هذه الحالة، يمكن أن تكون لوحة الجدولة أكثر واقعية من أي لوحة أخرى. Bu ihtiyaca odaklanan Sadece birkaç çalışma bulunmaktadır. Ayrıca, bu çalışmalar yalnızca veritabanı tablolarındaki sütunların silinmesi ve değiştirilmesinin etkisini dikkate almaktadır. في هذه الحالة، قد يكون من الممكن أن يكون هناك خطر من استخدام أدوات جدولية أخرى في إعداد الجداول الزمنية التلقائية في وقت واحد ووقت طويل. Veritabanı tablolarının benzerliklerini tespit etmek, aralarındaki örtük ilişkileri öğrenmek için Siyam ağlarını kullanmaktayız. Temel biöntem olarak, veritabanı tabloları arasındaki benzerliği olçmek için kosinüs benzerlik metriğini kullanan başka bir daha sağlıyoruz. Siyam ağlarıyla 96.1% F1 scoruna ulaşılarak، temel yönteme göre daha iyi sonuç elde edildiği görülmektedir. |
