CN111699472B - 确定用于开发复杂嵌入式或信息物理系统的方法 - Google Patents
确定用于开发复杂嵌入式或信息物理系统的方法 Download PDFInfo
- Publication number
- CN111699472B CN111699472B CN201980011159.4A CN201980011159A CN111699472B CN 111699472 B CN111699472 B CN 111699472B CN 201980011159 A CN201980011159 A CN 201980011159A CN 111699472 B CN111699472 B CN 111699472B
- Authority
- CN
- China
- Prior art keywords
- tagged
- vector
- decision
- standardized
- matrix
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000013598 vector Substances 0.000 claims abstract description 100
- 238000004590 computer program Methods 0.000 claims abstract description 34
- 238000013461 design Methods 0.000 claims abstract description 18
- 238000011161 development Methods 0.000 claims abstract description 16
- 238000005516 engineering process Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 95
- 239000003550 marker Substances 0.000 claims description 28
- 238000011156 evaluation Methods 0.000 claims description 25
- 238000010606 normalization Methods 0.000 claims description 16
- 238000010801 machine learning Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 239000000203 mixture Substances 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims 2
- 238000012913 prioritisation Methods 0.000 claims 2
- 238000012545 processing Methods 0.000 claims 2
- 230000008676 import Effects 0.000 claims 1
- 238000012795 verification Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 23
- 230000018109 developmental process Effects 0.000 description 12
- 230000009471 action Effects 0.000 description 9
- 238000013507 mapping Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000000534 ion trap mass spectrometry Methods 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 238000001311 chemical methods and process Methods 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- HOWHQWFXSLOJEF-MGZLOUMQSA-N systemin Chemical compound NCCCC[C@H](N)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CC(O)=O)C(=O)OC(=O)[C@@H]1CCCN1C(=O)[C@H]1N(C(=O)[C@H](CC(O)=O)NC(=O)[C@H](CCCN=C(N)N)NC(=O)[C@H](CCCCN)NC(=O)[C@H](CO)NC(=O)[C@H]2N(CCC2)C(=O)[C@H]2N(CCC2)C(=O)[C@H](CCCCN)NC(=O)[C@H](CO)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@@H](NC(=O)[C@H](C)N)C(C)C)CCC1 HOWHQWFXSLOJEF-MGZLOUMQSA-N 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 108010050014 systemin Proteins 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/70—Software maintenance or management
- G06F8/77—Software metrics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/70—Software maintenance or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
- G06F8/61—Installation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Stored Programmes (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
为了改善不同技术领域的复杂的嵌入式或信息物理系统、并且特别是其中包括和/或使用的复杂的软件架构的开发、设计和/或部署，提出了一种复杂的专业知识或工具重要性措施推荐系统（MRS，CPP）。特别是由计算机程序产品（CPP）形成的本措施推荐系统（MRS，CPP）被定制以确定并提供适当的措施（MEA），以通过自动提供措施确定向量（MDV）而在设计、开发和/或部署不同技术领域的系统期间有效地改善决策过程。
Description
技术领域
本发明涉及确定用于开发、设计和/或部署不同技术领域的复杂的嵌入式或信息物理系统（特别是其中使用的复杂的软件架构）的措施的方法，以及确定用于开发、设计和/或部署不同技术领域的复杂的嵌入式或信息物理系统（特别是其中使用的复杂的软件架构）的措施的计算机程序产品。
背景技术
为了开发、设计和/或部署被用于不同技术领域的复杂的嵌入式或信息物理系统，并且尤其是其中包含的复杂的软件架构，在开发、设计和/或部署期间做出可持续的决策是有利的，所述技术领域诸如航空航天、汽车、化学过程、民用基础设施、能源、医疗保健、制造、运输、娱乐、消费家电等。后者还涵盖对那些系统——相应的架构的维护。
决策对于由软件和硬件部分组成的复杂的技术系统很重要。普遍认为系统的软件架构包含（设计）决策的集合。做出错误或次优决策可能会对系统架构及其技术系统的整体质量有负面影响。在这种背景下：
-信息物理系统指代协调控制物理实体的计算元素的系统（https:// en.wikipedia.org/wiki/cyber-physical_system，按2018年1月30日的修订版），因此技术领域可能会随着比如航空航天、汽车、化学过程、民用基础设施、制造、运输、能源、医疗保健、娱乐、消费家电等的领域而不同，并且包括技术资本和/或生产者物品；
-软件架构指代软件系统的高级结构，创建这样的高层结构的原则以及该结构的文献资料（https://en.wikipedia.org/wiki/software_architecture，按2018年3月1日的修订版）。在更广泛的范围内，架构或系统架构类似地指代技术系统的高级结构；
-（设计-）决策或（设计-）决策的集合是架构或系统架构的基本组成部分。系统架构师（architect）不仅在架构的初始定义期间，而且在技术系统的维护期间，都定期做出决策。决策解决了利益相关者的顾虑，这些顾虑影响技术系统的元素。
在决策过程期间，比如架构师和开发人员等的个人较喜欢自然主义的方法进行决策[1]-[3]。
在这方面，架构师和开发人员的个人经验和知识在决策过程中起到至关重要的作用[3]、[4]。
实证研究表明，与新手相比，经验丰富的架构师和开发人员有效地探索问题空间并且使用有效的决策策略[5]。
然而，存在找到尤其拥有足够的知识来解决特定问题的、经验丰富的架构师的固有问题。此外，个人经验的量化仍然是一个开放的挑战。例如，此主张得到了国际软件架构大会2017年会议[6]的讨论要点之一的支持：
“标识组织和项目中的‘架构技能’：谁或什么是组织中的架构（architectural）专业知识和能力的来源，以及我们可以如何标识它们……”。
复杂的嵌入式或信息物理系统是庞大的且涉及大的开发团队的事实加剧了这个问题。像今天这样完成的手动选择要采用的适当措施导致对个人的次优或非最佳选择。这些个人进而可能做出次优或错误的决策，从而导致技术系统的非最佳架构和功能。
因此，寻找适当的措施、尤其是寻找适当的专家或工具，以便开发、设计和/或部署复杂的系统架构，以及更普遍地开发、设计和/或部署复杂的嵌入式或信息物理系统仍然是一个挑战。
确定适当的或最合适的措施、尤其是专家或工具，以在开发或维护技术系统期间做出决策的过程是一个手动过程，其依赖于对技术系统拥有概述的人、并且特别是技术系统的开发团队的所有成员的技能。当然，可以建立知识库并且用专家的技能来填充，但是这只能转移问题，因为它仍然是一项手动任务，其再次需要专业知识来用正确的技能信息填充该知识库。另外，手动创建的知识库容易有过时的数据，这给决策过程造成附加的风险。
发明内容
本发明的目的（目标）是提出一种确定用于开发、设计和/或部署不同技术领域的复杂的嵌入式或信息物理系统（特别是其中使用的复杂的软件架构）的措施的方法和计算机程序产品，其中，该方法和计算机程序产品均改善了对复杂的嵌入式或信息物理系统（并且特别是其中包含和/或使用的复杂的软件架构）的开发、设计和/或部署，使得解决了上面所讨论的方面。
基于本公开各实施例的方法来解决该目的（目标）。
基于本公开各实施例的计算机程序产品进一步解决该目的（目标）。
根据本公开实施例的基本想法是提供一种方法和计算机程序产品，以用于借助于复杂的专业知识或工具重要的措施推荐系统来改善复杂的嵌入式或信息物理系统及它们的（软件）架构的质量。该措施推荐系统（其特别是由计算机程序产品形成）被定制以通过自动提供措施确定向量来确定和提供适当的措施以有效地改善设计、开发和/或部署不同技术领域的系统期间的决策过程。
所以本申请提出了一种方法，并提出了一种计算机程序产品，它们均确定用于开发、设计和/或部署不同技术领域的复杂的嵌入式或信息物理系统（特别是其中使用的复杂的软件架构）的措施，使得该方法和计算机程序产品二者都自动提供措施确定向量，由于所述措施确定向量而推荐措施，像专家或工具、谁或什么适合解决在开发、设计和/或部署复杂的嵌入式或信息物理系统（特别是复杂的软件架构）时的特定问题，其由一问题提出。
想法是从问题跟踪系统<ITS>自动得到，该问题跟踪系统<ITS>被设计为基于不同种类的数据源（诸如JIRA、GitHub或Whiteboard）的问题跟踪数据库系统<ITDBS>，并且包括：众多已解决问题，其中，问题的解决者（resolver）可以是专家或工具；以及至少一个未解决的问题，其必须被解决；解决者相关问题评估矩阵<IEM>，其例如可以是专业知识矩阵或工具重要的矩阵，它关于所述人员（专家）的经验如何，或所述工具适用于某些主题的程度的推荐措施为问题的解决者（即，潜在的专家或适当的工具）进行定义。
用从问题跟踪系统提取的数据来自动填充矩阵本身。关于未解决的问题以及对于相应要采取的每个新决策，将通过使用矩阵来确定最适合的专家（即，架构师、设计师或开发人员），或最适当的工具。这样的矩阵的示例在图8中被描绘，该图8示出了从可公开获得的开源软件系统的问题跟踪数据库系统得到的专业知识矩阵的摘录。
为了到达所提出的目标
（i）问题跟踪数据库系统，其维护与开发、设计和/或部署复杂的嵌入式或信息物理系统，并且特别是复杂的软件架构有关的所有问题，
（ii）措施推荐系统，其分析和处理问题，并且最终递送推荐，相应地基于措施确定向量来确定措施，
（iii）知识数据库系统<KDBS>，其保留该措施推荐系统所需的所有相关信息，以及由该措施推荐系统产生的结果，以及
（iv）本体数据库系统<ODBS>（像DBpedia），其被用来确定在专业知识或工具重要性形式的功能单元的背景下有关的术语（参考图1A和图1BA、图1A和图1BB）。
问题跟踪数据库系统（基于https://en.wikipedia.org/wiki/Issue_tracking_ system，按2018年1月18日的修订版），有时也被称为：故障工单系统、支持工单系统、请求管理系统或事件工单系统，其是根据组织的需要来管理和维护问题列表的计算机软件包。问题跟踪数据库系统通常被用于组织中，以创建、更新和解决所报告的客户问题，或者甚至是由该组织的其他雇员报告的问题。支持工单应当包括所涉及的帐户和所遇到的问题的重要信息。根据https://en.wikipedia.org/wiki/Knowledge_base（按2018年2月13日的修订版），问题跟踪数据库系统常常还包含：关于每个客户的信息、常见问题的解决方案以及其他外围信息。问题跟踪数据库系统类似于“错误跟踪器”。常常，软件公司将使用这两者。某些“错误跟踪器”能够被用作问题跟踪数据库系统，并且反之亦然。问题或错误跟踪数据库系统的一致使用被视为“良好软件团队的标志”之一。
说着，想法可以应用于设计、开发和/或部署使用某个类型的问题跟踪的任何技术系统，而不仅限于问题跟踪数据库系统。
遵循根据本发明的教导的所提出的方法在于：在作为初步步骤的问题评估阶段中，其中，从问题跟踪数据库系统（例如，JIRA和GitHub问题跟踪器）中提取已解决问题的数据，并且进行评估，并且在作为随后步骤的措施确定阶段中，其中，为输入或插入问题跟踪数据库系统中的新近未解决的问题推荐或确定措施，诸如专家或工具，
-使用问题跟踪数据库系统，以便考虑决策的历史记录。在工业环境以及在开源系统项目两者中，使用问题跟踪数据库系统来管理与系统有关的问题正变得越来越普遍。决策——尽管对于系统架构以及开发、设计和/或部署是重要的——但常常并没有为技术系统明确记录，而这样的问题跟踪器[7]中的决策被隐式捕获。决策可能是由于适当的物理属性而选择特定的组件，或者是应用某种模式来解决特定的问题；
-通过至少部分地应用机器学习算法来标识问题跟踪数据库系统中的决策以及将它们分类为类别，大型系统中的信息过载被（半）自动地解决；
-知识数据库系统被用来存储、管理和提供相关信息；
最后，所提出的方法在于：在措施确定阶段中，算法使用知识数据库系统来推荐相应的确定措施，从而解决新的未解决的问题。
利用这种方法，通过在问题评估矩阵<IEM>的帮助下分析由架构师、设计师和/或开发人员他们过去对进行的项目做出的决策来努力量化专业知识或工具的重要性。
这允许人
-在矩阵中进一步搜索，以找到具有相关专业知识的人或具有适当重要性的工具，以便以定量的方式处理特定顾虑，以便通过为正确的问题挑选正确的专家或工具来促进对技术系统的更快开发、设计；
-通过使用问题跟踪数据库系统寻找专家或工具来解决复杂的技术系统中的问题，由此通过对决策进行定期自动提取和分类来解决信息过载；
-维护知识数据库系统中所需的相关信息；
-定期访问问题跟踪数据库系统，并且使用适当的数据结构以灵活的方式将内容拷贝到知识数据库系统中，由此自动地维护知识数据库系统；
-从问题跟踪数据库系统中检测所导入问题中的决策；
-对检测到的决策进行分类；
-通过使用静态知识库或者通过访问诸如DBpedia之类的本体数据库系统来确定决策中的架构元素；
-确定决策中的架构元素的相关性；
-从问题中提取“受让人”，以用个人——专家|——来填充该知识数据库系统；
-建立问题评估矩阵，例如，专家矩阵或关于工具重要性的工具矩阵，关于相关元素来指定和量化个人的专业知识或工具重要性；
-将输入或插入的未解决的问题中的新决策与矩阵进行匹配，以确定适合于解决该决策的专家/工具重要性，并且对其进行排名；
本公开的其它实施例中陈述了本发明的其他有利改善。
附图说明
此外，本发明的有利的另外的发展产生于根据图1A和图1B至图9的本发明的优选实施例的以下描述。附图示出了：
图1A和图1B，措施推荐系统的基本结构，该措施推荐系统确定并提供适当的措施以在设计、开发和/或部署不同技术领域的系统期间有效地改善决策过程；
图2，如图1A和图1B中描绘的措施推荐系统中使用的问题评估阶段的基本结构；
图3，在问题评估阶段期间，如在图1A和图1B中描绘的措施推荐系统中使用的导入程序模块的工作原理；
图4，如在图1A和图1B中描绘的措施推荐系统中使用的决策检测程序模块的工作原理；
图5，如在图1A和图1B中描绘的措施推荐系统中使用的元素检测程序模块的工作原理；
图6，如图1A和图1B中描绘的措施推荐系统中使用的措施确定阶段的基本结构；
图7，在措施确定阶段期间，如图1A和图1B中描绘的措施推荐系统中使用的导入程序模块的工作原理；
图8，问题评估矩阵的摘录；
图9，专家/工具列表的摘录。
具体实施方式
图1A和图1B描绘了措施推荐系统MRS的基本结构，该措施推荐系统MRS确定并提供适当的措施MEA，以在设计、开发和/或部署不同技术领域的复杂的嵌入式或信息物理系统中使用的复杂的软件架构期间有效地改善决策过程。为此，将措施推荐系统MRS连接或分配给问题跟踪数据库系统ITDBS、知识数据库系统KDBS和本体数据库系统ODBS，由此与这些系统一起形成功能单元以便确定措施MEA。
问题跟踪数据库系统ITDBS包括问题跟踪管理系统ITMS和问题跟踪数据库ITDB，在其中放入了已解决问题Irs或未解决的问题Iurs，它们每个都例如关于问题类型和问题格式如此结构化或非结构化。经由问题跟踪管理系统ITMS来进行问题Irs、Iurs的此输入（输入）或插入（插入），以及还有以后从问题跟踪数据库ITDB的输出。问题Irs、Iurs可以来自不同的数据源，诸如（a）JIRA，其是允许进行错误跟踪和敏捷的项目管理的专有的问题跟踪产品；（b）GitHub，其是一种开发平台，用以托管和查看代码、用以管理项目、以及用以构建或创建软件，以及（c）Whiteboard演示文稿，诸如便笺和绘图。
可比较的结构具有知识数据库系统KDBS和本体数据库系统ODBS。所以知识数据库系统KDBS，其用作关于至少被临时缓冲和读取的访问数据的、针对措施推荐系统MRS的一种数据访问选项，包括知识管理系统KMS和知识库数据库KDB，其中访问数据被缓冲和读取。这种缓冲和读取是经由知识管理系统KMS进行的。
并且，本体数据库系统ODBS，其用作关于基于本体的通用数据GDA的针对措施推荐系统MRS的访问数据库，并且优选地被设计为DBpedia，包括本体管理系统OMS和本体数据库ODB，其中数据GDA被放入并存储。DBpedia数据库（a）是众包社区，其努力从各种与Wiki有关的媒体项目中创建的信息中提取结构化内容，（b）以机器可读的形式存储知识，并且提供收集、组织、共享、搜索和利用信息的手段，并且（c）被用作链接数据，由此彻底改变应用与Web交互的方式。通用数据的输入（输入）或插入（插入）和存储以及以后通用数据GDA的输出是经由本体管理系统OMS进行的。
为了服务功能单元，措施推荐系统MRS被设计为：计算机程序产品CPP，其主要包括非暂时性、处理器可读的存储介质STM，其具有其中存储的用于措施确定的程序模块PGM的处理器可读程序指令；以及与存储介质STM连接的处理器PRC，其执行处理器可读程序指令以确定措施MEA。此外，计算机程序产品CPP优选地包括：用户界面UI，其连接到处理器PRC，以用于输出措施MEA。
为了确定并提供措施MEA，处理器PRC以两种操作模式进行操作，在其中执行问题评估阶段IEP和措施确定阶段MDP。在执行这两个阶段的这些操作模式中，在功能单元的上下文中，其中措施推荐系统MRS利用问题跟踪数据库系统ITDBS、知识数据库系统KDBS和本体数据库系统ODBS形成，处理器PRC经由问题跟踪管理系统ITMS来访问问题跟踪数据库ITDB中的数据、经由本体管理系统OMS来访问本体数据库ODB中的数据、以及经由知识管理系统KMS来访问知识数据库KDB中的数据。
在涉及问题评估阶段IEP的操作模式中，处理器PRC逐步执行存储在非暂时性、处理器可读的存储介质STM中的各种程序模块PGM的处理器可读程序指令。所以，首先（第一步）导入程序模块I-PGM的IEP相关指令，第二（第二步）决策检测程序模块DD-PGM的IEP相关指令，第三（第三步）元素检测程序模块ED-PGM的IEP相关指令，以及第四（第四步）矩阵处理程序模块MP-PGM的IEP相关指令。
尽管图2示出了涵盖所有四个步骤的问题评估阶段IEP的基本结构（总体概述），但是在图3、4、5和8中描绘了问题评估阶段IEP的单个步骤，其中，图3示出了第一IEP步骤，图4示出了第二IEP步骤，图5示出了第三IEP步骤，并且图8示出了第四IEP步骤。
在涉及措施确定阶段MDP的操作模式中，处理器PRC逐步执行存储在非暂时性、处理器可读存储介质STM中的各种程序模块PGM的处理器可读程序指令。所以，首先是导入程序模块I-PGM的MDP相关指令，第二是决策检测程序模块DD-PGM的MDP相关指令，第三是元素检测程序模块ED-PGM的MDP相关指令，第四是向量处理程序模块VP-PGM的MDP相关指令，以及第五是措施确定程序模块MD-PGM的MDP相关指令。
尽管图6示出了涵盖所有五个步骤的措施确定阶段MDP的基本结构（总体概述），但是在图7、4、5和9中描绘了措施确定阶段MDP的单个步骤，其中，图7示出了第一MDP步骤，图4示出了第二MDP步骤，图5示出了第三MDP步骤，图6示出了第四MDP步骤，并且图9示出了第五MDP步骤。
关于导入程序模块I-PGM、决策检测程序模块DD-PGM和元素检测程序模块ED-PGM的逐步应用，两个阶段IEP、MDP是相同的。
现在根据图1A和图1B中的描绘并且根据图2中的总体概述来描述具有其单个IEP步骤的问题评估阶段IEP。
在第一IEP步骤中，其中措施推荐系统MRS，相应地计算机程序产品CPP的处理器PRC访问知识数据库系统KDBS和问题跟踪数据库系统ITDBS，并且执行导入程序模块I-PGM，编辑并评估存储在问题跟踪数据库系统ITDBS的问题跟踪数据库ITDB中的已解决问题Irs，使得已解决问题Irs变得标准化。这意味着问题Irs经受标准化过程NOR，其由Irs（NOR）表示[参照图3中的第二描绘]。标准化过程NOR的结果是标准化的已解决问题NOR（Irs），其被存储在知识数据库KDB中。
图3以两部分描绘示出了如何详细执行第一IEP步骤（第一描绘），以及在标准化过程NOR之前和之后，已解决问题Irs的结构看起来如何（第二描绘）。
根据第二描绘，存储在问题跟踪数据库系统ITDBS的问题跟踪数据库ITDB中的已解决问题Irs通常是非结构化的，尽管也有可能已经以结构化的方式存储了它们。每个已解决问题Irs包含涉及至少“解决者”-属性R的至少一个标识数据字段、和至少涉及“总结”-和/或“描述”-属性的一个内容相关的数据字段。在左侧，描绘了在应用标准化过程NOR之前的已解决问题Irs，并且在右侧，描绘了在应用标准化过程NOR之后的已解决问题Irs。在图3中，可以灵活地控制左侧输入格式与知识数据库系统中的标准化格式之间的此图示映射。
根据第一描绘，其明确描绘了对知识数据库系统KDB和问题跟踪数据库ITDB的基于处理器的数据访问，以及导入程序模块I-PGM的基于处理器的执行，以执行第一IEP步骤。因此，由于通过对问题跟踪数据库ITDB提出问题请求REQ_ISU来循环或定期访问问题跟踪数据库ITDB，从问题跟踪数据库ITDB中读取或提取已解决问题Irs。除了通过提取或读取来定期或循环导入已解决问题Irs以外，替换地还有可能通过来自不同数据源（例如，JIRA、GitHub、Whiteboard等）的新近到达的问题来触发问题导入。
此外，通过执行导入程序模块I-PGM标准化，使用从知识数据库KDB请求的映射信息NOR_MAP_INF。利用所请求的标准化映射信息NOR_MAP_INF和提取的已解决问题Irs，执行已经在图2的描述的上下文中提到的标准化过程NOR。因此，标准化过程NOR提供了标准化的已解决问题NOR（Irs），它们被存储在知识数据库KDB中。
通过执行作为计算机程序产品的提取-变换-加载组件的导入程序模块I-PGM而执行的第一IEP步骤不仅是通过其导入现有问题的步骤。它还是通过其将新近创建的问题与知识数据库系统KDBS同步的步骤。
在第二IEP步骤中，其中措施推荐系统MRS，相应地计算机程序产品CPP的处理器PRC访问知识数据库系统KDBS，并且执行决策检测程序模块DD-PGM，首先，至少部分地在标准化的已解决问题NOR（Irs）中是固有的决策DEC通过机器学习算法被标识并被分类为类别，并且其次，关于决策DEC来标识并分类的标准化的已解决问题NOR（Irs）被设有标签LAB，并且被存储在知识数据库KDB中。
通过该第二IEP步骤，对那些标准化的已解决问题NOR（Irs）进行过滤以用于反映决策DEC。这是通过机器学习算法进行的，该算法优选地是基于包括以下两个阶段的方法的两阶段监督算法：
a）从标准化的已解决问题NOR（Irs）中自动检测决策DEC[阶段“标识”；参照图4]；
b）将标识出的决策DEC自动分类为不同类别，诸如结构、行为和不存在决策[阶段“分类”；参照图4]。
这是第二IEP步骤的第一部分。
优选地提出使用线性支持向量机算法，以便根据上述类别对决策DEC进行自动分类。然而，还应当注意到，并不排除其他种类的算法。
对于每种类型的输入源（例如，JIRA）都存在训练阶段，其中，利用某个数据子集来训练对标准化的已解决问题NOR（Irs）的标识。
之后，可以将该标识应用于该类型的数据源。如果相应地训练机器学习模型，则可以实现高准确度。
在第二IEP步骤的第二部分中，标准化的已解决问题NOR（Irs）用标签LAB标示为“决策”或“非决策”（它们分别被标记）。标准化的NOR、决策标记的DEC、LAB问题DEC、LAB[NOR（Irs）]以及优选地其确定的决策类别被存储在知识数据库系统KDB中。
图4基于图2并参考图2示出了两部分相关的第二IEP步骤的详细执行。所以，明确描绘了对知识数据库KDB的基于处理器的数据访问，以及决策检测程序模块DD-PGM的基于处理器的执行，以执行第二IEP步骤。因此，由于对知识数据库KDB的访问，该访问通过首先对知识数据库KDB提出算法请求REQ_ALG并且其次对知识数据库KDB提出标准化的已解决问题请求REQ_NOR（Irs），从知识数据库KDB中读取或提取算法ALG，相应地标准化的已解决问题NOR（Irs）。
此外，通过执行决策检测程序模块DD-PGM，并且根据第二IEP步骤的第一部分，具有两个阶段（阶段“标识”和阶段“分类”）的两阶段监督机器学习算法被应用于标准化的已解决问题NOR（Irs），以便在阶段“标识”中从标准化的已解决问题NOR（Irs）自动检测决策DEC，并且在阶段“分类”中将标识出的，相应地检测到的决策DEC自动分类分为不同类别，诸如“结构”、“行为”等和被描绘为“忽略”的不存在的决策。
此外，根据第二IEP步骤的第二部分，由于具有阶段“标识”和阶段“分类”的两阶段监督机器学习算法，分配了决策DEC，用标签LAB来标示那些标准化的已解决问题NOR（Irs）。然后在对知识数据库KDB的处理器的PRC访问的过程中，这些标准化的决策标记的问题DEC、LAB[NOR（Irs）]被存储在知识数据库系统KDB中。
所以，图4示出了标准化的已解决问题NOR（Irs）的过滤和分类。如果将问题标记为决策，则在随后的步骤中对其进行处理。
在随后的第三IEP步骤中，其中措施推荐系统MRS，相应地计算机程序产品CPP的处理器PRC访问本体数据库系统ODBS（优选地通过使用“DBpedia”本体来访问），和知识数据库系统KDBS，并且执行元素检测程序模块ED-PGM，分析了标准化的决策标记的问题DEC，LAB[NOR（Irs）]的内容相关的数据字段。这种分析以如下这样的方式发生：使得首先在存储在本体数据库系统ODBS的本体数据库ODB中的通用数据GDA的基础上，确定相关元素Erv，并且其次，被用来确定相关元素Erv的标准化的决策标记的问题DEC，LAB[NOR（Irs）]被设有标志MAR，并且被存储在知识数据库KDB中（参照图5）。
通过该第三IEP步骤，分析了根据图3中的描绘的、对标准化的决策标记的问题DEC，LAB[NOR（Irs）]（例如，已解决问题Irs的“总结”和“描述”属性）的文本描述，并且在知识数据库KDB中标示了在描述中确定的相关元素Erv。这意味着标准化的、决策标记的、元素标示的问题Erv，MAR{LAB[NOR（Irs）]}被存储在知识数据库KDB中。所以，总而言之，可以说，通过该第三IEP步骤，从对标准化的、决策标记的问题的文本描述中提取了相关元素，并且标准化的、决策标记的、元素标示的问题被保留在知识数据库KDB中。
相关元素Erv是诸如所选硬件组件、架构风格、模式、组件、技术等等的主题。对于此分析，建议使用广泛的跨领域本体数据库ODB（比如DBpedia），以便确定相关元素Erv。代替作为广泛的跨领域本体数据库ODB的DBpedia，还有其他可能的源。
图5基于图2并参考图2示出了第三IEP步骤的详细执行。所以它明确描绘了对本体数据库ODB和知识数据库KDB的基于处理器的数据访问，以及元素检测程序模块ED-PGM的基于处理器的执行，以执行第三IEP步骤。因此，首先由于对知识数据库KDB的访问，该访问通过首先对知识数据库KDB提出标准化的、决策标记的问题请求REQ_DEC，LAB[NOR（Irs）]，从知识数据库KDB中读取或提取了标准化的决策标记的问题DEC，LAB[NOR（Irs）]。然后，其次，由于对本体数据库ODB的访问，该访问通用对本体数据库ODB提出通用数据请求REQ_GDA，从本体数据库ODB读取或提取了通用数据GDA。
此外，通过执行元素检测程序模块ED-PGM，在标准化的决策标记的问题DEC，LAB[NOR（Irs）]和通用数据GDA的基础上进行分析。分析的结果可以是确定标准化的决策标记的问题DEC，LAB[NOR（Irs）]的相关元素Erv和对应标志MAR，或者是确定被描绘为“忽略”的不存在的相关元素。这些标准化的决策标记的元素标示的问题Erv，MAR{LAB[NOR（Irs）]}然后在对知识数据库KDB的处理器的PRC访问的过程中被存储在知识数据库系统KDB中。
在最后的第四IEP步骤中，其中措施推荐系统MRS，相应地计算机程序产品CPP的处理器PRC访问知识数据库系统KDBS，并且执行矩阵处理程序模块MP-PGM，存储在知识数据库系统KDB中的标准化的决策标记的元素标示的问题Erv，MAR{LAB[NOR（Irs）]}被处理，使得根据图8，创建了问题评估矩阵IEM，Mm,n，其中
-问题评估矩阵IEM，Mm,n的矩阵元素ME，M[ri，ej]一方面由“解决者”——在标准化的、决策标记的、元素标示的问题Erv，MAR{LAB[NOR（Irs）]}的标识数据字段中的属性R——形成，并且另一方面，由相关元素Erv形成，该相关元素Erv是针对标准化的、决策标记的、元素标示的问题Erv，MAR{LAB[NOR（Irs）]}所确定的，以及
-通过以下对每个矩阵元素ME，M[ri，ej]加权：确定对于矩阵元素ME，M[ri，ej]具有相同的矩阵元素群集（constellation）的标准化的、决策标记的、元素标示的问题Erv，MAR{LAB[NOR（Irs）]}的相关性。
优选地——根据图8中的描绘——通过对对于矩阵元素ME，M[ri，ej]具有相同的矩阵元素群集的标准化的决策标记的元素标示的问题Erv，MAR{LAB[NOR（Irs）]}的数量进行计数来进行确定相关性。
通过根据图8的描绘的此第四IEP步骤，创建了问题评估矩阵IEM，Mm,n，其可以是包含针对特定问题的专家（解决者）的专业知识矩阵或工具重要性矩阵。对于每个决策DEC，标示的LAB、MAR相关元素Erv，Erv[e1，e2，...en}和解决者R，R {r1，r2...rm}，它们解决了问题跟踪数据库系统ITDBS中的对应问题Irs，被插入矩阵IEM，Mm,n中，然后将矩阵IEM，Mm,n保留在知识数据库系统KDBS的知识数据库KDB中，以供随后使用。
图8中所示的问题评估矩阵IEM，Mm,n是样本数据集的专业知识矩阵的摘录。
解决者R，R{r1，r2...rm}是专家，优选地由他们的名称给出，或者关于开发、设计和/或部署不同技术领域的复杂的嵌入式或信息物理系统具有其工具重要性的工具，这些系统例如使用其中使用的复杂的软件架构。
在根据图8的所描绘的问题评估矩阵IEM，Mm,n中的解决者R，R{r1，r2...rm}的专业知识配置文件被表示为矩阵中的行，并且相关元素Erv，Erv[e1，e2，...en}被表示为矩阵中的列。此专业知识配置文件只不过是解决者配置文件向量RPV。设为：
-R = {r1，r2，r3，rm}：解决者的集合；
-Erv= {e1，e2，e3，……，en}：相关元素的集合；
-Mm,n= R x Erv：捕获了专家的专业知识或工具的重要性的矩阵；
-经验/重要性原子<ESA>：Mm,n中的单元格[ri，ej]表示经验/重要性的基本原子；
-解决者配置文件向量RPV：矩阵Mm,n内的每行M[…i，…j]。
Mm,n中的每个元素M[ri，ej]表示经验/重要性原子<ESA>。
通过实现瞄准特定元素的决策，个人获得了与相应经验/重要性原子相关的经验。针对个人的每个经验/重要性原子的计数指示经验水平。即，个人对于经验/重要性原子M[ri，ej]的经验水平越高，个人具有的在处理与对应相关元素有关的顾虑的经验就越多。个人对于经验/重要性原子的经验水平也可以是零，这指示该人员尚未实现与该经验/重要性原子有关的决策，并且量化该人员没有关于该主题的经验。
此外，个人还可以在零个或多个经验/重要性原子中具有专业知识。
矩阵Mm,n内的每行M[…i，…j]表示特定个人[…i，…j]的解决者配置文件向量RPV。例如，从问题的“受让人”属性中提取解决者的名称，该名称表示解决此问题并获得经验的解决者。使用此专业知识配置文件，相应地解决者配置文件向量RPV，可以与每个相关元素Erv，Erv{e1，e2，... en}相对应地定量评估个人的经验。
矩阵内单元的数量越高，对应的经验/重要性原子M[ri，ej]的值就越高。一旦为涉及开发、设计和/或部署对应复杂的嵌入式或信息物理系统的技术领域相关的项目生成了矩阵，该矩阵就被保留在知识数据库系统中，并且进一步被用来创建专家的推荐列表，相应地工具列表，换句话说就是根据图9的“专家列表/工具列表”EL/TL。利用这样的“专家列表/工具列表”，在技术领域相关的项目中取得进展就容易得多且快得多，这最终使技术领域中正在开发、设计和/或部署的技术产品在全球市场上具有竞争优势。除此之外或除这一点之外，“专家列表/工具列表”关于那些技术领域相关的系统或产品的维护是可持续的有用的，并且具有经济、技术重要性或有益。
现在根据图1A和图1B中的描绘以及根据图6中的总体概述，描述了具有其单个MDP步骤的措施确定阶段MDP。
在具有其单个MDP步骤的措施确定阶段MDP中，每个新近创建的未解决的问题Iurs都经历五个MDP步骤，以第一MDP步骤开始，并且以第五MDP步骤结束，其中，第一MDP步骤、第二MDP步骤和第三MDP步骤与以上在问题评估阶段IEP的背景中描述的第一IEP步骤、第二IEP步骤和第三IEP步骤基本相同。
所以，在第一MDP步骤中，其中措施推荐系统MRS，相应地计算机程序产品CPP的处理器PRC访问知识数据库系统KDBS和问题跟踪数据库系统ITDBS，并且执行导入程序模块I-PGM，编辑并评估存储在问题跟踪数据库系统ITDBS的问题跟踪数据库ITDB中的未解决的问题Iurs，使得未解决的问题Iurs变得标准化。这意味着问题Iurs经受标准化过程NOR，该标准化过程由Iurs（NOR）表示[参照图7中的第二描绘]。标准化过程NOR的结果是标准化的未解决问题NOR（Iurs），其被存储在知识数据库KDB中。
图7以两部分描绘示出了如何详细执行第一MDP步骤（第一描绘），以及在标准化过程NOR之前和之后，未解决的问题Iurs的结构看起来如何（第二描绘）。
根据第二描绘，存储在问题跟踪数据库系统ITDBS的问题跟踪数据库ITDB中的未解决的问题Iurs通常是非结构化的，尽管也有可能已经以结构化的方式存储了它们。从问题跟踪数据库ITDB中提取的每个未解决的问题Iurs再次（如已解决问题Irs）包含涉及至少“解决者”-属性R的至少一个标识数据字段、和至少涉及“总结”-和/或“描述”属性-的一个内容相关的数据字段。在左侧，描绘了在应用标准化过程NOR之前的未解决的问题Iurs，并且在右侧，描绘了在应用标准化过程NOR之后的未解决的问题Iurs。在图7中，可以灵活地控制左侧输入格式与知识数据库系统中的标准化格式之间的此图示映射。
根据第一描绘，其明确描绘了对知识数据库系统KDB和问题跟踪数据库ITDB的基于处理器的数据访问，以及导入程序模块I-PGM的基于处理器的执行，以执行第一MDP步骤。因此，由于通过对问题跟踪数据库ITDB提出问题请求REQ_ISU来循环或定期访问问题跟踪数据库ITDB，从问题跟踪数据库ITDB中读取或提取每个未解决的问题Iurs。除了通过提取或读取来定期或循环导入每个未解决的问题的Iurs以外，替换地还有可能通过来自不同数据源（例如，JIRA、GitHub、Whiteboard等）的每个新近到达的问题来触发问题导入。
此外，通过执行导入程序模块I-PGM，使用从知识数据库KDB请求的标准化映射信息NOR_MAP_INF。利用所请求的标准化映射信息NOR_MAP_INF和提取的未解决的问题Iurs，执行已经在图6的描述的上下文中提到的标准化过程NOR。因此，标准化程序NOR提供了标准化的未解决的问题NOR（Iurs），其被存储在知识数据库KDB中。
通过执行作为计算机程序产品的提取-变换-加载组件的导入程序模块I-PGM而执行的第一MDP步骤不仅是通过其导入现有问题的步骤。它也是通过其将新近创建的问题与知识数据库系统KDBS同步的步骤。
在第二MDP步骤中，其中措施推荐系统MRS，相应地计算机程序产品CPP的处理器PRC访问知识数据库系统KDBS，并且执行决策检测程序模块DD-PGM，首先，对于标准化的未解决的问题NOR（Iurs）固有的至少一个另外的决策DEC*通过机器学习算法被标识并被分类为类别，并且其次，关于另外的决策DEC*来标识并分类的标准化的未解决的问题NOR（Iurs）被设有另外的标签LAB*，并且被存储在知识数据库KDB中。
通过该第二MDP步骤，对该标准化的未解决的问题NOR（Iurs）进行过滤，其反映另外的决策DEC*。这是通过机器学习算法进行的，该算法优选地是基于包括以下两个阶段的方法的两阶段监督算法：
a）从标准化的未解决的问题NOR（Iurs）中自动检测另外的决策DEC*[阶段“标识”；参照图4]；
b）将标识出的另外的决策DEC*自动分类为不同类别中的一个类别，所述不同类别诸如结构、行为或不存在决策[阶段“分类”；参照图4]。这是第二MDP步骤的第一部分。
优选地，提出使用线性支持向量机算法，以便根据上述类别之一自动地对另外的决策DEC*归类。然而，在这里还应注意到，不排除其他种类的算法。
对于每种类型的输入源（例如，JIRA）都存在训练阶段，其中，利用某个数据子集来训练对标准化的未解决的问题NOR（Iurs）的标识。之后，可以将该标识应用于该类型的数据源。如果相应地训练机器学习模型，则可以实现高准确度。
在第二MDP步骤的第二部分中，标准化的未解决的问题NOR（Iurs）用另外的标签LAB*标示（其分别被标记）为“决策”或“非决策”。标准化的NOR、另外的决策标记的DEC*、LAB*问题DEC*、LAB*[NOR（Irs）]以及优选地确定的决策类别被存储在知识数据库系统KDB中。
图4基于图6并参考图6示出了两部分相关的第二MDP步骤的详细执行。所以，明确描绘了对知识数据库KDB的基于处理器的数据访问，以及决策检测程序模块DD-PGM的基于处理器的执行，以执行第二MDP步骤。因此，由于对知识数据库KDB的访问，该访问通过首先对知识数据库KDB提出算法请求REQ_ALG，并且其次对知识数据库KDB提出标准化的未解决的问题请求REQ_NOR（Iurs），从知识数据库KDB中读取或提取了算法ALG，相应地标准化的未解决的问题NOR（Iurs）。
此外，通过执行决策检测程序模块DD-PGM，并且根据第二MDP步骤的第一部分，具有两个阶段（阶段“标识”和阶段“分类”）的两阶段监督机器学习算法被应用于标准化的未解决的问题NOR（Iurs），以便在阶段“标识”中从标准化的未解决的问题NOR（Iurs）自动检测另外的决策DEC*，并且在阶段“分类”中将标识出的，相应地检测到的另外的决策DEC*自动分类为不同类别中的一个类别，所述不同类别诸如“结构”、“行为”等和被描绘为“忽略”的不存在决策。
此外，根据第二MDP步骤的第二部分，由于具有阶段“标识”和阶段“分类”的两阶段监督机器学习算法，分配了另外的决策DEC*，用标签LAB*来标示标准化的未解决的问题NOR（Iurs）。该标准化的另外的决策标记的问题DEC*，LAB*[NOR（Iurs）]然后在对知识数据库KDB的处理器的PRC访问的过程中被存储在知识数据库系统KDB中。
所以，图4还示出了标准化的未解决的问题NOR（Iurs）的过滤和分类。如果将问题标记为决策，则在随后步骤中对其进行处理。
在随后的第三MDP步骤中，其中措施推荐系统MRS，相应地计算机程序产品CPP的处理器PRC访问本体数据库系统ODBS（优选地通过使用“DBpedia”本体来访问），和知识数据库系统KDBS，并且执行元素检测程序模块ED-PGM，分析了标准化的另外的决策标记的问题DEC*，LAB*[NOR（Iurs）]的内容相关的数据字段。这种分析以如下这样的方式发生：使得首先在存储在本体数据库系统ODBS的本体数据库ODB中的通用数据GDA的基础上，确定至少一个另外的相关元素Erv*，并且其次，被用来确定另外的相关元素Erv*的标准化的另外的决策标记的问题DEC*，LAB*[NOR（Iurs）]被设有另外的标志MAR*，并且被存储在知识数据库KDB中（参照图5）。
通过该第三MDP步骤，分析了根据图7中的描绘的、对标准化的另外的决策标记的问题DEC*，LAB*[NOR（Iurs）]（例如，未解决的问题Iurs的“总结”和“描述”属性）的文本描述，并且在知识数据库KDB中标示了在描述中确定的另外的相关元素Erv*。这意味着标准化的、另外决策标记的、另外元素标示的问题Erv*，MAR*{LAB*[NOR（Irs）]}被存储在知识数据库KDB中。所以，总而言之，可以说，通过该第三MDP步骤，从对标准化的、另外决策标记的问题的文本描述中提取了另外的相关元素，并且标准化的、另外决策标记的、另外元素标示的问题被保留在知识数据库KDB中。
另外的相关元素Erv*是诸如所选硬件组件、架构风格、模式、组件、技术等等的主题。对于此分析，建议使用广泛的跨领域本体数据库ODB（比如DBpedia），以便确定另外的相关元素Erv*。代替作为广泛的跨领域本体数据库ODB的DBpedia，还有其他可能的源。
图5基于图6并参考图6示出了第三MDP步骤的详细执行。所以它明确描绘了对本体数据库ODB和知识数据库KDB的基于处理器的数据访问，以及元素检测程序模块ED-PGM的基于处理器的执行，以执行第三MDP步骤。因此，首先由于对知识数据库KDB的访问，该访问通过首先对知识数据库KDB提出另外的标准化的、决策标记的问题请求REQ_DEC*，LAB*[NOR（Iurs）]，从知识数据库KDB中读取或提取标准化的、另外的决策标记的问题DEC*，LAB*[NOR（Iurs）]。然后，其次，由于对本体数据库ODB的访问，该访问通过对本体数据库ODB提出通用数据请求REQ_GDA，从本体数据库ODB读取或提取通用数据GDA。
此外，通过执行元素检测程序模块ED-PGM，在标准化的、另外的决策标记的问题DEC*，LAB*[NOR（Iurs）]和通用数据GDA的基础上进行分析。分析的结果可以是确定另外的相关元素Erv*和标准化的、另外决策标记的问题DEC*，LAB*[NOR（Iurs）]的对应另外的标志MAR*，或者是确定被描绘为“忽略”的不存在相关元素。该标准化的、另外决策标记的、另外元素标示的问题Erv*，MAR*{LAB*[NOR（Iurs）]}然后在对知识数据库KDB的处理器的PRC访问的过程中被存储在知识数据库系统KDB中。
在随后的第四MDP步骤中，其中措施推荐系统MRS，相应地计算机程序产品CPP的处理器PRC访问知识数据库系统KDBS，并且执行矩阵处理程序模块MP-PGM，存储在知识数据库系统KDB中的标准化的、另外决策标记的、另外元素标示的问题Erv*，MAR*{LAB*[NOR（Iurs）]}被处理，使得根据图6，创建了问题评估向量IEV，其中，具有数量n的向量元素的问题评估向量IEV的向量元素由为标准化的、另外决策标记的、另外元素标示的问题Erv*，MAR*{LAB*[NOR（Iurs）]}所确定的另外的相关元素Erv*形成，并且相应地用“零值”元素填充，如果没有“相关元素Erv，Erv*-对应性”的话，其中所述数量n对应于为问题评估矩阵IEM，Mm,n中的标准化的、决策标记的、元素标示的问题Erv，MAR{LAB[NOR（Iurs）]}所确定的相关元素Erv的数量，所述另外的相关元素Erv*均对应于为问题评估矩阵IEM，Mm,n中的标准化的、决策标记的、元素标示的问题Erv*，MAR*{LAB*[NOR（Iurs）]}所确定的相关元素Erv中的一个相关元素。
有利地，如果关于问题评估向量IEV的创建，为标准化的、决策标记的、元素标示的问题Erv*，MAR*{LAB*[NOR（Iurs）]}确定了多于一个相同的另外的相关元素Erv*，则在问题评估向量IEV的创建时，通过相应增加对应的向量元素的值，考虑了相同的另外的相关元素Erv*的频率。
通过根据图6中的描绘的此第四MDP步骤，创建了问题评估向量IEV。一旦将新的未解决的问题Iurs导入到问题跟踪数据库系统ITDBS中，就检查其是否表示至少一个决策DEC*。如果是这样，则在此决策中标识出至少一个相关元素Erv*。相关元素的出现频率表示其对于该决策的权重。
通过此第四MDP步骤，为新的未解决的问题Iurs（即，决策DEC*）创建了带有向量元素ievi的问题评估向量IEV=（iev1，iev2，iev3，...，ievn），其包括值≥0和n——整个数据集中的相关元素的数量。这是用零值初始化的大小为n的整数数组。然后用对应的相关元素Erv*的频率计数代替向量元素ievi的值。
在最终的第五MDP步骤中，其中措施推荐系统MRS，相应地计算机程序产品CPP的处理器PRC访问知识数据库系统KDBS，并且执行措施确定程序模块MD-PGM，在措施确定向量MDV的基础上确定措施MEA，该措施确定向量MDV由每个问题评估向量IEV和图8中描绘的解决者配置文件向量RPV的专用解决者配置文件向量乘积RPVi的向量乘积生成，并且由具有问题评估矩阵IEM，Mm,n中的解决者配置文件向量RPV的集合D的相同“解决者”-属性R的问题评估矩阵IEM，Mm,n的那些矩阵元素ME，M[ri，ej]组成。
通过根据图9中的描绘的该最终的MDP步骤，由于应用函数MATCHING和函数PRIORITIZATION，执行了对措施MEA的确定。因此，在先前的第四MDP步骤中生成的问题评估向量IEV对照存储在知识数据库KDB中的问题评估矩阵IEM，Mm,n被匹配，以生成专家推荐列表，相应地工具列表，换句话说，根据图9的“专家列表/工具列表”EL/TL，他们/它们适合于提出对应的决策。
应该再一次表示的是，利用这样的“专家列表/工具列表”，在技术领域相关的项目中取得进展就容易得多且快得多，这最终使技术领域中正在开发、设计和/或部署的技术产品在全球市场上具有竞争优势。除此之外或除这一点之外，“专家列表/工具列表”对于那些技术领域相关的系统或产品的维护是可持续地有用的，并且具有经济、技术重要性或益处。
函数MATCHING将问题评估向量IEV、问题评估矩阵Mm,n和专家（个人）（例如，架构师和开发人员）的集合D取作输入。对于由问题评估矩阵Mm,n中的行给出的每个专业知识配置文件，相应地解决者配置文件向量RPV（专家向量），创建了大小为n的措施确定向量MDV。措施确定向量MDV中的每个元素都是新决策中的相关元素的频率（问题评估向量IEV[...i]）与对应于该相关元素的相应个体的经验水平M[ri，ej]的乘积。例如，如果新决策强调了具有较高频率计数的相关元素，并且特定个人对于此特定的相关元素具有更多经验，那么相对于这两个变量，该个人的得分成比例地增加。一旦为个人生成了专家向量，函数PRIORITIZATION就通过计算得分来发生，作为该专家向量的量值（向量长度）来计算该得分。作为向量与它自己的点积的平方根来计算专家向量的量值。因此，跨提出新决策所需的所有专业知识来均匀分布为个人所生成的得分。如果该得分大于零，则将对应的个人连同分数一起添加到“专家列表/工具列表”EL/TL。作为最后的步骤，在所有专业知识配置文件之上进行迭代之后，按分数对“专家列表/工具列表”EL/TL进行排序。
该“专家列表/工具列表”EL/TL是在根据以下算法所描述的一些伪代码所生成的措施确定向量MDV（参见图9）的基础上，通过应用函数MATCHING和函数PRIORITIZATION来创建的：
//匹配
//通过作为向量量值计算得分来确定优先顺序
其中，Mm,n是问题评估矩阵<IEM>，其利用解决者（例如，专家或工具）的R作为行以及相关元素的Erv作为列来计算R×Erv，并且
-R = {r1，r2，r3，……，rm}：解决者的集合；
-Erv= {e1，e2，e3，……，en}：相关元素的集合；
-Mm,n= R×Erv：问题评估矩阵<IEM>，其捕获专家的专业知识或工具的重要性；
-Mm,n中的矩阵元素M[ri，ej]表示经验/重要性原子<ESA>；
-经验/重要性原子<ESA>：Mm,n中的单元M[ri，ej]表示经验/重要性的基本原子；
-解决者配置文件向量：问题评估矩阵Mm,n中的每行M[...i，...j]；
-问题评估向量<IEV>；
-措施确定向量<MDV>；
-问题评估矩阵<IEM>中的行的集合D。
问题评估矩阵IEM，Mm,n、措施确定向量MDV和“专家列表/工具列表”EL/TL优选地被存储在知识数据库系统KDBS的知识数据库KDB中。
如果措施确定向量MDV包括不是“零值”向量元素的至少一个向量元素，则所确定的措施MEA是具体的；或者如果措施确定向量MDV是“零值”向量，则所确定的措施MEA不存在。
如图9所示，图1A和图1B中描绘的所提出的措施推荐系统MRS允许最终用户键入决策的文本描述，以便获得可能参与该未解决的问题Iurs的决策过程的专家的推荐列表。
依赖于或独立于所确定的措施MEA一解了未解决的问题Iurs，该未解决的问题Iurs就成为新的已解决问题Irs*，其被存储在知识数据库系统KDBS的知识数据库KDB中。
参考文献：
[1] C. Zannier，M. Chiasson和F. Maurer，“A model ofdesign decisionmaking based on empirical results of interviews with software designers”，信息与软件技术，第49卷，第6号，第637-653页，2007年。
[2]S. T. Hassard，A. Blandford和A. L. Cox，“Analogies in designdecision-making”，在关于人与计算机的第23届英国人机交互（HCI）组年度会议论文集中：庆祝人与技术。英国计算机学会，2009年，第140-148页。
[3]C. Zannier和F. Maurer，“Social factors relevant to capturing designdecisions”，在第二次共享和重用建筑知识架构、原理和设计意图的研讨会的论文集中。IEEE计算机学会，2007年，第1页。
[4]H. van Vliet和A. Tang，“Decision making in software architecture”，系统与软件杂志，第117卷，第638-644页，2016年。
[5]A. Tang，M. Razavian，B. Paech和T.-M. Hesse，“Human aspects insoftware architecture decision making: A literature review”，在软件架构（ICSA）中，于2017年的IEEE上的2017年IEEE国际会议，第107-116页。
[6]M. Galster，D. A. Tamburri和R. Kazman，“Towards understanding thesocial and organizational dimensions of software architecting”，ACM SIGSOFT软件工程笔记，第42卷，第3号，第24-25页，2017年。
[7]C. Miesbauer和R. Weinreich，“Classification of design decisions- anexpert survey in practice”，在欧洲软件架构会议上。Springer，2013年，第130-145页。
Claims (24)
1.一种用于确定复杂的嵌入式或信息物理系统的开发、设计和部署中至少之一的措施的方法，其中，所述嵌入式或信息物理系统中使用复杂的软件架构，其特征在于：
a）使用问题评估阶段（IEP），其中
a1）问题跟踪数据库系统（ITDBS）的已解决问题（Irs），是已结构化或非结构化的，并且基于不同种类的数据源，其均包含涉及至少所述问题（Irs）的“解决者”-属性（R）的至少一个标识数据字段、和涉及至少所述问题（Irs）的“总结”-和/或“描述”-属性的一个内容相关的数据字段，对所述问题（Irs）进行编辑和评估，使得已解决问题（Irs）被标准化（NOR），并且相应地，作为标准化的已解决问题（NOR（Irs））存储在知识数据库系统（KDBS）中，
a2）通过机器学习算法，标识至少部分地在标准化的已解决问题（NOR（Irs））中固有的决策（DEC），并将其分类为类别，
a3）关于决策（DEC）进行标识和分类的标准化的已解决问题（NOR（Irs））被设有标签（LAB），
a4）分析标准化的（NOR）、决策标记的（DEC，LAB）问题的内容相关数据字段，使得
a41）在本体数据库系统（ODBS）的通用数据（GDA）的基础上，确定相关元素（Erv），
a42）已为其确定相关元素（Erv）的标准化的（NOR）、决策标记的（DEC，LAB）问题被设有标志（MAR），
a5）处理存储在知识数据库系统（KDBS）中的标准化的（NOR）、决策标记的（DEC，LAB）、元素标示的（Erv，MAR）问题，使得
a51）创建问题评估矩阵（IEM，Mm,n），其中
a511）问题评估矩阵（IEM，Mm,n）的矩阵元素（ME，M[ri，ej]）一方面由标准化的（NOR）、决策标记的（DEC，LAB）、元素标示的（Erv，MAR）问题的标识数据字段中的“解决者”-属性（R）形成，并且另一方面由为标准化的（NOR）、决策标记的（DEC，LAB）、元素标示的（Erv，MAR）问题所确定的相关元素（Erv）形成，以及
a512）通过确定对于所述矩阵元素（ME，M[ri，ej]）具有相同的矩阵元素群集的标准化的（NOR）、决策标记的（DEC，LAB）、元素标示的（Erv，MAR）问题的相关性，对每个矩阵元素（ME，M[ri，ej]）加权，
b）使用措施确定阶段（MDP），其中
b1）问题跟踪数据库系统（ITDBS）的至少一个未解决的问题（Iurs），所述问题（Iurs）已经被结构化或非结构化，并且基于不同种类的数据源之一，其均包含涉及至少所述问题（Iurs）的“总结”-和/或“描述”-属性的至少一个内容相关的数据字段，对所述问题（Iurs）进行编辑和评估，使得未解决的问题（Iurs）被标准化（NOR），并且相应地，作为标准化的未解决的问题（NOR（Iurs））存储在知识数据库系统（KDBS）中，
b2）通过机器学习算法，标识对于标准化的未解决的问题（NOR（Iurs））固有的至少一个另外的决策（DEC*），并将其分类为类别，
b3）关于另外的决策（DEC*）进行标识和分类的标准化的未解决的问题（NOR（Iurs））被设有另外的标签（LAB*），
b4）分析标准化的（NOR）、另外决策标记的（DEC*，LAB*）问题的内容相关数据字段，使得
b41）在本体数据库系统（ODBS）的通用数据（GDA）的基础上，确定至少一个另外的相关元素（Erv*），
b42）已经为其确定另外的相关元素（Erv*）的标准化的（NOR）、另外决策标记的（DEC*，LAB*）问题被设有另外的标志（MAR*），
b5）处理存储在知识数据库系统（KDBS）中的标准化的（NOR）、另外决策标记的（DEC*，LAB*）、另外元素标示的（REL*，MAR*）问题，使得创建问题评估向量（IEV），其中，具有数量（n）的向量元素的问题评估向量（IEV）的向量元素由为标准化的（NOR）、另外决策标记的（DEC*，LAB*）、另外元素标示的（Erv*，MAR*）问题所确定的另外的相关元素（Erv*）形成，并且相应地用“零值”元素填充，如果没有“相关元素（Erv，Erv*）-对应性”的话，其中所述数量（n）对应于为问题评估矩阵（IEM，Mm,n）中的标准化的（NOR）、决策标记的（DEC，LAB）、元素标示的（Erv，MAR）问题所确定的相关元素（Erv）的数量，所述另外的相关元素（Erv*）均对应于为问题评估矩阵（IEM，Mm,n）中的标准化的（NOR）、决策标记的（DEC，LAB）、元素标示的（Erv，MAR）问题所确定的相关元素（Erv）中的一个相关元素，
b6）用于开发、设计和/或部署不同技术领域的复杂的嵌入式或信息物理系统的措施（MEA）是在措施确定向量（MDV）的基础上确定的，所述措施确定向量（MDV）由每个问题评估向量（IEV）和专用解决者配置文件向量（RPVi）的向量乘积生成，均由具有问题评估矩阵（IEM，Mm,n）中的解决者配置文件向量（RPV）的集合（D）的相同“解决者”-属性R的问题评估矩阵（IEM，Mm,n）的那些矩阵元素（ME，M[ri，ej]）组成。
2.根据权利要求1所述的方法，
其中，a1）问题跟踪数据库系统（ITDBS）的已解决问题（Irs），已经关于类型或格式结构化或非结构化；并且基于JIRA、GitHub或Whiteboard的不同种类的数据源，
其中，a41）在DBpedia的本体数据库系统（ODBS）的通用数据（GDA）的基础上，确定相关元素（Erv），
其中a512) 通过确定对于所述矩阵元素（ME，M[ri，ej]）具有相同的矩阵元素群集的标准化的（NOR）、决策标记的（DEC，LAB）、元素标示的（Erv，MAR）问题的数量进行计数，对每个矩阵元素（ME，M[ri，ej]）加权。
3.根据权利要求1所述的方法，其特征在于，“解决者”-属性（R）是关于开发、设计和/或部署不同技术领域的复杂的嵌入式或信息物理系统的专家。
4.根据权利要求3所述的方法，其中，所述专家由他们的名称给出。
5.根据权利要求1所述的方法，其特征在于，“解决者”-属性（R）是关于开发、设计和/或部署不同技术领域的复杂的嵌入式或信息物理系统的工具。
6.根据权利要求2-5中任一项所述的方法，其特征在于，问题评估矩阵（IEM）中的行的集合（D）用专家或工具来表示，并且因此，解决者配置文件向量（RPV）的集合（D）的解决者配置文件（RPVi）成为专家/工具配置文件向量。
7.根据权利要求2-5中任一项所述的方法，其特征在于，“专家列表/工具列表”（EL/TL）是在根据以下算法所描述的一些伪代码所生成的措施确定向量（MDV）的基础上，通过匹配和确定优先顺序来创建的：
//匹配
//通过作为向量量值计算得分来确定优先顺序
其中，Mm,n是问题评估矩阵<IEM>，其利用解决者的R作为行以及相关元素的Erv作为列来计算R×Erv，并且
-R = {r1，r2，r3，……，rm}：解决者的集合；
-Erv = {e1，e2，e3，……，en}：相关元素的集合；
-Mm,n = R×Erv：问题评估矩阵<IEM>，其捕获专家的专业知识或工具的重要性；
-Mm,n中的矩阵元素M[ri，ej]表示经验/重要性原子<ESA>；
-经验/重要性原子<ESA>：Mm,n中的单元M[ri，ej]表示经验/重要性的基本原子；
-解决者配置文件向量：问题评估矩阵Mm,n中的每行M[...i，...j]；
-问题评估向量<IEV>；
-措施确定向量<MDV>；
-问题评估矩阵<IEM>中的行的集合D。
8.根据权利要求7所述的方法，其中，Mm,n是问题评估矩阵<IEM>，其利用专家或工具的R作为行以及相关元素的Erv作为列来计算R×Erv。
9.根据权利要求8所述的方法，其特征在于，问题评估矩阵（IEM，Mm,n）、措施确定向量（MDV）和“专家列表/工具列表”（EL/TL）被存储在知识数据库系统（KDBS）中。
10.根据权利要求1所述的方法，其特征在于，如果关于问题评估向量（IEV）的创建，为标准化的（NOR）、决策标记的（DEC*，LAB*）、元素标示的（Erv*，MAR*）问题确定了多于一个相同的另外的相关元素（Erv*），则在问题评估向量（IEV）的创建时，通过相应增加对应的向量元素的值，考虑了相同的另外的相关元素（Erv*）的频率。
11.根据权利要求1所述的方法，其特征在于，如果措施确定向量（MDV）包括至少一个不是“零值”的向量元素的向量元素，则所确定的措施（MEA）是具体的；或者如果措施确定向量（MDV）是“零值”向量，则所确定的措施（MEA）不存在。
12.根据权利要求1所述的方法，其特征在于，一依赖于或独立于所确定的措施（MEA）解决了未解决的问题（Iurs），所述未解决的问题（Iurs）就成为新的已解决问题（Irs*），其被存储在问题跟踪数据库系统（ITDBS）中。
13.一种计算机程序产品，包括具有计算机可读程序代码的计算机可读硬件存储设备，所述程序代码可由计算机系统的处理器执行，以实现确定不同技术领域的复杂嵌入式或网络物理系统的开发、设计和/或部署的措施的方法，其中，所述嵌入式或信息物理系统中使用复杂的软件架构，其特征在于
a）在问题评估阶段（IEP）中，处理器（PRC）正在执行以下各项的处理器可读程序指令；
a1）导入程序模块（I-PGM），通过该模块，问题跟踪数据库系统（ITDBS）的已解决问题（Irs）是已经被结构化或非结构化的，并且基于不同种类的数据源，其均包含涉及至少所述问题（Irs）的“解决者”-属性（R）的至少一个标识数据字段、和涉及至少所述问题（Irs）的“总结”-和/或“描述”-属性的一个内容相关的数据字段，对所述问题（Irs）进行编辑和评估，使得已解决问题（Irs）被标准化（NOR），并且相应地，通过处理器（PRC）访问问题跟踪数据库系统（ITDBS）和知识数据库系统（KDBS）而作为标准化的已解决问题（NOR（Irs））存储在知识数据库系统（KDBS）中，
a2）决策检测程序模块（DD-PGM），通过该模块，通过机器学习算法标识至少部分地在标准化的已解决问题（NOR（Irs））中固有的决策（DEC），并将其分类为类别；
a3）决策检测程序模块（DD-PGM），通过该模块，通过处理器（PRC）访问知识数据库系统（KDBS），关于决策（DEC）进行标识和分类的标准化的已解决问题（NOR（Irs））被设有标签（LAB）；
a4）元素检测程序模块（ED-PGM），通过该模块，分析标准化的（NOR）、决策标记的（DEC，LAB）问题的内容相关数据字段，使得
a41）在本体数据库系统（ODBS）的通用数据（GDA）的基础上，通过处理器（PRC）访问本体数据库系统（ODBS），确定相关元素（Erv），
a42）通过处理器（PRC）访问知识数据库系统（KDBS），已为其确定相关元素（Erv）的标准化的（NOR）、决策标记的（DEC，LAB）问题被设有标志（MAR），
a5）矩阵处理程序模块（MP-PGM），通过该模块，通过处理器（PRC）访问知识数据库系统（KDBS）来处理存储在知识数据库系统（KDBS）中的标准化的（NOR）、决策标记的（DEC，LAB）、元素标示的（Erv，MAR）问题，并且使得
a51）创建问题评估矩阵（IEM，Mm,n），其中
a511）问题评估矩阵（IEM，Mm,n）的矩阵元素（ME，M[ri，ej]）一方面由标准化的（NOR）、决策标记的（DEC，LAB）、元素标示的（Erv，MAR）问题的标识数据字段中的“解决者”-属性（R）形成，并且另一方面，由为标准化的（NOR）、决策标记的（DEC，LAB）、元素标示的（Erv，MAR）问题所确定的相关元素（Erv）形成，以及
a512）通过确定对于所述矩阵元素（ME，M[ri，ej]）具有相同的矩阵元素群集的标准化的（NOR）、决策标记的（DEC，LAB）、元素标示的（Erv，MAR）问题的相关性，来对每个矩阵元素（ME，M[ri，ej]）加权，
b）在措施确定阶段（MDP）中，处理器（PRC）正在执行以下各项的处理器可读程序指令b1）导入程序模块（I-PGM），通过该模块，问题跟踪数据库系统（ITDBS）的至少一个未解决的问题（Iurs），所述问题（Iurs）已经被结构化或非结构化，并且基于不同种类的数据源之一，其均包含涉及至少所述问题（Iurs）的 “总结”-和/或“描述”-属性的至少一个内容相关的数据字段，对所述问题（Iurs）进行编辑和评估，使得未解决的问题（Iurs）被标准化（NOR），并且相应地，通过处理器（PRC）访问问题跟踪数据库系统（ITDBS）和知识数据库系统（KDBS）而作为标准化的未解决的问题（NOR（Iurs））存储在知识数据库系统（KDBS）中，
b2）决策检测程序模块（DD-PGM），通过该模块，通过机器学习算法标识在标准化的未解决的问题（NOR（Iurs））中固有的至少一个另外的决策（DEC*），并将其分类为类别，
b3）决策检测程序模块（DD-PGM），通过该模块，通过处理器（PRC）访问知识数据库系统（KDBS），关于另外的决策（DEC*）进行标识和分类的标准化的未解决的问题（NOR（Iurs））被设有另外的标签（LAB*），
b4）元素检测程序模块（ED-PGM），通过该模块，分析标准化的（NOR）、另外决策标记的（DEC*，LAB*）问题的内容相关数据字段，使得
b41）通过处理器（PRC）访问本体数据库系统（ODBS），在本体数据库系统（ODBS）的通用数据（GDA）的基础上，确定至少一个另外的相关元素（Erv*），
b42）通过处理器（PRC）访问知识数据库系统（KDBS），已经为其确定另外的相关元素（Erv*）的标准化的（NOR）、另外决策标记的（DEC*，LAB*）问题被设有另外的标志（MAR*），
b5）向量处理程序模块（VP-PGM），通过该模块，通过处理器（PRC）访问知识数据库系统（KDBS）来处理存储在知识数据库系统（KDBS）中的标准化的（NOR）、另外决策标记的（DEC*，LAB*）、另外元素标示的（REL*，MAR*）问题，并且使得创建问题评估向量（IEV），其中，具有数量（n）的向量元素的问题评估向量（IEV）的向量元素由为标准化的（NOR）、另外决策标记的（DEC*，LAB*）、另外元素标示的（Erv*，MAR*）问题所确定的另外的相关元素（Erv*）形成，并且相应地用“零值”元素填充，如果没有“相关元素（Erv，Erv*）-对应性”的话，其中所述数量（n）对应于为问题评估矩阵（IEM，Mm,n）中的标准化的（NOR）、决策标记的（DEC，LAB）、元素标示的（Erv，MAR）问题所确定的相关元素（Erv）的数量，所述另外的相关元素（Erv*）均对应于为问题评估矩阵（IEM，Mm,n）中的标准化的（NOR）、决策标记的（DEC，LAB）、元素标示的（Erv，MAR）问题所确定的相关元素（Erv）中的一个相关元素，
b6）措施确定程序模块（MD-PGM），通过该模块，用于开发、设计和/或部署不同技术领域的复杂的嵌入式或信息物理系统的措施（MEA）是在措施确定向量（MDV）的基础上确定的，所述措施确定向量（MDV）由每个问题评估向量（IEV）和专用解决者配置文件向量（RPVi）的向量乘积生成，由具有问题评估矩阵（IEM，Mm,n）中的解决者配置文件向量（RPV）的集合（D）的相同“解决者”-属性（R）的问题评估矩阵（IEM，Mm,n）的那些矩阵元素（ME，M[ri，ej]）组成。
14.根据权利要求13所述的计算机程序产品，
其中，a1）问题跟踪数据库系统（ITDBS）的已解决问题（Irs），已经关于类型或格式结构化或非结构化；并且基于JIRA、GitHub或Whiteboard的不同种类的数据源，
其中，a41）在DBpedia的本体数据库系统（ODBS）的通用数据（GDA）的基础上，确定相关元素（Erv），
其中a512) 通过确定对于所述矩阵元素（ME，M[ri，ej]）具有相同的矩阵元素群集的标准化的（NOR）、决策标记的（DEC，LAB）、元素标示的（Erv，MAR）问题的数量进行计数对每个矩阵元素（ME，M[ri，ej]）加权。
15.根据权利要求14所述的计算机程序产品，其特征在于，“解决者”-属性（R）是关于开发、设计和/或部署不同技术领域的复杂的嵌入式或信息物理系统的专家。
16.根据权利要求15所述的计算机程序产品，其中，所述专家由他们的名称给出。
17.根据权利要求13所述的计算机程序产品，其特征在于，“解决者”-属性（R）是关于开发、设计和/或部署不同技术领域的复杂的嵌入式或信息物理系统的工具。
18.根据权利要求13至17中的任一项所述的计算机程序产品，其特征在于，问题评估矩阵（IEM）中的行的集合（D）用专家或工具来表示，并且因此，解决者配置文件向量（RPV）的集合（D）中的解决者配置文件（RPVi）成为专家/工具配置文件向量。
19.根据权利要求13至17中的任一项所述的计算机程序产品，其特征在于，处理器（PRC）正在执行矩阵处理程序模块（MP-PGM）、向量处理程序模块（VP-PGM）和措施确定程序模块（MD-PGM）的处理器可读程序指令，由此访问知识数据库系统（KDBS），使得“专家列表/工具列表”（EL/TL）是在根据以下算法所描述的一些伪代码所生成的措施确定向量（MDV）的基础上，通过匹配和确定优先顺序来创建的：
//匹配
//通过作为向量量值计算得分来确定优先顺序
其中，Mm,n是问题评估矩阵<IEM>，其利用解决者的R作为行以及相关元素的Erv作为列来计算R×Erv，以及
-R = {r1，r2，r3，……，rm}：解决者的集合；
-Erv = {e1，e2，e3，……，en}：相关元素的集合；
-Mm,n = R×Erv：问题评估矩阵<IEM>，其捕获专家的专业知识或工具的重要性；
-Mm,n中的矩阵元素M[ri，ej]表示经验/重要性原子<ESA>；
-经验/重要性原子<ESA>：Mm,n中的单元M[ri，ej]表示经验/重要性的基本原子；
-解决者配置文件向量：问题评估矩阵Mm,n中的每行M[...i，...j]；
-问题评估向量<IEV>；
-措施确定向量<MDV>；
-问题评估矩阵<IEM>中的行的集合D。
20.根据权利要求19所述的计算机程序产品，其中，Mm,n是问题评估矩阵<IEM>，其利用专家或工具的R作为行以及相关元素的Erv作为列来计算R×Erv。
21.根据权利要求20所述的计算机程序产品，其特征在于，问题评估矩阵（IEM，Mm,n）、措施确定向量（MDV）和“专家列表/工具列表”（EL/TL）被存储在知识数据库系统（KDBS）中。
22.根据权利要求13所述的计算机程序产品，其特征在于，如果关于问题评估向量（IEV）的创建，为标准化的（NOR）、决策标记的（DEC*，LAB*）、元素标示的（Erv*，MAR*）问题确定了多于一个相同的另外的相关元素（Erv*），则在问题评估向量（IEV）的创建时，通过相应增加对应的向量元素的值，考虑了相同的另外的相关元素（Erv*）的频率。
23.根据权利要求13所述的计算机程序产品，其特征在于，如果措施确定向量（MDV）包括不是“零值”向量元素的至少一个向量元素，则所确定的措施（MEA）是具体的；或者如果措施确定向量（MDV）是“零值”向量，则所确定的措施（MEA）不存在。
24.根据权利要求13所述的计算机程序产品，其特征在于，一依赖于或独立于所确定的措施（MEA）解决了未解决的问题（Iurs），所述未解决的问题（Iurs）就成为新的已解决问题（Irs*），其被存储在问题跟踪数据库系统（ITDBS）中。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP18159978.8 | 2018-03-05 | ||
| EP18159978 | 2018-03-05 | ||
| PCT/EP2019/055329 WO2019170607A1 (en) | 2018-03-05 | 2019-03-04 | Method and computer-program-product determining measures for the development, design and/or deployment of complex embedded or cyber-physical systems, in particular complex software architectures used therein, of different technical domains |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111699472A CN111699472A (zh) | 2020-09-22 |
| CN111699472B true CN111699472B (zh) | 2024-04-16 |
Family
ID=61691205
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201980011159.4A Active CN111699472B (zh) | 2018-03-05 | 2019-03-04 | 确定用于开发复杂嵌入式或信息物理系统的方法 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US11294669B2 (zh) |
| EP (1) | EP3718001A1 (zh) |
| CN (1) | CN111699472B (zh) |
| BR (1) | BR112020014770A2 (zh) |
| RU (1) | RU2020127362A (zh) |
| WO (1) | WO2019170607A1 (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3961405A1 (en) * | 2020-08-25 | 2022-03-02 | Siemens Aktiengesellschaft | Computer-implemented method and technical system for task-oriented system definition, implementation and operation |
| US11991210B2 (en) * | 2020-10-26 | 2024-05-21 | Microsoft Technology Licensing, Llc | Machine learning-based techniques for identifying deployment environments and enhancing security thereof |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5319739A (en) * | 1990-11-22 | 1994-06-07 | Hitachi, Ltd. | Method for retrieving case for problem and inferring solution of the problem and system thereof |
| CN102722636A (zh) * | 2012-05-16 | 2012-10-10 | 北京航空航天大学 | 一种针对航空电子系统面临电磁环境复杂度的量化评估方法 |
| WO2016053183A1 (en) * | 2014-09-30 | 2016-04-07 | Mentorica Technology Pte Ltd | Systems and methods for automated data analysis and customer relationship management |
| CN106507686A (zh) * | 2014-04-15 | 2017-03-15 | 西门子公司 | 设计不同技术领域的复杂信息物理系统的具有其各种软件工件的软件架构的方法和工具 |
| CN106897067A (zh) * | 2017-02-26 | 2017-06-27 | 广州衡昊数据科技有限公司 | 一种基于人机交互技术建模的方法和专家系统 |
| CN107683462A (zh) * | 2015-06-12 | 2018-02-09 | 西门子公司 | 用于执行复杂工业系统的基于模型的故障分析的方法和设备 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7567914B2 (en) * | 2003-04-30 | 2009-07-28 | Genworth Financial, Inc. | System and process for dominance classification for insurance underwriting suitable for use by an automated system |
| US20050114829A1 (en) * | 2003-10-30 | 2005-05-26 | Microsoft Corporation | Facilitating the process of designing and developing a project |
| US7647286B2 (en) * | 2006-09-07 | 2010-01-12 | International Business Machines Corporation | System and method for managing a chaotic event by providing optimal and adaptive sequencing of decision sets with supporting data |
| US8473391B2 (en) | 2008-12-31 | 2013-06-25 | Altisource Solutions S.àr.l. | Method and system for an integrated approach to collections cycle optimization |
| US9400826B2 (en) * | 2013-06-25 | 2016-07-26 | Outside Intelligence, Inc. | Method and system for aggregate content modeling |
| US11501042B2 (en) * | 2014-03-24 | 2022-11-15 | Imagars Llc | Decisions with big data |
| WO2016041594A2 (en) | 2014-09-17 | 2016-03-24 | Siemens Aktiengesellschaft | Method and digital tool for engineering software architectures of complex cyber-physical systems of different technical domains |
| CA3001304C (en) * | 2015-06-05 | 2021-10-19 | C3 Iot, Inc. | Systems, methods, and devices for an enterprise internet-of-things application development platform |
| US10885042B2 (en) * | 2015-08-27 | 2021-01-05 | International Business Machines Corporation | Associating contextual structured data with unstructured documents on map-reduce |
| WO2017106863A1 (en) * | 2015-12-18 | 2017-06-22 | Drexel University | Identifying and quantifying architectural debt and decoupling level; a metric for architectural maintenance complexity |
| WO2019113308A1 (en) * | 2017-12-05 | 2019-06-13 | Franchitti Jean Claude | Active adaptation of networked compute devices using vetted reusable software components |
-
2019
- 2019-03-04 EP EP19710353.4A patent/EP3718001A1/en not_active Withdrawn
- 2019-03-04 CN CN201980011159.4A patent/CN111699472B/zh active Active
- 2019-03-04 US US16/960,252 patent/US11294669B2/en active Active
- 2019-03-04 BR BR112020014770-2A patent/BR112020014770A2/pt not_active Application Discontinuation
- 2019-03-04 RU RU2020127362A patent/RU2020127362A/ru unknown
- 2019-03-04 WO PCT/EP2019/055329 patent/WO2019170607A1/en unknown
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5319739A (en) * | 1990-11-22 | 1994-06-07 | Hitachi, Ltd. | Method for retrieving case for problem and inferring solution of the problem and system thereof |
| CN102722636A (zh) * | 2012-05-16 | 2012-10-10 | 北京航空航天大学 | 一种针对航空电子系统面临电磁环境复杂度的量化评估方法 |
| CN106507686A (zh) * | 2014-04-15 | 2017-03-15 | 西门子公司 | 设计不同技术领域的复杂信息物理系统的具有其各种软件工件的软件架构的方法和工具 |
| WO2016053183A1 (en) * | 2014-09-30 | 2016-04-07 | Mentorica Technology Pte Ltd | Systems and methods for automated data analysis and customer relationship management |
| CN107683462A (zh) * | 2015-06-12 | 2018-02-09 | 西门子公司 | 用于执行复杂工业系统的基于模型的故障分析的方法和设备 |
| CN106897067A (zh) * | 2017-02-26 | 2017-06-27 | 广州衡昊数据科技有限公司 | 一种基于人机交互技术建模的方法和专家系统 |
Non-Patent Citations (5)
| Title |
|---|
| Abdolvahhab Fetanat等.A novel hybrid MCDM approach for offshore wind farm site selection: A case study of Iran.《Ocean & Coastal Management》.2015,17-28. * |
| Annie T T Ying 等 .Developer profiles for recommendation sysytems.《Recommendation Systems in Software Engineering 》.2013,199-222. * |
| Manoj Bhat 等. Meta-model based framework for architectural knowledge management.《Software Architecture Workshops 》.2016,1-7. * |
| 王启明 等.模糊层次分析法优化SVM参数的网络流量预测.《小型微型计算机系统》.2015,1261-1264. * |
| 赵彦博;南卓铜;赵军.一个新的支持多学科模型集成的流域决策支持系统框架研究.遥感技术与应用.2013,(第03期),165-173. * |
Also Published As
| Publication number | Publication date |
|---|---|
| BR112020014770A2 (pt) | 2020-12-08 |
| CN111699472A (zh) | 2020-09-22 |
| RU2020127362A (ru) | 2022-02-17 |
| EP3718001A1 (en) | 2020-10-07 |
| WO2019170607A1 (en) | 2019-09-12 |
| US20210072983A1 (en) | 2021-03-11 |
| US11294669B2 (en) | 2022-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Camargo et al. | Automated discovery of business process simulation models from event logs | |
| US10347019B2 (en) | Intelligent data munging | |
| Kaur et al. | An empirical study of software entropy based bug prediction using machine learning | |
| Zamani et al. | Machine learning in requirements engineering: A mapping study | |
| EP4229499A1 (en) | Artificial intelligence driven document analysis, including searching, indexing, comparing or associating datasets based on learned representations | |
| AU2018205089A1 (en) | Determination of task automation using natural language processing | |
| Joblin et al. | How do successful and failed projects differ? a socio-technical analysis | |
| CN111325200A (zh) | 图像标注方法、装置、设备及计算机可读存储介质 | |
| Posoldova | Machine learning pipelines: From research to production | |
| CN111699472B (zh) | 确定用于开发复杂嵌入式或信息物理系统的方法 | |
| Diamantopoulos et al. | Semantically-enriched jira issue tracking data | |
| Riesener et al. | Methodology for Automated Master Data Management using Artificial Intelligence | |
| CN117251777A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
| Rubei et al. | A lightweight approach for the automated classification and clustering of metamodels | |
| Peclat et al. | Semantic analysis for identifying security concerns in software procurement edicts | |
| Zhang et al. | Social Community Evolution Analysis and Visualization in Open Source Software Projects | |
| Halali et al. | Improving defect localization by classifying the affected asset using machine learning | |
| Komamizu et al. | Exploring Identical Users on GitHub and Stack Overflow. | |
| Rauber et al. | Repeatability and Re-usability in Scientific Processes: Process Context, Data Identification and Verification. | |
| Patil | Time Series Analysis and Stock Price Forecasting using Machine Learning Techniques” | |
| Javed et al. | Automated assessment of ER model using the domain knowledge | |
| Kalia et al. | Aca: Application containerization advisory framework for modernizing legacy applications | |
| Bnouni Rhim et al. | NLP and logic reasoning for fully automating test | |
| Ivanova | An Analysis of the Sensitivity of Software Reliability Growth Models Using Bootstrap and Monte Carlo Simulations | |
| Auch et al. | Similarity of Software Libraries: A Tag-based Classification Approach. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |