論文の概要: Refactoring Towards Microservices: Preparing the Ground for Service Extraction

• arxiv url: http://arxiv.org/abs/2510.03050v1
• Date: Fri, 03 Oct 2025 14:33:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.425252
• Title: Refactoring Towards Microservices: Preparing the Ground for Service Extraction
• Title（参考訳）: マイクロサービスへのリファクタリング - サービス抽出のための準備
• Authors: Rita Peixoto, Filipe F. Correia, Thatiane Rosa, Eduardo Guerra, Alfredo Goldman,
• Abstract要約: この記事では、依存関係を扱うことに集中して、アーキテクチャへの移行をサポートするように設計された7つのカタログを紹介します。 このカタログは、開発者に対して、文献の中で識別された統合と、コードレベルでプロセスを体系化する上で重要なギャップに対処する、システマティックなガイドを提供する。
• 参考スコア（独自算出の注目度）: 1.3782922287772585
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As organizations increasingly transition from monolithic systems to microservices, they aim to achieve higher availability, automatic scaling, simplified infrastructure management, enhanced collaboration, and streamlined deployments. However, this migration process remains largely manual and labour-intensive. While existing literature offers various strategies for decomposing monoliths, these approaches primarily focus on architecture-level guidance, often overlooking the code-level challenges and dependencies that developers must address during the migration. This article introduces a catalogue of seven refactorings specifically designed to support the transition to a microservices architecture with a focus on handling dependencies. The catalogue provides developers with a systematic guide that consolidates refactorings identified in the literature and addresses the critical gap in systematizing the process at the code level. By offering a structured, step-by-step approach, this work simplifies the migration process and lays the groundwork for its potential automation, empowering developers to implement these changes efficiently and effectively.
• Abstract（参考訳）: モノリシックなシステムからマイクロサービスへの移行が進むにつれて、可用性の向上、自動スケーリング、インフラストラクチャ管理の簡略化、コラボレーションの強化、デプロイメントの合理化などが目標にされています。 しかし、この移行プロセスは手作業と労働集約がほとんどである。 既存の文献はモノリスを分解するためのさまざまな戦略を提供しているが、これらのアプローチは主にアーキテクチャレベルのガイダンスに焦点を当てている。 この記事では、依存関係を扱うことに集中して、マイクロサービスアーキテクチャへの移行をサポートするように設計された7つのリファクタリングのカタログを紹介します。 このカタログは開発者に、文献で特定されたリファクタリングを統合するための体系的なガイドを提供し、コードレベルでプロセスを体系化する上で重要なギャップに対処する。 構造化されたステップバイステップのアプローチを提供することで、この作業は移行プロセスを単純化し、潜在的な自動化の基礎を敷き、開発者がこれらの変更を効率的に効果的に実装できるようにする。

関連論文リスト

• The Landscape of Agentic Reinforcement Learning for LLMs: A Survey [104.31926740841128]
  エージェント強化学習(Agentic RL)の出現は、大規模言語モデル(LLM RL)に適用された従来の強化学習からパラダイムシフトを示している。 本研究では, LLM-RLの縮退した単段階マルコフ決定過程(MDPs)と, エージェントRLを定義する部分可観測マルコフ決定過程(POMDPs)とを対比することにより, この概念シフトを定式化する。
  論文  参考訳（メタデータ） (2025-09-02T17:46:26Z)
• CIgrate: Automating CI Service Migration with Large Language Models [2.3020018305241337]
  本稿では,Large Language Models (LLMs) を用いてCIマイグレーションを改善することができるかを検討する。 LLMはコード生成と変換タスクにおいて強力な機能を示している。 自動CI構成移行のためのLLMベースのフレームワークであるCIgrateを提案する。
  論文  参考訳（メタデータ） (2025-07-27T19:51:37Z)
• Multi-Agent Collaboration via Evolving Orchestration [61.93162413517026]
  大規模言語モデル(LLM)は、様々な下流タスクで顕著な成果を上げているが、そのモノリシックな性質は複雑な問題解決におけるスケーラビリティと効率を制限している。 LLMをベースとしたマルチエージェントコラボレーションのためのパウチスタイルのパラダイムを提案し、中央オーケストレータがタスク状態の進化に応じてエージェントを動的に指示する。 クローズドドメインおよびオープンドメインシナリオの実験により,この手法は計算コストを低減し,優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2025-05-26T07:02:17Z)
• Moving From Monolithic To Microservices Architecture for Multi-Agent Systems [0.0]
  モノリシックからアーキテクチャへの移行は、スケーラビリティと保守性を改善して、ソフトウェア開発に革命をもたらした。 この記事では、モノリシックなアーキテクチャから、マルチエージェントシステムの特定のコンテキストにおけるアーキテクチャへの進化について説明する。
  論文  参考訳（メタデータ） (2025-05-05T09:10:46Z)
• Generating Structured Plan Representation of Procedures with LLMs [5.623006055588189]
  本稿では,SOPを構造化表現に変換する新しい手法であるSOPStructuringを紹介する。 SOPStructは、異なるドメインにわたるSOPの標準化された表現を生成し、認知負荷を低減し、ユーザの理解を改善する。 我々の研究は、プロセスモデリングを合理化するために、大規模言語モデルの変換可能性を強調します。
  論文  参考訳（メタデータ） (2025-03-28T22:38:24Z)
• MONO2REST: Identifying and Exposing Microservices: a Reusable RESTification Approach [0.7499722271664147]
  多くの組織は、レガシーなモノリシックシステムからアーキテクチャスタイルへの移行を追求しています。 このプロセスは困難で、リスクが高く、時間集約的であり、失敗しがちですが、いくつかの組織では、移行プロセスを構築するために必要な資金、時間、専門知識が不足しています。 移行することなく、レガシーシステムをマイクロサービスアプリケーションとして公開することを提案する。
  論文  参考訳（メタデータ） (2025-03-27T14:10:33Z)
• IMPROVE: Iterative Model Pipeline Refinement and Optimization Leveraging LLM Experts [28.9807389592324]
  機械学習のワークフローを自動化するための有望なソリューションとして、大規模言語モデル(LLM)エージェントが登場した。 LLM駆動のMLパイプライン設計のための新しい戦略であるIterative Refinementを紹介します。 実際のトレーニングフィードバックに基づいて個々のコンポーネントを体系的に更新することにより、イテレーティブリファインメントはモデル全体のパフォーマンスを改善する。
  論文  参考訳（メタデータ） (2025-02-25T01:52:37Z)
• Read-ME: Refactorizing LLMs as Router-Decoupled Mixture of Experts with System Co-Design [59.00758127310582]
  本稿では、事前学習された高密度LCMをより小さなMoEモデルに変換する新しいフレームワークRead-MEを提案する。 当社のアプローチでは,専門家の抽出にアクティベーション空間を用いる。 Read-MEは、同様のスケールの他の人気のあるオープンソース高密度モデルよりも優れています。
  論文  参考訳（メタデータ） (2024-10-24T19:48:51Z)
• Reinforcement Learning with Options and State Representation [105.82346211739433]
  この論文は、強化学習分野を探求し、改良された手法を構築することを目的としている。 階層的強化学習(Hierarchical Reinforcement Learning)として知られる階層的な方法で学習タスクを分解することで、そのような目標に対処する。
  論文  参考訳（メタデータ） (2024-03-16T08:30:55Z)
• 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。