論文の概要: Monolith to Microservices: Representing Application Software through
Heterogeneous GNN
- arxiv url: http://arxiv.org/abs/2112.01317v1
- Date: Wed, 1 Dec 2021 15:27:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-04 12:40:45.147610
- Title: Monolith to Microservices: Representing Application Software through
Heterogeneous GNN
- Title(参考訳): モノリスからマイクロサービスへ - 異種GNNによるアプリケーションソフトウェア表現
- Authors: Alex Mathai, Sambaran Bandyopadhyay, Utkarsh Desai, Srikanth
Tamilselvam
- Abstract要約: マイクロサービスアーキテクチャは、複数の小さな疎結合な機能サービスを通じてアプリケーションを構築することを提唱するにつれて、ますます使われています。
このアプローチは、クラウドベースのアプリケーションにとって、プログラミングアーキテクチャを自然な選択肢としています。
しかし、既に記述されているモノリスコードの機能モジュールの自動分離の課題は、移行タスクを遅くする。
我々は、この従来のアプリケーション問題を異種グラフベースのクラスタリングタスクに推論する。
私たちのソリューションは、異種グラフニューラルネットワークを活用して、このような多様なソフトウェアエンティティの表現を学習する最初の方法です。
- 参考スコア(独自算出の注目度): 11.381828510219897
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Monolith software applications encapsulate all functional capabilities into a
single deployable unit. While there is an intention to maintain clean
separation of functionalities even within the monolith, they tend to get
compromised with the growing demand for new functionalities, changing team
members, tough timelines, non-availability of skill sets, etc. As such
applications age, they become hard to understand and maintain. Therefore,
microservice architectures are increasingly used as they advocate building an
application through multiple smaller sized, loosely coupled functional
services, wherein each service owns a single functional responsibility. This
approach has made microservices architecture as the natural choice for cloud
based applications. But the challenges in the automated separation of
functional modules for the already written monolith code slows down their
migration task.
Graphs are a natural choice to represent software applications. Various
software artifacts like programs, tables and files become nodes in the graph
and the different relationships they share, such as function calls,
inheritance, resource(tables, files) access types (Create, Read, Update,
Delete) can be represented as links in the graph. We therefore deduce this
traditional application decomposition problem to a heterogeneous graph based
clustering task. Our solution is the first of its kind to leverage
heterogeneous graph neural network to learn representations of such diverse
software entities and their relationships for the clustering task. We study the
effectiveness by comparing with works from both software engineering and
existing graph representation based techniques. We experiment with applications
written in an object oriented language like Java and a procedural language like
COBOL and show that our work is applicable across different programming
paradigms.
- Abstract(参考訳): モノリスソフトウェアアプリケーションは、すべての機能を単一のデプロイ可能なユニットにカプセル化する。
モノリス内でも機能のクリーンな分離を維持するという意図はあるが、新たな機能に対する需要の増加、チームメンバの変更、厳しいタイムライン、スキルセットの非使用性といった問題に陥りがちである。
このようなアプリケーションの老朽化に伴って,理解や維持が困難になるのです。
そのため、マイクロサービスアーキテクチャは、複数の小さな疎結合な機能サービスを通じてアプリケーションを構築することを提唱するにつれて、ますます使われています。
このアプローチは、マイクロサービスアーキテクチャをクラウドベースのアプリケーションにとって自然な選択にしました。
しかし、すでに記述されたモノリスコードの機能モジュールの自動分離における課題は、マイグレーションタスクを遅くする。
グラフはソフトウェアアプリケーションを表現するための自然な選択です。
プログラム、テーブル、ファイルといった様々なソフトウェアアーティファクトがグラフのノードとなり、関数呼び出し、継承、リソース(テーブル、ファイル)アクセスタイプ(生成、読み取り、更新、削除)はグラフのリンクとして表現できる。
したがって、この従来のアプリケーション分解問題をヘテロジニアスグラフに基づくクラスタリングタスクに導出する。
私たちのソリューションは、異種グラフニューラルネットワークを活用して、そのような多様なソフトウェアエンティティの表現とクラスタリングタスクとの関係を学習する最初の方法です。
本研究は,ソフトウェア工学と既存グラフ表現に基づく手法の両分野の成果とを比較して有効性を検討した。
我々は、Javaのようなオブジェクト指向言語やCOBOLのような手続き型言語で書かれたアプリケーションを実験し、我々の作業が異なるプログラミングパラダイムにまたがって適用可能であることを示す。
関連論文リスト
- MGNet: Learning Correspondences via Multiple Graphs [78.0117352211091]
学習対応は、不均一な対応分布と低い不整合率で設定された初期対応から正しい対応を見つけることを目的としている。
最近の進歩は、通常、グラフニューラルネットワーク(GNN)を使用して単一のタイプのグラフを構築したり、グローバルなグラフに局所グラフをスタックしてタスクを完了させる。
本稿では,複数の補完グラフを効果的に組み合わせるためのMGNetを提案する。
論文 参考訳(メタデータ) (2024-01-10T07:58:44Z) - ControlLLM: Augment Language Models with Tools by Searching on Graphs [97.62758830255002]
我々は,大規模言語モデル(LLM)が実世界のタスクを解くためのマルチモーダルツールを利用できる新しいフレームワークであるControlLLMを提案する。
フレームワークは,(1)複雑なタスクを明確なサブタスクに分割し,入力と出力を適切に定義したサブタスクに分解するtextittask Decomposer,(2)構築済みのツールグラフ上で最適なソリューションパスを探索する textitThoughts-on-Graph(ToG)パラダイム,(3)ソリューションパスを解釈して実行するリッチなツールボックスを備えた textitexecution Engine,の3つの主要なコンポーネントから構成される。
論文 参考訳(メタデータ) (2023-10-26T21:57:21Z) - One for All: Towards Training One Graph Model for All Classification
Tasks [64.74879508476636]
様々なグラフタスクの統一モデルは、主にグラフ学習領域に固有の課題のために、まだ探索されていない。
上記の課題に対処するために単一のグラフモデルを使用できる最初の汎用フレームワークである textbfOne for All (OFA) を提案する。
OFAは様々なタスクでうまく機能し、グラフ上の最初の汎用のクロスドメイン分類モデルとなる。
論文 参考訳(メタデータ) (2023-09-29T21:15:26Z) - Handling Communication via APIs for Microservices [6.5499625417846685]
本稿では,従来の通信技術による課題について論じ,API経由のIDパスの代替手法を提案する。
また,API数を削減するアルゴリズムも考案した。
論文 参考訳(メタデータ) (2023-08-02T17:40:34Z) - Neural Graph Reasoning: Complex Logical Query Answering Meets Graph
Databases [63.96793270418793]
複雑な論理クエリ応答(CLQA)は、グラフ機械学習の最近登場したタスクである。
ニューラルグラフデータベース(NGDB)の概念を紹介する。
NGDBはNeural Graph StorageとNeural Graph Engineで構成されている。
論文 参考訳(メタデータ) (2023-03-26T04:03:37Z) - Graph-PHPA: Graph-based Proactive Horizontal Pod Autoscaling for
Microservices using LSTM-GNN [4.4345763263216895]
Graph-PHPAは、クラウドリソースを割り当てるためのグラフベースのプロアクティブ自動スケーリング戦略である。
本稿では,ルールベースのリソース割り当て方式をベースラインとして,Graph-PHPAの有効性を実証する。
論文 参考訳(メタデータ) (2022-09-06T14:57:53Z) - Arch-Graph: Acyclic Architecture Relation Predictor for
Task-Transferable Neural Architecture Search [96.31315520244605]
Arch-Graphはタスク固有の最適アーキテクチャを予測するトランスファー可能なNASメソッドである。
Arch-Graphの転送性と,多数のタスクにわたる高いサンプル効率を示す。
わずか50モデルの予算の下で、2つの検索スペースで平均して0.16%と0.29%のアーキテクチャを見つけることができる。
論文 参考訳(メタデータ) (2022-04-12T16:46:06Z) - Mapping the Internet: Modelling Entity Interactions in Complex
Heterogeneous Networks [0.0]
サンプル表現、モデル定義、トレーニングのための汎用性のある統一フレームワークHMill'を提案します。
フレームワークに実装されたモデルによって実現されたすべての関数の集合に対する普遍近似定理の拡張を示す。
このフレームワークを使ってサイバーセキュリティドメインから3つの異なる問題を解決する。
論文 参考訳(メタデータ) (2021-04-19T21:32:44Z) - Graph Neural Network to Dilute Outliers for Refactoring Monolith
Application [12.43382998243009]
ソフトウェアをよりよく理解するために,コードコンテキストにおけるグラフネットワークの最近の進歩に適応する新しい手法を提案する。
我々のソリューションは、ソフトウェア工学と既存のグラフ表現に基づく技術の両方の成果と比較して、最先端のパフォーマンスを向上させることができる。
論文 参考訳(メタデータ) (2021-02-07T16:00:27Z) - Learning Graph Structure With A Finite-State Automaton Layer [31.028101360041227]
本研究は,本質的なグラフ構造から抽象的関係を導出する学習の課題について考察する。
この問題を緩和して有限状態オートマトンポリシーを学習することで、これらの関係をエンドツーエンドで学習する方法を示す。
我々は,このレイヤがグリッドワールドグラフのショートカットを見つけ,Pythonプログラム上で単純な静的解析を再現できることを実証した。
論文 参考訳(メタデータ) (2020-07-09T17:01:34Z) - MetaPerturb: Transferable Regularizer for Heterogeneous Tasks and
Architectures [61.73533544385352]
本稿ではメタパーターブ(MetaPerturb)というトランスファー可能な摂動モデルを提案する。
MetaPerturbは、レイヤやタスクにまたがる多様な分散を訓練したセット関数であるため、異種タスクやアーキテクチャを一般化することができる。
論文 参考訳(メタデータ) (2020-06-13T02:54:59Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。