CN102736921B - 一种面向云的软件自动生成方法 - Google Patents
一种面向云的软件自动生成方法 Download PDFInfo
- Publication number
- CN102736921B CN102736921B CN201210201082.7A CN201210201082A CN102736921B CN 102736921 B CN102736921 B CN 102736921B CN 201210201082 A CN201210201082 A CN 201210201082A CN 102736921 B CN102736921 B CN 102736921B
- Authority
- CN
- China
- Prior art keywords
- user
- software
- cloud
- request
- analysis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种面向云的软件自动生成方法。通过采集不同用户的需求，可在云计算环境中自动生成满足不同用户需求的软件。本发明相对于现有技术，是在云计算环境下自动生成软件。首先，采用用户需求采集和提取平台提取用户需求内容，确保用户需求内容的格式化及全面性；其次，对用户需求内容进行特征分析/角色分析、行为分析、用户情感倾向分析、需求分类，进一步明确用户需求内容；然后，对用户需求内容进行语义转换并在云计算环境中进行映射，搜索满足用户需求的云服务；最后，在软件生成过程中通过云质量控制动力系统确保软件生成的质量。
Description
技术领域
本发明涉及云计算及计算机语义领域，特别涉及在网络环境下，根据用户需求，采用云计算及计算机语义相关技术，自动生成满足用户需求的软件。
背景技术
云计算是对并行计算、网格计算、服务计算等进一步扩展，提供高伸缩、高可靠的松散分布式计算模式。通过将Internet中的网络资源进行虚拟化后由公开、可信的Web服务接口(SOAP:Simple Object AccessProtocol)、REST(Representational State Transfer)提供给不同的用户应用，即云计算满足多租户租用的要求。目前云计算已成为一种新型、有效和灵活的分布式计算模式，对进一步提高生产力和计算效率，降低复杂流程和繁锁的编程操作具有划时代的意义。
根据云计算的应用范围和特征，可分为公共云和私用云；根据云计算的类型可以分为基础设施即服务(IaaS)、平台即服务(PaaS)和软件即服务(SaaS)三种基本的云计算表现模式，这三种基本模式就能决定网络资源虚拟化的程度和价值取向。
目前在云计算研究方面已经获得了一定的成果，主要包括云计算体系结构、云计算应用模式、云存储、云计算网络处理优化、云计算信息传输处理、云安全/可信、云计算使用计费方法、云资源分配策略等，最有名且能很好应用的云有Amazon、Google和Salesforce.Com等。
但怎样在云计算环境中，按用户的实际需求自动生成动态软件来满足不同业务要求一直是困扰业界的难题，即通过怎样的方法采集用户的完整及真实的需求，并在云计算环境中将用户需求进行处理和转换，以匹配云服务，最后自动生成一款满足用户业务需求的应用软件。
发明内容
针对现有技术存在的问题，本发明的目的在于提供一种面向云的软件自动生成方法。通过采集不同用户的需求，可在云计算环境中自动生成满足不同用户需求的软件。
为实现上述目的，本发明的一种面向云的软件自动生成方法包括以下步骤：
步骤（1）：用户需求采集和提取，包含步骤（1.1）~步骤（1.4）：步骤（1.1）建立一个基于Web的用户需求采集和提取平台；步骤（1.2）将用户需求信息输入用户需求采集和提取平台；步骤（1.3）通过用户需求采集和提取平台对用户需求进行过滤筛选，获得用户具体需求及用户需求情感；步骤（1.4）对用户具体需求及用户需求情感进行自动归类，获得用户需求内容；
步骤（2）：用户需求处理与转换，包含步骤（2.1）~步骤（2.6）：步骤（2.1）将用户需求内容进行特征分析/角色分析、行为分析、用户情感倾向分析、需求分类并制定验证策略；步骤（2.2）对步骤（2.1）中特征分析/角色分析、行为分析、用户情感倾向分析、需求分类所得内容进行基于本体的语义化；步骤（2.3）对步骤（2.2）中语义化后的内容进行推理演算，生成计算机能识别的需求关系图；步骤（2.4）对需求关系图进行转换和加载，形成具备描述功能的OWL-S语义描述语言；步骤（2.5）制定一组语义转换和加载的源接口，该接口满足OWL-S要求；步骤（2.6）制定用户需求处理的映射规则约束库；
步骤（3）：软件生成，包含步骤（3.1）~步骤（3.7）：步骤（3.1）在云计算环境中制定一组满足云服务和OWL-S要求的目标接口；步骤（3.2）在映射规则约束库的约束和控制下，将源接口与目标接口映射，并在映射过程实现云服务寻址中断，搜索满足映射需要的云服务，其中寻址中断是根据不同的映射要求采用不同的寻址策略，并且当寻址不能进行时，实现中断，转向下一个寻址；步骤（3.3）获取步骤（3.2）中云服务寻址的执行路径，并且有效避开NP难问题；步骤（3.4）在执行路径的节点处判断云质量，其方法为对云服务质量因子进行量化，采用遗传算法获取最优的质量因子结果，并根据该质量因子结果参数确立云质量控制动力系统，所述方程通过求微分/偏微分方程的稳定性，以及软件生成时的动力性两个方面控制软件的自动生成；步骤（3.5）将稳定性和动力性两个特性用于步骤（3.2）软件生成的寻址中断中，直到搜索到满足需要的云服务；步骤（3.6）在云计算环境中实现云服务聚集，并同时获取各云服务识别编号，从配置文件角度配置这些可复用的云服务，形成满足用户需求的潜在Internet软件实体。
步骤（4）：软件测试和发布，包含步骤（4.1）~步骤（4.3）：步骤（4.1）根据云计算环境要求，固化所生成的软件，即在云计算中将所生成的软件以服务的形式固定在服务器；步骤（4.2）将步骤（4.1）所生成的软件以具体的测试案例进行测试，根据测试结果在云计算的支持下对软件进行微调，选出最佳软件；步骤（4.3）发布步骤（4.2）形成的软件，以服务的模式呈现。
进一步地，所述步骤（2.1）中的特征分析、行为分析、需求分类采用支持向量机来实现，所述用户情感倾向分析采用支持向量机和具备情感的蚁群策略实现。
更进一步地，所述步骤（1.3）中的对用户需求进行过滤筛选采用一种满足用户需求分析的改进性协同过滤算法来实现，该改进性协同过滤算法就是在协同过滤中增加一个筛选规则。所述步骤（2.1）中的“用户情感”是指用户对不同需求存在的偏好，所述“验证策略”是指验证特征分析/角色分析、行为分析、用户情感倾向分析、需求分类的规则库。
更进一步地，所述步骤（3.4）中的云服务质量因子包括：服务质量、软件质量、平台质量、基础设施质量、数据服务质量和服务水平协议，所述服务质量包括响应时间、可靠性、可用性、成功率和频率；所述软件质量包括可重用性、可配置性、价格、共享程度和可定制性；所述平台质量包括稳定性、差错率、是否满足Internet访问、是否支持瘦客户端和支持多租户机制；所述基础设施质量包括服务器可用性、网络性能保障、负载均衡、异常通知机制、支持响应时间；所述数据服务质量包括完整性、满足非关系数据库特性、数据类型、存储模式和可访问水平；所述服务水平协议包括服务水平协议与服务质量的关系、与基础设施即服务的关系、与平台即服务的关系、与软件即服务的关系、与数据服务质量的关系，以及服务级别目标。
本发明相对于现有技术，是在云计算环境下自动生成软件。首先，采用用户需求采集和提取平台提取用户需求内容，确保用户需求内容的格式化及全面性；其次，对用户需求内容进行特征分析/角色分析、行为分析、用户情感倾向分析、需求分类，进一步明确用户需求内容；然后，对用户需求内容进行语义转换并在云计算环境中进行映射，搜索满足用户需求的云服务；最后，在软件生成过程中通过云质量控制动力系统确保软件生成的质量。
附图说明
图1是本发明的总体结构图
图2是本发明的总体流程图
图3是用户需求采集和提取示意图
图4是用户需求采集和提取流程图
图5是用户需求处理和转换示意图
图6是用户需求处理和转换流程图
图7是用户软件生成示意图
图8是源接口与目标接口映射结构图
图9是软件生成流程图
图10是软件测试和发布流程图
图11是生成简易售书软件的映射描述结果
具体实施方式
下面结合附图，详细说明本发明的具体实施方式。
如图1所示，本发明主要包括用户需求采集和提取平台11、用户需求处理平台12和软件生成平台13。本发明根据用户需求生成软件服务的方法主要包括以下步骤：
S21、建立用户需求采集和提取平台，并通过该平台获得文本化和格式化的用户需求信息；
S22、对用户需求信息进行处理和转换，生成满足云服务映射需求的的需求内容和格式；
S23、将源接口和目标接口进行映射，并通过云质量控制动力系统生成软件；
S24、发布软件、以服务的形式呈现。
下面（一）~（四）分别对以上四个步骤的具体实现方式进行描述：
（一）、用户需求采集和提取
图3为用户需求采集和提取的示意图。根据用户的需要，从用户处获得所要建立软件的具体需求，其内容主要包括用户类型（如个人用户、企业用户、事业单位用户）、用户需求、用户情感倾向。其中用户情感是指用户对不同需求存在的偏好。通常在用户需求的采集和提取过程中，最初是以文本的形式呈现，所以所采集和提取的信息是文本或相关描述信息。
如图4所示，用户需求采集和提取包括以下步骤：
S41、建立一个基于Web的用户需求采集和提取平台，该平台可分析用户情感倾向；
S42、在用户需求采集和提取平台中输入用户需求信息；
S43、通过用户需求采集和提取平台对用户需求进行过滤筛选，获得用户具体需求及用户需求情感；
S44、对用户具体需求及用户需求情感进行自动归类，获得用户需求内容。
(二)、用户需求处理与转换
图5为用户需求处理与转换示意图。计算机不能理解文本化的用户需求内容，因此需要对用户需求进行进一步的处理和转换。对用户需求从特征、角色、行为、情感倾向等角度进行分析，得到用户需求分析结果，然后将用户需求进行语义化描述，再进行推理演算，获得用户需求关系图，为映射满足用户所需的云服务做准备。
如图6所示，用户需求处理和转换包括以下步骤：
S61、将用户需求内容进行特征分析/角色分析（FA/RA）、行为分析（BA）、情感倾向分析（AA）、需求分类（RC）和制定验证策略，其中FA、BA、AA、RC采用支持向量机（SVM）来实现，AA还采用具备情感的蚁群策略实现，制定验证策略即构建需求分析验证的规则库：主要包括特征/角色、行为和情况分析的规则需要满足语义化要求，即所制定的规则需要与语义化的描述逻辑相对应。当完成需求分析后，所得的分析结果就已满足描述逻辑的推理要求；
S62、对步骤S61中特征分析/角色分析、行为分析、用户情感倾向分析、需求分类所得内容进行基于本体（描述逻辑语言SHOIN(D)）的语义化；
S63、对步骤S62中语义化后的内容进行推理演算，生成计算机能识别的需求关系图；
S64、对需求关系图进行转换和加载，形成具备描述功能的OWL-S语义描述语言，至此，用户的需求已经转换加载为功能性的描述语言；
S65、制定一组语义转换和加载的源接口，该接口满足OWL-S要求；
S66、制定用户需求处理的映射规则约束库，其目的是将OWL-S语言能顺利的映射至云服务中。
(三)、软件生成
图7为软件生成示意图，图8为源接口与目标接口映射结构图。通过接收来自源接口的信息，在云服务下实现与目标接口映射，并采用寻址中断策略实现软件生成。其中目标接口是一组语义化的Web服务或REST接口，接口描述结果是OWL-S描述模式。为提高软件的可用程度和健壮性，还需在软件生成过程中给予控制和约束。因此，需在软件生成的时间t（定时器）内，在云计算环境的支撑下，从QoS（服务质量）、SaaS（软件即服务）质量、PaaS（平台即服务）质量、IaaS（基础设施即服务）质量和数据服务（云存储）质量、SLA（服务水平协议）角度，通过对云服务质量因子进行量化，建立云质量控制动力系统来控制软件生成。
其中云服务质量因子包括：服务质量、软件质量、平台质量、基础设施质量、数据服务质量和服务水平协议，所述服务质量包括响应时间、可靠性、可用性、成功率和频率；所述软件质量包括可重用性、可配置性、价格、共享程度和可定制性；所述平台质量包括稳定性、差错率、是否满足Internet访问、是否支持瘦客户端和支持多租户机制；所述基础设施质量包括服务器可用性、网络性能保障、负载均衡、异常通知机制、支持响应时间；所述数据服务质量包括完整性、满足非关系数据库特性、数据类型、存储模式和可访问水平；所述服务水平协议包括服务水平协议与服务质量的关系、与基础设施即服务的关系、与平台即服务的关系、与软件即服务的关系、与数据服务质量的关系，以及服务级别目标。
如图9所示，为实现软件生成，需进行以下步骤：
S91、在云计算环境中制定一组满足云服务和OWL-S要求的目标接口；
S92、在映射规则约束库的约束和控制下，将源接口与目标接口映射，并在映射过程实现云服务寻址中断，搜索满足映射需要的云服务，其中的寻址中断是根据不同的映射要求采用不同的寻址策略，并且当寻址不能进行时，实现中断，转向下一个寻址；
S93、获取步骤S92中云服务寻址的执行路径，并且有效避开NP(Non-deterministic Polynomial)难问题；
S94、在执行路径的节点处判断云质量，其方法为对云服务质量因子进行量化，采用遗传算法，在时间t内，获得一组满足用户要求和云计算环境要求，以及源接口与目标接口转换对接要求的质量量化因子，并根据该质量因子结果参数确立云质量控制动力系统，所述方程通过求微分/偏微分方程的稳定性，以及软件生成时的动力性两个方面控制软件的自动生成；
S95、将稳定性和动力性两个特性用于步骤S92软件生成的寻址中断中，直到搜索到满足需要的云服务；
S96、在云计算环境中实现云服务聚集，并同时获取各云服务识别编号，从配置文件角度配置这些可复用的云服务，形成满足用户需求的潜在Internet软件实体。
（四）、软件的测试和发布
在生成多个满足用户需求的潜在Internet软件实体后，还需将这些软件进行测试、验证及微调，使其最大程度的满足用户需求，具有较强的可用性和健壮性。
如图10所示，软件的测试和发布包括以下步骤：
S101、根据云计算环境要求，“固化”（就在云计算中将所生成的软件以服务的形式固定在服务器）所生成的软件；
S102、将步骤S101所生成的软件以具体的测试案例进行测试，根据测试结果在云计算的支持下对软件进行微调，选出最佳软件；
S103、将步骤S102的结果进行软件发布，并以服务的模式呈现。
实施例：以Amazon云计算为基础生成一个简易售书软件
（一）、用户需求采集和提取
1、建立一个基于Web的用户需求采集和提取平台，该平台可重复使用；
2、在用户需求采集和提取平台中输入用户相关信息及需求信息，包括用户类型（本实施例中为普通店面用户），用户希望软件具备的功能等；
3、通过用户需求采集和提取平台对用户需求进行过滤筛选，获得用户具体需求及用户需求情感；
4、对用户具体需求及用户需求情感进行自动归类，获得用户需求内容，用户的需求可以概述为：“将店面所有的书放到售书系统中，并可以根据市场销售情况、最新书讯等添加、删减系统中的书目，同时要求实现网上销售，还包括物流跟踪情况”。
(二)、用户需求处理与转换
1、将用户需求内容进行特征分析/角色分析、行为分析、情感倾向分析、需求分类和制定验证策略，其中特征分析、行为分析、情感倾向分析、需求分类采用支持向量机来实现，情感分析还采用具备情感的蚁群策略实现；
2、对步骤1中特征分析和角色分析、行为分析、用户情感倾向分析、需求分类所得内容进行基于本体（描述逻辑语言SHOIN(D)）的语义化；
3、对步骤2中语义化后的内容进行推理演算，生成计算机能识别的需求关系图；
4、对需求关系图进行转换和加载，形成具备描述功能的OWL-S语义描述语言，并制定一组语义转换和加载的源接口，OWL-S描述结果及源接口描述如下：
5、制定用户需求处理的映射规则约束库，其目的是将OWL-S语言能顺利的映射至云服务中。
(三)、软件生成
1、在云计算环境中制定一组满足云服务和OWL-S要求的目标接口；
2、在映射规则约束库的约束和控制下，将源接口与目标接口映射，并在映射过程实现云服务寻址中断，搜索满足映射需要的云服务，本实施例中的云服务如下面所述，映射描述结果如图12所示：
3、获取步骤2中云服务寻址的执行路径，并且有效避开NP(Non-deterministic Polynomial)难问题；
4、在执行路径的节点处对云服务质量因子进行量化，采用遗传算法，在时间t内，获得一组满足用户要求和云计算环境要求，以及源接口与目标接口转换对接要求的质量量化因子，并根据该质量因子结果参数建立云质量控制动力系统，所述方程通过求微分/偏微分方程的稳定性，以及软件生成时的动力性两个方面控制软件的自动生成；
5、将稳定性和动力性两个特性用于步骤2软件生成的寻址中断中，直到搜索到满足需要的云服务；
6、在云计算环境中实现云服务聚集，并同时获取各云服务识别编号，从配置文件角度配置这些可复用的云服务，形成满足用户需求的潜在Internet软件实体。
（四）、软件的测试和发布
1、根据云计算环境要求，“固化”（就在云计算中将所生成的软件以服务的形式固定在服务器）所生成的软件；
2、将步骤1所生成的软件以具体的测试案例进行测试，根据测试结果在云计算的支持下对软件进行微调，选出最佳软件；
3、将步骤2的结果进行软件发布，并以服务的模式呈现。
以上介绍了一种面向云的软件自动生成方法。本发明并不限定于以上实施方式，任何未脱离本发明技术方案，即仅仅对其进行本领域普通技术人员所知悉的改进或变更，均属于本发明的保护范围之内。
Claims (6)
1.一种面向云的软件自动生成方法，其特征在于，所述方法包含如下步骤：
步骤(1)：用户需求采集和提取，包含步骤(1.1)～步骤(1.4)：步骤(1.1)建立一个基于Web的用户需求采集和提取平台；步骤(1.2)将用户需求信息输入用户需求采集和提取平台；步骤(1.3)通过用户需求采集和提取平台对用户需求进行过滤筛选，获得用户具体需求及用户需求情感；
步骤(1.4)对用户具体需求及用户需求情感进行自动归类，获得用户需求内容；
步骤(2)：用户需求处理与转换，包含步骤(2.1)～步骤(2.6)：步骤(2.1)将用户需求内容进行特征分析/角色分析、行为分析、用户情感倾向分析、需求分类并制定验证策略；步骤(2.2)对步骤(2.1)中特征分析/角色分析、行为分析、用户情感倾向分析、需求分类所得内容进行基于本体的语义化；步骤(2.3)对步骤(2.2)中语义化后的内容进行推理演算，生成计算机能识别的需求关系图；步骤(2.4)对需求关系图进行转换和加载，形成具备描述功能的OWL-S语义描述语言；步骤(2.5)制定一组语义转换和加载的源接口，该接口满足OWL-S要求；步骤(2.6)制定用户需求处理的映射规则约束库；
步骤(3)：软件生成，包含步骤(3.1)～步骤(3.6)：步骤(3.1)在云计算环境中制定一组满足云服务和OWL-S要求的目标接口；步骤(3.2)在映射规则约束库的约束和控制下，将源接口与目标接口映射，并在映射过程实现云服务寻址中断，搜索满足映射需要的云服务，其中寻址中断是根据不同的映射要求采用不同的寻址策略，并且当寻址不能进行时，实现中断，转向下一个寻址；步骤(3.3)获取步骤(3.2)中云服务寻址的执行路径，并且有效避开NP难问题；步骤(3.4)在执行路径的节点处判断云质量，其方法为对云服务质量因子进行量化，采用遗传算法获取最优的质量因子结果，并根据该质量因子结果参数确立云质量控制动力系统方程，所述方程通过求微分/偏微分方程的稳定性，以及软件生成时的动力性两个方面控制软件的自动生成；步骤(3.5)将稳定性和动力性两个特性用于步骤(3.2)软件生成的寻址中断中，直到搜索到满足需要的云服务；步骤(3.6)在云计算环境中实现云服务聚集，并同时获取各云服务识别编号，从配置文件角度配置这些可复用的云服务，形成满足用户需求的潜在Internet软件实体。
2.如权利要求1所述的一种面向云的软件自动生成方法，其特征在于，所述方法还包含以下步骤：
步骤(a)：根据云计算环境要求，固化所生成的软件，即在云计算中将所生成的软件以服务的形式固定在服务器；
步骤(b)：将步骤(a)所生成的软件以具体的测试案例进行测试，根据测试结果在云计算的支持下对软件进行微调，选出最佳软件；
步骤(c)：发布步骤(b)形成的软件，以服务的模式呈现。
3.如权利要求1或2任一所述的一种面向云的软件自动生成方法，其特征在于，所述步骤(1.3)中的对用户需求进行过滤筛选采用一种满足用户需求分析的改进性协同过滤算法来实现，所述改进性协同过滤算法就是在协同过滤中增加一个筛选规则。
4.如权利要求1或2任一所述的一种面向云的软件自动生成方法，其特征在于，所述步骤(2.1)中的特征分析/角色分析、行为分析、需求分类采用支持向量机来实现，所述用户情感倾向分析采用支持向量机和具备情感的蚁群策略实现。
5.如权利要求1所述的一种面向云的软件自动生成方法，其特征在于，所述步骤(2.1)中的“用户情感”是指用户对不同需求存在的偏好，所述“验证策略”是指验证特征分析/角色分析、行为分析、用户情感倾向分析、需求分类的规则库。
6.如权利要求1所述的一种面向云的软件自动生成方法，其特征在于，所述质量因子包括：服务质量、软件质量、平台质量、基础设施质量、数据服务质量和服务水平协议，所述服务质量包括响应时间、可靠性、可用性、成功率和频率；所述软件质量包括可重用性、可配置性、价格、共享程度和可定制性；所述平台质量包括稳定性、差错率、是否满足Internet访问、是否支持瘦客户端和支持多租户机制；所述基础设施质量包括服务器可用性、网络性能保障、负载均衡、异常通知机制、支持响应时间；所述数据服务质量包括完整性、满足非关系数据库特性、数据类型、存储模式和可访问水平；所述服务水平协议包括服务水平协议与服务质量的关系、与基础设施即服务的关系、与平台即服务的关系、与软件即服务的关系、与数据服务质量的关系，以及服务级别目标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210201082.7A CN102736921B (zh) | 2012-06-18 | 2012-06-18 | 一种面向云的软件自动生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210201082.7A CN102736921B (zh) | 2012-06-18 | 2012-06-18 | 一种面向云的软件自动生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102736921A CN102736921A (zh) | 2012-10-17 |
| CN102736921B true CN102736921B (zh) | 2014-10-29 |
Family
ID=46992478
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201210201082.7A Active CN102736921B (zh) | 2012-06-18 | 2012-06-18 | 一种面向云的软件自动生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102736921B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104298604B (zh) * | 2014-11-06 | 2017-06-20 | 哈尔滨工业大学 | 云服务健壮性测试系统及测试方法 |
| CN104601717A (zh) * | 2015-01-30 | 2015-05-06 | 百度在线网络技术（北京）有限公司 | 通信信息的处理方法、装置及系统 |
| CN113806414A (zh) * | 2020-06-11 | 2021-12-17 | 中移(苏州)软件技术有限公司 | 一种架构重构方法、装置和计算机可读存储介质 |
| CN112068805B (zh) * | 2020-09-02 | 2024-05-03 | 中国航空无线电电子研究所 | 一种需求开发方法 |
| CN113362024B (zh) * | 2021-06-03 | 2022-04-26 | 深圳市赞悦科技有限公司 | 一种基于区块链的应用程序开发多模块协同系统 |
| CN114338383B (zh) * | 2021-12-30 | 2024-04-23 | 天翼物联科技有限公司 | 一种视频设备简化配置方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1693745A1 (en) * | 2003-09-22 | 2006-08-23 | Catena Corporation | Software generation method |
| CN101621534A (zh) * | 2009-08-11 | 2010-01-06 | 周相兵 | 一种面向服务体系结构的语义服务自动组合方法 |
| CN101719933A (zh) * | 2009-11-25 | 2010-06-02 | 北京航空航天大学 | 一种支持语义的面向全生命周期的制造网格资源服务组合方法 |
| CN101788907A (zh) * | 2010-01-04 | 2010-07-28 | 北京航空航天大学 | 组合服务精简测试用例的自动生成方法及装置 |
-
2012
- 2012-06-18 CN CN201210201082.7A patent/CN102736921B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1693745A1 (en) * | 2003-09-22 | 2006-08-23 | Catena Corporation | Software generation method |
| CN101621534A (zh) * | 2009-08-11 | 2010-01-06 | 周相兵 | 一种面向服务体系结构的语义服务自动组合方法 |
| CN101719933A (zh) * | 2009-11-25 | 2010-06-02 | 北京航空航天大学 | 一种支持语义的面向全生命周期的制造网格资源服务组合方法 |
| CN101788907A (zh) * | 2010-01-04 | 2010-07-28 | 北京航空航天大学 | 组合服务精简测试用例的自动生成方法及装置 |
Non-Patent Citations (6)
| Title |
|---|
| 一种SaaS质量多目标模型的遗传优化研究;马洪江 等;《计算机应用研究》;20110715;第28卷(第7期);全文 * |
| 一种基于云计算的SaaS组装方法研究;周相兵 等;《小型微型计算机系统》;20101015;第31卷(第10期);全文 * |
| 周相兵 等.一种基于云计算的SaaS组装方法研究.《小型微型计算机系统》.2010,第31卷(第10期), |
| 周相兵 等.基于划分算法的SaaS寻址中断软件生成策略.《计算机应用》.2012,第32卷(第2期), |
| 基于划分算法的SaaS寻址中断软件生成策略;周相兵 等;《计算机应用》;20120201;第32卷(第2期);全文 * |
| 马洪江 等.一种SaaS质量多目标模型的遗传优化研究.《计算机应用研究》.2011,第28卷(第7期), |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102736921A (zh) | 2012-10-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pham et al. | A cost-and performance-effective approach for task scheduling based on collaboration between cloud and fog computing | |
| CN102736921B (zh) | 一种面向云的软件自动生成方法 | |
| JP6425735B2 (ja) | 一時的な取引制限の決定 | |
| US9418146B2 (en) | Optimizing a clustered virtual computing environment | |
| US9996888B2 (en) | Obtaining software asset insight by analyzing collected metrics using analytic services | |
| US20200167427A1 (en) | Training an artificial intelligence to generate an answer to a query based on an answer table pattern | |
| Subramanian et al. | Application based brokering algorithm for optimal resource provisioning in multiple heterogeneous clouds | |
| Jrad et al. | SLA enactment for large-scale healthcare workflows on multi-cloud | |
| Ashawa et al. | RETRACTED ARTICLE: Improving cloud efficiency through optimized resource allocation technique for load balancing using LSTM machine learning algorithm | |
| Ganne | Emerging Business Trends in Cloud Computing | |
| López-Pires et al. | Cloud computing resource allocation taxonomies | |
| CN110349005A (zh) | 用户经营策略生成方法、装置及电子设备 | |
| Jeyaraman et al. | Optimizing Resource Allocation in Cloud Computing Using Machine Learning | |
| US20160041851A1 (en) | Executing a command on an optimal smart device | |
| Stupar et al. | Model-based cloud service deployment optimisation method for minimisation of application service operational cost | |
| Li et al. | Efficient market strategy based optimal scheduling in hybrid cloud environments | |
| Nedeltcheva et al. | Models for innovative IoT ecosystems | |
| CN104967631B (zh) | 一种分享云存储内容的方法和装置 | |
| Preethi et al. | Cloud service ranking and selection using linear programming | |
| Nagarajan et al. | Multi agent deep reinforcement learning for resource allocation in container‐based clouds environments | |
| US10762432B2 (en) | Semantic analysis network resource provider recommendation system | |
| Feng et al. | A novel QoS-aware mechanism for provisioning of virtual machine resource in cloud | |
| Soltvedt | A Distributed-to-Centralized Cost Model for Service Selection in Smart Cities | |
| CN104142863B (zh) | 基于流守恒的资源配置方法 | |
| Mousa et al. | Trust model development for cloud environment using fuzzy mamdani and simulators |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |