CN117075919B - 一种基于roso模型的异构信息系统集成方法及系统 - Google Patents
一种基于roso模型的异构信息系统集成方法及系统 Download PDFInfo
- Publication number
- CN117075919B CN117075919B CN202311340073.0A CN202311340073A CN117075919B CN 117075919 B CN117075919 B CN 117075919B CN 202311340073 A CN202311340073 A CN 202311340073A CN 117075919 B CN117075919 B CN 117075919B
- Authority
- CN
- China
- Prior art keywords
- micro
- service
- business information
- data
- information object
- 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 42
- 230000010354 integration Effects 0.000 title claims abstract description 37
- 238000004519 manufacturing process Methods 0.000 claims abstract description 46
- 238000013506 data mapping Methods 0.000 claims abstract description 41
- 238000007726 management method Methods 0.000 claims abstract description 24
- 238000004891 communication Methods 0.000 claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 18
- 238000010168 coupling process Methods 0.000 claims description 68
- 238000005859 coupling reaction Methods 0.000 claims description 68
- 230000008878 coupling Effects 0.000 claims description 58
- 238000012545 processing Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 230000003068 static effect Effects 0.000 claims description 18
- 238000005516 engineering process Methods 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 6
- 230000008520 organization Effects 0.000 abstract description 4
- 230000004044 response Effects 0.000 abstract description 4
- 238000013523 data management Methods 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明提供了一种基于ROSO模型的异构信息系统集成方法及系统,涉及信息系统集成技术领域,该基于ROSO模型的异构信息系统集成方法包括以下步骤:部署边缘计算设备;对生产数据实时采集和处理,形成统一的数据资源;构建异构数据映射模型,并将异构数据映射模型转化为业务信息对象;将业务信息对象进行微服务化拆分,并通过开放的服务接口实现微服务的通信和集成;对拆分后的微服务进行编排;将编排后的微服务部署到边缘计算设备中并进行实时监控和管理。本发明改进了系统的组织结构,提高了响应速度,保障了系统的稳定性,从而使得企业的生产数据管理和业务流程管理更加高效、可靠和敏捷。
Description
技术领域
本发明涉及信息系统集成技术领域,具体来说,特别涉及一种基于ROSO模型的异构信息系统集成方法及系统。
背景技术
随着信息技术的迅猛发展,各行业和领域逐渐实现了信息化管理,使信息和数据成为人类社会经济发展的重要资源;在当今的大数据时代,传统的封闭式数据存储方式已经不能满足用户的需求;随着许多企业和政府部门内部数据的不断积累,信息孤岛现象变得日益严重;目前,许多大型企业为了实现信息化管理引入了多个信息系统,这些系统独立运行在集团内部,虽然方便了用户的使用,但由于这些系统之间缺乏紧密的关联和集成,各应用系统相互独立运作,缺乏统一的数据共享和交换平台,导致大量数据信息分散在不同的系统中。这些数据无法有效共享,从而导致了信息孤岛的存在。
异构信息系统集成是指将不同的信息系统(包括不同的技术架构、数据格式、接口规范等)整合在一起,实现信息共享和协同的过程;随着企业系统的日益复杂和分散,异构信息系统集成已成为企业信息化建设中的一项核心任务。目前。由于异构系统通常使用不同的数据格式和结构存储数据,从而会导致数据格式的不一致,不仅使得数据在系统之间的共享和交换变得困难,而且会使得系统的维护和管理变得复杂。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
有鉴于此,本发明提供一种基于ROSO模型的异构信息系统集成方法及系统,以解决上述提及的不同的数据格式和结构存储数据会使得系统的维护和管理变得复杂问题。
为了解决上述问题,本发明采用的具体技术方案如下:
根据本发明的一方面,提供了一种基于ROSO模型的异构信息系统集成方法,该基于ROSO模型的异构信息系统集成方法包括以下步骤:
S1、在企业生产区域部署边缘计算设备,并通过以太网的方式连接生产设备,边缘计算设备包括边缘网关和边缘云服务器;
S2、利用边缘计算技术对生产设备的生产数据进行实时采集和处理,形成统一的数据资源;
S3、基于统一的数据资源构建异构数据映射模型,并将异构数据映射模型转化为业务信息对象;
S4、基于高内聚低耦合原则将业务信息对象进行微服务化拆分,并通过开放的服务接口实现微服务的通信和集成;
S5、通过层次化拓扑排序算法对拆分后的微服务进行编排;
S6、将编排后的微服务部署到边缘计算设备中并进行实时监控和管理。
优选的,利用边缘计算技术对生产设备的生产数据进行实时采集和处理,形成统一的数据资源包括以下步骤:
S21、通过部署的边缘网关设备对企业生产区域的生产设备进行数据采集;
S22、利用边缘计算技术在边缘网关设备上进行数据的分析和预处理,得到汇总数据;
S23、通过预设的传输协议将得到的汇总数据传输至边缘云服务器;
S24、边缘云服务器对汇总的数据进行存储,形成统一的数据资源。
优选的,基于统一的数据资源构建异构数据映射模型,并将异构数据映射模型转化为业务信息对象包括以下步骤:
S31、利用卷积神经网络对统一的数据资源中进行异构数据识别,并通过统计和可视化技术提取数据资源的基本特征和分布;
S32、基于数据资源的基本特征和分布构建异构数据映射模型;
S33、通过数据转换法提取异构数据映射模型中各异构数据源的关系模式,并转化为标准的业务信息对象架构;
S34、将标准的业务信息对象架构转化为业务层面可以使用的业务信息对象。
优选的,基于高内聚低耦合原则将业务信息对象进行微服务化拆分,并通过开放的服务接口实现微服务的通信和集成包括以下步骤:
S41、分析业务信息对象之间的关系性,构建业务信息对象的相互依赖图,关系性包括继承关系、关联关系及依赖关系;
S42、分别计算业务信息对象之间的静态耦合度和动态耦合度,得到静态耦合度矩阵和动态耦合度矩阵,并将静态耦合度矩阵和动态耦合度矩阵相叠加得到业务信息对象的依赖关系图;
S43、根据高内聚低耦合的原则,将业务信息对象的依赖关系图分割为若干个子图,并将每个子图作为微服务;
S44、对每个微服务内的业务信息对象进行封装和抽象,并提取公共服务接口,完成每个微服务的构建;
S45、在微服务的框架中实现服务注册和发现机制,并通过预设的服务总线实现微服务之间的访问和通信。
优选的,分别计算业务信息对象之间的静态耦合度和动态耦合度的计算公式为:
G(a,b)=ω1×Gen(a, b)+ω2×Ass (a, b)+ω3×Dep (a, b);
W(a,b)=|fum(a)∩fum(b)|/|fum(a)∪fum(b)|;
式中,D(a,b)表示业务信息对象a与业务信息对象b之间的静态耦合度;
ω1、ω2及ω3分别表示继承关系、关联关系及依赖关系所对应的权重,且ω1、ω2及ω3的取值分别为0.6、0.3及0.1;
Gen(a, b)表示业务信息对象a与业务信息对象b之间的继承关系;
Ass (a, b)表示业务信息对象a与业务信息对象b之间的关联关系;
Dep (a, b)表示业务信息对象a与业务信息对象b之间的依赖关系;
W(a,b)表示业务信息对象a与业务信息对象b之间的静动态耦合度;
fum(a)表示业务信息对象a参与完成的所有业务功能集合;
fum(b)表示业务信息对象b参与完成的所有业务功能集合。
优选的,根据高内聚低耦合的原则,将业务信息对象的依赖关系图分割为若干个子图,并将每个子图作为微服务包括以下步骤:
S431、对业务信息对象的依赖关系图进行分析,识别具有独立业务的业务信息对象;
S432、对具有独立业务的业务信息对象进行耦合度和内聚度的评估,并根据评估结果确定微服务边界;
S433、基于确定的微服务边界识别每个微服务所需要提供和消耗的接口。
优选的,通过层次化拓扑排序算法对拆分后的微服务进行编排包括以下步骤:
S51、根据业务信息对象的相互依赖图确定每个微服务之间的相互依赖关系,建立微服务依赖关系图;
S52、通过拓扑排序算法对微服务依赖关系图进行拓扑排序,得到拓扑序列;
S53、将得到的拓扑序列进行层次化处理,得到层次化的微服务执行序列;
S54、按照层次化的微服务执行序列,依次执行每一层的微服务。
优选的,通过拓扑排序算法对微服务依赖关系图进行拓扑排序,得到拓扑序列包括哪些步骤:
S521、计算微服务依赖关系图中节点的入度值;
S522、基于深度优先搜索法遍历微服务依赖关系图中的所有节点,找到微服务依赖关系图中入度值为零的节点;
S523、初始化队列并将入度值为零的节点加入队列,并作为拓扑排序的起始节点;
S524、从队列中取出一个节点,将其添加到拓扑序列中,并遍历该节点的所有邻接节点,将邻接节点的入度值减一;
S525、若存在邻接节点入度值减至零,则将其添加到队列中作为下一轮的候选节点;
S526、重复步骤S524-S525,直至队列中节点。
优选的,将得到的拓扑序列进行层次化处理,得到层次化的微服务执行序列包括以下步骤:
S531、根据得到的拓扑序列建立层次化的数据结构;
S532、根据每个节点的依赖关系将节点分配到相应的层;
S533、在层次化的数据结构中调整每个层次的微服务顺序,得到层次化的微服务执行序列。
根据本发明的另一方面,提供了一种基于ROSO模型的异构信息系统集成系统,该基于ROSO模型的异构信息系统集成系统包括:边缘计算设备部署模块、数据采集和处理模块、异构数据映射模型构建模块、微服务化拆分模块、微服务编排模块及监控管理模块,且边缘计算设备部署模块、数据采集和处理模块、异构数据映射模型构建模块、微服务化拆分模块、微服务编排模块及监控管理模块之间依次连接;
边缘计算设备部署模块,用于在企业生产区域部署边缘计算设备,并通过以太网的方式连接生产设备,边缘计算设备包括边缘网关和边缘云服务器;
数据采集和处理模块,用于利用边缘计算技术对生产设备的生产数据进行实时采集和处理,形成统一的数据资源;
异构数据映射模型构建模块,用于基于统一的数据资源构建异构数据映射模型,并将异构数据映射模型转化为业务信息对象;
微服务化拆分模块,用于基于高内聚低耦合原则将业务信息对象进行微服务化拆分,并通过开放的服务接口实现微服务的通信和集成;
微服务编排模块,用于通过层次化拓扑排序算法对拆分后的微服务进行编排;
监控管理模块,用于将编排后的微服务部署到边缘计算设备中并进行实时监控和管理。
本发明的有益效果为:
1、本发明基于ROSO模型实现了对异构信息系统的集成在资源层、对象层、服务层和组织层进行了优化,在资源层上部署边缘计算设备并通过以太网连接生产设备,使得企业能够实时采集和处理生产数据,形成统一的数据资源,大幅度提高生产数据的实时性和准确性,在对象层上基于统一的数据资源构建异构数据映射模型,并将之转化为业务信息对象,保证了不同设备和系统间的数据一致性、互操作性和可交互性,在服务层上通过高内聚低耦合原则将业务信息对象进行微服务化拆分,利用开放的服务接口实现微服务的通信和集成,使得系统更具模块化,可以根据需要进行更灵活的配置和优化,在组织层上利用层次化拓扑排序算法对拆分后的微服务进行编排,将编排后的微服务部署到边缘计算设备中并进行实时监控和管理,改进了系统的组织结构,提高了响应速度,保障了系统的稳定性,从而使得企业的生产数据管理和业务流程管理更加高效、可靠和敏捷。
2、本发明通过分析业务对象的静态和动态耦合关系,可以全面评估对象之间的依赖程度,构建准确的依赖图,计算耦合度的公式融合了继承、关联和依赖多种关系,可以量化对象间的耦合强度,根据内聚和耦合原则进行划分,可以获得高内聚低耦合的微服务,能够提高业务应用的灵活性、可扩展性、可维护性。
3、本发明通过拓扑排序可以清晰地理解和管理各个微服务之间的依赖关系,对于微服务的开发和维护非常有帮助,也可以避免由于依赖关系引起的一些问题,通过层次化拓扑排序算法对拆分后的微服务进行编排,可以有效地提高系统的效率、稳定性和可扩展性,同时也可以促进团队的协作和沟通。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1是根据本发明实施例的一种基于ROSO模型的异构信息系统集成方法的流程图;
图2是根据本发明实施例的一种基于ROSO模型的异构信息系统集成系统的原理框图。
图中:
1、边缘计算设备部署模块;2、数据采集和处理模块;3、异构数据映射模型构建模块;4、微服务化拆分模块;5、微服务编排模块;6、监控管理模块。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施方式中的附图,对本申请实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本申请一部分实施方式,而不是全部的实施方式。基于本申请中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都应当属于本申请保护的范围。
根据本发明的实施例,提供了一种基于ROSO模型的异构信息系统集成方法及系统。
现结合附图和具体实施方式对本发明进一步说明,如图1所示,根据本发明的一个实施例,提供了一种基于ROSO模型的异构信息系统集成方法,该基于ROSO模型的异构信息系统集成方法包括以下步骤:
S1、在企业生产区域部署边缘计算设备,并通过以太网的方式连接生产设备,边缘计算设备包括边缘网关和边缘云服务器;
需要说明的是,边缘网关主要负责在生产环境中采集设备数据,提供网络连接并实现设备与网络之间的安全通信;边缘云服务器主要负责对从边缘网关收集的数据进行初步处理和分析,生成可供企业分析和决策的信息。
S2、利用边缘计算技术对生产设备的生产数据进行实时采集和处理,形成统一的数据资源;
作为优选实施方式,利用边缘计算技术对生产设备的生产数据进行实时采集和处理,形成统一的数据资源包括以下步骤:
S21、通过部署的边缘网关设备对企业生产区域的生产设备进行数据采集;
S22、利用边缘计算技术在边缘网关设备上进行数据的分析和预处理,得到汇总数据;
需要说明的是,在边缘网关设备上进行数据分析包括数据清洗、数据聚合、异常检测、等数据处理操作;数据的预处理包括数据的标准化、降噪、滤波等,有助于提高数据的质量和可用性。
S23、通过预设的传输协议将得到的汇总数据传输至边缘云服务器;
需要说明的是,在数据传输过程中,使用预先定义好的传输协议。这些协议通常会考虑数据的安全性、可靠性和效率。常见的传输协议包括HTTP(S)、MQTT、CoAP等。
S24、边缘云服务器对汇总的数据进行存储,形成统一的数据资源。
S3、基于统一的数据资源构建异构数据映射模型,并将异构数据映射模型转化为业务信息对象;
作为优选实施方式,基于统一的数据资源构建异构数据映射模型,并将异构数据映射模型转化为业务信息对象包括以下步骤:
S31、利用卷积神经网络对统一的数据资源中进行异构数据识别,并通过统计和可视化技术提取数据资源的基本特征和分布;
需要说明的是,对统一的数据资源中进行异构数据识别之前还需要构建卷积神经网络模型,其包含卷积层、池化层等,可以自动学习数据的深层特征;构建卷积神经网络模型通常需要进行网络设计、参数初始化、前向传播、损失函数定义、反向传播等步骤,并通过大量的训练数据进行模型参数的优化;优秀的卷积神经网络模型能够自动学习数据的深层特征,从而实现对异构数据的准确识别和分类。
S32、基于数据资源的基本特征和分布构建异构数据映射模型;
需要说明的是,构建异构数据映射模型是处理和管理来自不同数据源的数据的方法,首先,识别和理解数据资源的基本特征,基本特征能包括数据的类型、格式、大小、分布等,然后通过机器学习模型对数据资源的基本特征和分布进行训练以构建数据映射模型。
S33、通过数据转换法提取异构数据映射模型中各异构数据源的关系模式,并转化为标准的业务信息对象架构;
需要说明的是,异构数据映射模型已经建立了不同异构数据源之间的映射关系;对每个异构数据源,分析其本身的关系模式,包括实体、属性、关系等信息;数据转换法可以包括直接映射、拆分、合并等方式,根据映射模型,将异构数据源的关系模式转化为业务信息对象需要的关系结构,转化后与业务信息对象相对应的关系模式构成了业务信息对象的关系架构;进一步对转化得到的关系架构进行标准化,使其符合统一的模型规范。
S34、将标准的业务信息对象架构转化为业务层面可以使用的业务信息对象。
需要说明的是,标准的业务信息对象架构提供了面向特定业务领域的信息对象的关系结构,使用面向对象的编程语言实现每个业务信息对象类,使其成为可实例化和可操作的对象。
S4、基于高内聚低耦合原则将业务信息对象进行微服务化拆分,并通过开放的服务接口实现微服务的通信和集成;
作为优选实施方式,基于高内聚低耦合原则将业务信息对象进行微服务化拆分,并通过开放的服务接口实现微服务的通信和集成包括以下步骤:
S41、分析业务信息对象之间的关系性,构建业务信息对象的相互依赖图,关系性包括继承关系、关联关系及依赖关系;
需要说明的是,继承关系表示了一个业务信息对象(通常是子对象)继承了另一个业务信息对象(通常是父对象)的属性和方法;关联关系表示不同业务信息对象之间的协作或连接,这种关系可以是一对一、一对多、多对一或多对多的关系;依赖关系表示一个业务信息对象依赖于另一个业务信息对象的数据或服务;这种关系通常在编程中表示对象之间的调用关系。一旦分析了继承、关联和依赖关系,就可以开始构建业务信息对象的相互依赖图。这个图表显示了不同对象之间的关系和依赖,相互依赖图可以采用图形表示法,其中节点代表业务信息对象,边表示不同关系类型。这有助于可视化和理解对象之间的复杂关系。
S42、分别计算业务信息对象之间的静态耦合度和动态耦合度,得到静态耦合度矩阵和动态耦合度矩阵,并将静态耦合度矩阵和动态耦合度矩阵相叠加得到业务信息对象的依赖关系图;
作为优选实施方式,分别计算业务信息对象之间的静态耦合度和动态耦合度的计算公式为:
G(a,b)=ω1×Gen(a, b)+ω2×Ass (a, b)+ω3×Dep (a, b);
W(a,b)=|fum(a)∩fum(b)|/|fum(a)∪fum(b)|;
式中,D(a,b)表示业务信息对象a与业务信息对象b之间的静态耦合度;
ω1、ω2及ω3分别表示继承关系、关联关系及依赖关系所对应的权重,且ω1、ω2及ω3的取值分别为0.6、0.3及0.1;
Gen(a, b)表示业务信息对象a与业务信息对象b之间的继承关系;
Ass (a, b)表示业务信息对象a与业务信息对象b之间的关联关系;
Dep (a, b)表示业务信息对象a与业务信息对象b之间的依赖关系;
W(a,b)表示业务信息对象a与业务信息对象b之间的静动态耦合度;
fum(a)表示业务信息对象a参与完成的所有业务功能集合;
fum(b)表示业务信息对象b参与完成的所有业务功能集合。
S43、根据高内聚低耦合的原则,将业务信息对象的依赖关系图分割为若干个子图,并将每个子图作为微服务;
作为优选实施方式,根据高内聚低耦合的原则,将业务信息对象的依赖关系图分割为若干个子图,并将每个子图作为微服务包括以下步骤:
S431、对业务信息对象的依赖关系图进行分析,识别具有独立业务的业务信息对象;
需要说明的是,分析业务信息对象之间的依赖关系图,这包括查看它们之间的继承、关联及依赖,然后,识别那些具有独立业务功能或职责的业务信息对象;这些对象通常应该是相对自治的,可以独立地执行某项业务功能或任务。
S432、对具有独立业务的业务信息对象进行耦合度和内聚度的评估,并根据评估结果确定微服务边界;
需要说明的是,耦合度是指一个业务信息对象与其他对象之间的依赖程度,高耦合度意味着一个对象的改变可能会影响到其他对象。内聚度是指一个业务信息对象内部各个元素之间的关联程度,高内聚度意味着一个对象内部的元素都是紧密相关的,共同完成一项特定的任务;根据耦合度和内聚度的评估结果,可以确定微服务的边界,也就是确定哪些业务信息对象应该组成一个微服务。
S433、基于确定的微服务边界识别每个微服务所需要提供和消耗的接口。
需要说明的是,首先,识别微服务的业务功能,根据微服务的业务功能确定出微服务所需要提供的接口,这些接口定义了其他微服务如何与此微服务进行交互,包括接口的名称、输入参数、输出结果以及可能的错误情况。
S44、对每个微服务内的业务信息对象进行封装和抽象,并提取公共服务接口,完成每个微服务的构建;
需要说明的是,封装是面向对象设计的基本原则,可以隐藏对象的内部状态和实现细节,只暴露出需要的接口,在微服务中,可以将每个业务信息对象封装成一个独立的服务,该服务对外提供一组接口,用于处理相关的业务需求。
抽象是将具体的业务信息对象进行简化,只保留其核心的特性和行为;在微服务中,可以通过抽象来隐藏业务信息对象的复杂性,使得微服务的使用者只需要关注它提供的接口。
S45、在微服务的框架中实现服务注册和发现机制,并通过预设的服务总线实现微服务之间的访问和通信。
需要说明的是,服务注册是指当一个微服务启动时,它会将自己的信息(如服务名称、地址、端口等)注册到一个称为服务注册中心的地方。这样,其他的微服务就可以从服务注册中心获取到这个微服务的信息,然后进行通信。
服务发现是指当一个微服务需要与另一个微服务通信时,它首先需要知道那个微服务的地址和端口,这时,它会向服务注册中心查询那个微服务的信息,这个过程就叫做服务发现。
服务总线是一个在微服务架构中提供消息传递的通道,可以用来实现微服务之间的通信。服务总线可以实现同步或异步的通信,也可以支持不同的消息模式,如请求/响应、发布/订阅等。
具体的,通过分析业务对象的静态和动态耦合关系,可以全面评估对象之间的依赖程度,构建准确的依赖图,计算耦合度的公式融合了继承、关联和依赖多种关系,可以量化对象间的耦合强度,根据内聚和耦合原则进行划分,可以获得高内聚低耦合的微服务,能够提高业务应用的灵活性、可扩展性、可维护性。
S5、通过层次化拓扑排序算法对拆分后的微服务进行编排;
作为优选实施方式,通过层次化拓扑排序算法对拆分后的微服务进行编排包括以下步骤:
S51、根据业务信息对象的相互依赖图确定每个微服务之间的相互依赖关系,建立微服务依赖关系图;
需要说明的是,在步骤S43中,已经将业务信息对象的依赖关系图分割为若干个子图,并将每个子图作为微服务;这时,可以根据这些子图的依赖关系,确定微服务之间的依赖关系;例如,如果两个微服务中的业务信息对象在原来的依赖关系图中存在依赖关系,那么这两个微服务就有依赖关系;根据微服务之间的依赖关系,可以建立微服务依赖关系图。这个图中的每个节点代表一个微服务,每条边代表两个微服务之间的依赖关系。
S52、通过拓扑排序算法对微服务依赖关系图进行拓扑排序,得到拓扑序列;
作为优选实施方式,通过拓扑排序算法对微服务依赖关系图进行拓扑排序,得到拓扑序列包括哪些步骤:
S521、计算微服务依赖关系图中节点的入度值;
需要说明的是,首先,对微服务依赖关系图中的每个节点初始化入度值为零;入度值表示有多少其他节点指向该节点,也就是有多少其他服务依赖于该服务,然后,遍历图中的每条边。每条边表示一个依赖关系,即一个服务依赖于另一个服务。
S522、基于深度优先搜索法遍历微服务依赖关系图中的所有节点,找到微服务依赖关系图中入度值为零的节点;
S523、初始化队列并将入度值为零的节点加入队列,并作为拓扑排序的起始节点;
需要说明的是,首先,初始化一个空的队列,这个队列将用于存储待处理的节点,然后,遍历图中的所有节点,找到入度值为零的节点;将找到的入度值为零的节点加入到队列中;这些节点没有任何依赖,可以作为拓扑排序的起始节点。
S524、从队列中取出一个节点,将其添加到拓扑序列中,并遍历该节点的所有邻接节点,将邻接节点的入度值减一;
S525、若存在邻接节点入度值减至零,则将其添加到队列中作为下一轮的候选节点;
S526、重复步骤S524-S525,直至队列中节点。
S53、将得到的拓扑序列进行层次化处理,得到层次化的微服务执行序列;
作为优选实施方式,将得到的拓扑序列进行层次化处理,得到层次化的微服务执行序列包括以下步骤:
S531、根据得到的拓扑序列建立层次化的数据结构;
需要说明的是,首先,创建一个可以保存多层数据的结构;在大多数情况下,使用一个列表的列表(即二维列表)或者一个字典,其中键是层次,值是一个包含该层次中所有节点的列表。然后,遍历得到的拓扑序列。对于序列中的每个节点,确定它在哪个层次。
S532、根据每个节点的依赖关系将节点分配到相应的层;
需要说明的是,从拓扑排序得到的所有节点中,按照排序顺序从前往后遍历每一个节点。对于每一个节点,查看它所有的邻接节点。由于是按照拓扑排序的顺序遍历,所以这些邻接节点在之前都已经被处理过了,它们的层级都已经计算出来了。然后,该节点的层级就是它所有邻接节点层级的最大值加一。如果一个节点没有邻接节点,那么它的层级就是0。
S533、在层次化的数据结构中调整每个层次的微服务顺序,得到层次化的微服务执行序列。
需要说明的是,顺序的调整可以根据实际需要来进行,例如,可以根据每个微服务的重要性,或者每个微服务的执行时间来进行调整。最后得到的是一个层次化的微服务执行序列,每一层的微服务都可以并行执行,而不同层的微服务需要按照层的顺序来依次执行。
S54、按照层次化的微服务执行序列,依次执行每一层的微服务。
需要说明的是,从层次化微服务执行序列的第一层开始,执行该层的所有微服务。因为在同一层级的微服务之间没有依赖关系,所以这些微服务可以并行执行;在开始执行下一层的微服务之前,需要确认当前层的所有微服务都已经执行完成,当确认了当前层的所有微服务都已经执行完成,就可以开始执行下一层的微服务;同样,这些微服务也可以并行执行。
具体的,通过拓扑排序可以清晰地理解和管理各个微服务之间的依赖关系,对于微服务的开发和维护非常有帮助,也可以避免由于依赖关系引起的一些问题,通过层次化拓扑排序算法对拆分后的微服务进行编排,可以有效地提高系统的效率、稳定性和可扩展性,同时也可以促进团队的协作和沟通。
S6、将编排后的微服务部署到边缘计算设备中并进行实时监控和管理。
需要说明的是,通过使用容器技术、服务网格或者其他的部署工具,将微服务部署到边缘计算设备上,在微服务部署完成后,需要对微服务进行配置,以满足业务需求;部署和配置完成后,设置实时监控,以确保可以及时了解微服务的运行状态,为了更好地了解微服务的运行状况,收集并管理微服务的日志。
如图2所示,根据本发明的另一个实施例,提供了一种基于ROSO模型的异构信息系统集成系统,该基于ROSO模型的异构信息系统集成系统包括:边缘计算设备部署模块1、数据采集和处理模块2、异构数据映射模型构建模块3、微服务化拆分模块4、微服务编排模块5及监控管理模块6,且边缘计算设备部署模块1、数据采集和处理模块2、异构数据映射模型构建模块3、微服务化拆分模块4、微服务编排模块5及监控管理模块6之间依次连接;
边缘计算设备部署模块1,用于在企业生产区域部署边缘计算设备,并通过以太网的方式连接生产设备,边缘计算设备包括边缘网关和边缘云服务器;
数据采集和处理模块2,用于利用边缘计算技术对生产设备的生产数据进行实时采集和处理,形成统一的数据资源;
异构数据映射模型构建模块3,用于基于统一的数据资源构建异构数据映射模型,并将异构数据映射模型转化为业务信息对象;
微服务化拆分模块4,用于基于高内聚低耦合原则将业务信息对象进行微服务化拆分,并通过开放的服务接口实现微服务的通信和集成;
微服务编排模块5,用于通过层次化拓扑排序算法对拆分后的微服务进行编排;
监控管理模块6,用于将编排后的微服务部署到边缘计算设备中并进行实时监控和管理。
综上,借助于本发明的上述技术方案,本发明基于ROSO模型实现了对异构信息系统的集成在资源层、对象层、服务层和组织层进行了优化,在资源层上部署边缘计算设备并通过以太网连接生产设备,使得企业能够实时采集和处理生产数据,形成统一的数据资源,大幅度提高生产数据的实时性和准确性,在对象层上基于统一的数据资源构建异构数据映射模型,并将之转化为业务信息对象,保证了不同设备和系统间的数据一致性、互操作性和可交互性,在服务层上通过高内聚低耦合原则将业务信息对象进行微服务化拆分,利用开放的服务接口实现微服务的通信和集成,使得系统更具模块化,可以根据需要进行更灵活的配置和优化,在组织层上利用层次化拓扑排序算法对拆分后的微服务进行编排,将编排后的微服务部署到边缘计算设备中并进行实时监控和管理,改进了系统的组织结构,提高了响应速度,保障了系统的稳定性,从而使得企业的生产数据管理和业务流程管理更加高效、可靠和敏捷;本发明通过分析业务对象的静态和动态耦合关系,可以全面评估对象之间的依赖程度,构建准确的依赖图,计算耦合度的公式融合了继承、关联和依赖多种关系,可以量化对象间的耦合强度,根据内聚和耦合原则进行划分,可以获得高内聚低耦合的微服务,能够提高业务应用的灵活性、可扩展性、可维护性;本发明通过拓扑排序可以清晰地理解和管理各个微服务之间的依赖关系,对于微服务的开发和维护非常有帮助,也可以避免由于依赖关系引起的一些问题,通过层次化拓扑排序算法对拆分后的微服务进行编排,可以有效地提高系统的效率、稳定性和可扩展性,同时也可以促进团队的协作和沟通。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、光学存储器等)上实施的计算机程序产品的形式。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于ROSO模型的异构信息系统集成方法,其特征在于,该基于ROSO模型的异构信息系统集成方法包括以下步骤:
S1、在企业生产区域部署边缘计算设备,并通过以太网的方式连接生产设备,所述边缘计算设备包括边缘网关和边缘云服务器;
S2、利用边缘计算技术对生产设备的生产数据进行实时采集和处理,形成统一的数据资源;
S3、基于统一的数据资源构建异构数据映射模型,并将异构数据映射模型转化为业务信息对象;
S4、基于高内聚低耦合原则将业务信息对象进行微服务化拆分,并通过开放的服务接口实现微服务的通信和集成;
S5、通过层次化拓扑排序算法对拆分后的微服务进行编排;
S6、将编排后的微服务部署到边缘计算设备中并进行实时监控和管理;
所述基于高内聚低耦合原则将业务信息对象进行微服务化拆分,并通过开放的服务接口实现微服务的通信和集成包括以下步骤:
S41、分析业务信息对象之间的关系性,构建业务信息对象的相互依赖图,所述关系性包括继承关系、关联关系及依赖关系;
S42、分别计算业务信息对象之间的静态耦合度和动态耦合度,得到静态耦合度矩阵和动态耦合度矩阵,并将静态耦合度矩阵和动态耦合度矩阵相叠加得到业务信息对象的依赖关系图;
S43、根据高内聚低耦合的原则,将业务信息对象的依赖关系图分割为若干个子图,并将每个子图作为微服务;
S44、对每个微服务内的业务信息对象进行封装和抽象,并提取公共服务接口,完成每个微服务的构建;
S45、在微服务的框架中实现服务注册和发现机制,并通过预设的服务总线实现微服务之间的访问和通信;
所述根据高内聚低耦合的原则,将业务信息对象的依赖关系图分割为若干个子图,并将每个子图作为微服务包括以下步骤:
S431、对业务信息对象的依赖关系图进行分析,识别具有独立业务的业务信息对象;
S432、对具有独立业务的业务信息对象进行耦合度和内聚度的评估,并根据评估结果确定微服务边界;
S433、基于确定的微服务边界识别每个微服务所需要提供和消耗的接口;
所述通过层次化拓扑排序算法对拆分后的微服务进行编排包括以下步骤:
S51、根据业务信息对象的相互依赖图确定每个微服务之间的相互依赖关系,建立微服务依赖关系图;
S52、通过拓扑排序算法对微服务依赖关系图进行拓扑排序,得到拓扑序列;
S53、将得到的拓扑序列进行层次化处理,得到层次化的微服务执行序列;
S54、按照层次化的微服务执行序列,依次执行每一层的微服务;
所述通过拓扑排序算法对微服务依赖关系图进行拓扑排序,得到拓扑序列包括哪些步骤:
S521、计算微服务依赖关系图中节点的入度值;
S522、基于深度优先搜索法遍历微服务依赖关系图中的所有节点,找到微服务依赖关系图中入度值为零的节点;
S523、初始化队列并将入度值为零的节点加入队列,并作为拓扑排序的起始节点;
S524、从队列中取出一个节点,将其添加到拓扑序列中,并遍历该节点的所有邻接节点,将邻接节点的入度值减一;
S525、若存在邻接节点入度值减至零,则将其添加到队列中作为下一轮的候选节点;
S526、重复步骤S524-S525,直至队列中节点。
2.根据权利要求1所述的一种基于ROSO模型的异构信息系统集成方法,其特征在于,所述利用边缘计算技术对生产设备的生产数据进行实时采集和处理,形成统一的数据资源包括以下步骤:
S21、通过部署的边缘网关设备对企业生产区域的生产设备进行数据采集;
S22、利用边缘计算技术在边缘网关设备上进行数据的分析和预处理,得到汇总数据;
S23、通过预设的传输协议将得到的汇总数据传输至边缘云服务器;
S24、边缘云服务器对汇总的数据进行存储,形成统一的数据资源。
3.根据权利要求1所述的一种基于ROSO模型的异构信息系统集成方法,其特征在于,所述基于统一的数据资源构建异构数据映射模型,并将异构数据映射模型转化为业务信息对象包括以下步骤:
S31、利用卷积神经网络对统一的数据资源中进行异构数据识别,并通过统计和可视化技术提取数据资源的基本特征和分布;
S32、基于数据资源的基本特征和分布构建异构数据映射模型;
S33、通过数据转换法提取异构数据映射模型中各异构数据源的关系模式,并转化为标准的业务信息对象架构;
S34、将标准的业务信息对象架构转化为业务层面可以使用的业务信息对象。
4.根据权利要求1所述的一种基于ROSO模型的异构信息系统集成方法,其特征在于,所述分别计算业务信息对象之间的静态耦合度和动态耦合度的计算公式为:
G(a,b)=ω1×Gen(a, b)+ω2×Ass (a, b)+ω3×Dep (a, b);
W(a,b)=|fum(a)∩fum(b)|/|fum(a)∪fum(b)|;
式中,D(a,b)表示业务信息对象a与业务信息对象b之间的静态耦合度;
ω1、ω2及ω3分别表示继承关系、关联关系及依赖关系所对应的权重,且ω1、ω2及ω3的取值分别为0.6、0.3及0.1;
Gen(a, b)表示业务信息对象a与业务信息对象b之间的继承关系;
Ass (a, b)表示业务信息对象a与业务信息对象b之间的关联关系;
Dep (a, b)表示业务信息对象a与业务信息对象b之间的依赖关系;
W(a,b)表示业务信息对象a与业务信息对象b之间的静动态耦合度;
fum(a)表示业务信息对象a参与完成的所有业务功能集合;
fum(b)表示业务信息对象b参与完成的所有业务功能集合。
5.根据权利要求4所述的一种基于ROSO模型的异构信息系统集成方法,其特征在于,所述将得到的拓扑序列进行层次化处理,得到层次化的微服务执行序列包括以下步骤:
S531、根据得到的拓扑序列建立层次化的数据结构;
S532、根据每个节点的依赖关系将节点分配到相应的层;
S533、在层次化的数据结构中调整每个层次的微服务顺序,得到层次化的微服务执行序列。
6.一种基于ROSO模型的异构信息系统集成系统,用于实现权利要求1-5中任一项所述的基于ROSO模型的异构信息系统集成方法,其特征在于,该基于ROSO模型的异构信息系统集成系统包括:边缘计算设备部署模块、数据采集和处理模块、异构数据映射模型构建模块、微服务化拆分模块、微服务编排模块及监控管理模块,且所述边缘计算设备部署模块、数据采集和处理模块、异构数据映射模型构建模块、微服务化拆分模块、微服务编排模块及监控管理模块之间依次连接;
所述边缘计算设备部署模块,用于在企业生产区域部署边缘计算设备,并通过以太网的方式连接生产设备,所述边缘计算设备包括边缘网关和边缘云服务器;
所述数据采集和处理模块,用于利用边缘计算技术对生产设备的生产数据进行实时采集和处理,形成统一的数据资源;
所述异构数据映射模型构建模块,用于基于统一的数据资源构建异构数据映射模型,并将异构数据映射模型转化为业务信息对象;
所述微服务化拆分模块,用于基于高内聚低耦合原则将业务信息对象进行微服务化拆分,并通过开放的服务接口实现微服务的通信和集成;
所述微服务编排模块,用于通过层次化拓扑排序算法对拆分后的微服务进行编排;
所述监控管理模块,用于将编排后的微服务部署到边缘计算设备中并进行实时监控和管理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311340073.0A CN117075919B (zh) | 2023-10-17 | 2023-10-17 | 一种基于roso模型的异构信息系统集成方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311340073.0A CN117075919B (zh) | 2023-10-17 | 2023-10-17 | 一种基于roso模型的异构信息系统集成方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117075919A CN117075919A (zh) | 2023-11-17 |
CN117075919B true CN117075919B (zh) | 2023-12-26 |
Family
ID=88706517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311340073.0A Active CN117075919B (zh) | 2023-10-17 | 2023-10-17 | 一种基于roso模型的异构信息系统集成方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117075919B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102638378A (zh) * | 2012-02-22 | 2012-08-15 | 中国人民解放军国防科学技术大学 | 一种集成异构存储设备的海量存储系统监控方法 |
CN103327083A (zh) * | 2013-06-08 | 2013-09-25 | 常州大学 | 一种基于异构网络Android平台的嵌入式家庭监测系统 |
CN112000448A (zh) * | 2020-07-17 | 2020-11-27 | 北京计算机技术及应用研究所 | 基于微服务架构的应用管理方法 |
CN114422371A (zh) * | 2022-01-20 | 2022-04-29 | 重庆邮电大学 | 基于分布式和容器虚拟化的弹性微服务系统及实现方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2007231209B2 (en) * | 2006-03-24 | 2011-02-03 | Bae Systems Plc | Method and system of decision making for distributed information distribution networks |
-
2023
- 2023-10-17 CN CN202311340073.0A patent/CN117075919B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102638378A (zh) * | 2012-02-22 | 2012-08-15 | 中国人民解放军国防科学技术大学 | 一种集成异构存储设备的海量存储系统监控方法 |
CN103327083A (zh) * | 2013-06-08 | 2013-09-25 | 常州大学 | 一种基于异构网络Android平台的嵌入式家庭监测系统 |
CN112000448A (zh) * | 2020-07-17 | 2020-11-27 | 北京计算机技术及应用研究所 | 基于微服务架构的应用管理方法 |
CN114422371A (zh) * | 2022-01-20 | 2022-04-29 | 重庆邮电大学 | 基于分布式和容器虚拟化的弹性微服务系统及实现方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117075919A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fahmideh et al. | An exploration of IoT platform development | |
US11196637B2 (en) | Systems and methods for modeling and simulating an IoT system | |
Albert et al. | Configuration based workflow composition | |
JP2007531939A (ja) | 企業情報の提供 | |
CN102004767A (zh) | 一种基于抽象业务逻辑的交互式语义Web服务动态组合方法 | |
Di Orio et al. | NOVAAS: A Reference Implementation of Industrie4. 0 Asset Administration Shell with best-of-breed practices from IT engineering | |
CN109687998B (zh) | 一种面向任务服务的卫星网络资源管理模型的构建方法 | |
Carrera et al. | A real-life application of multi-agent systems for fault diagnosis in the provision of an Internet business service | |
Johnson et al. | Automatic probabilistic enterprise IT architecture modeling: a dynamic bayesian networks approach | |
Martín et al. | A framework for development of integrated intelligent knowledge for management of telecommunication networks | |
Xie et al. | Intent-driven management for multi-vertical end-to-end network slicing services | |
AU2019317236A1 (en) | Ontologically-driven business model system and method | |
CN117075919B (zh) | 一种基于roso模型的异构信息系统集成方法及系统 | |
Van den Heuvel et al. | Software service engineering: Tenets and challenges | |
KR101282979B1 (ko) | 워크플로우 기반 협력 네트워크 분석방법 및 시스템 | |
Purao et al. | A modeling language for conceptual design of systems integration solutions | |
CN114757448A (zh) | 一种基于数据空间模型的制造环节间最优价值链构建方法 | |
EP4285222A1 (en) | Systems and methods for automated network state and network inventory tracking | |
Alnemr et al. | From reputation models and systems to reputation ontologies | |
Yau et al. | Specification, decomposition and agent synthesis for situation-aware service-based systems | |
Kortum et al. | Analyzing Smart Services from a (Data-) Ecosystem Perspective: Utilizing Network Theory for a graph-based Software Tool in the Domain Smart Living | |
Zhang et al. | A real-time Information Exchange Strategy for Big Data Volume Systems Based on Internet of Things | |
Chen et al. | Knowledge Encapsulation and Application Based on Domain Knowledge Graph | |
Toman et al. | Correct-by-construction approach for formal verification of iot architecture | |
Mishra | Quantification of Maintainability in Service-Oriented Architecture |
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 |