論文の概要: Towards a Characterization of Microservice Architectures Generated by Large Language Models

• arxiv url: http://arxiv.org/abs/2609.20308v1
• Date: Fri, 31 Jul 2026 07:51:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.670995
• Title: Towards a Characterization of Microservice Architectures Generated by Large Language Models
• Title（参考訳）: 大規模言語モデルによるマイクロサービスアーキテクチャのキャラクタリゼーションに向けて
• Abstract要約: この研究は、大規模言語モデルが自然言語記述からマイクロサービスアーキテクチャをどのように生成するかを実証的に特徴づける。 OpenAIのGPTベースのモデルとDeepSeekのモデルを用いて、ゼロショットと少数ショットのプロンプト戦略を比較した。 その結果、主にモデルプロバイダよりも戦略の推進による体系的な違いが明らかになった。
• 参考スコア（独自算出の注目度）: 0.4104352271917983
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Models (LLMs) are increasingly used for software design tasks, yet little is known about the structure and coherence of the architectures they produce. In particular, how LLMs behave in Architecture-to-Architecture transformations remains insufficiently understood. This study empirically characterizes how LLMs generate microservice architectures from natural language descriptions of modular monoliths, focusing on structural and descriptive properties rather than architectural correctness. We conduct controlled experiments on two modular monolith systems, comparing zero-shot and few-shot prompting strategies using GPT-based models from OpenAI and models from DeepSeek. Generated architectures are represented in a standardized CSV format and evaluated using normalized metrics capturing service granularity, inter-service communication patterns, communication density, service isolation, and responsibility descriptiveness. The results reveal systematic differences driven primarily by prompting strategy rather than model provider. Few-shot prompting consistently produces finer-grained decompositions with lower communication density and more detailed responsibility descriptions, whereas zero-shot prompting favors coarser and more tightly connected architectures. Rather than assessing architectural quality, this study provides an empirical baseline for understanding LLM behavior in text-driven Architecture-to-Architecture transformations, informing future research on generative design workflows and hybrid architectural reasoning in early-stage software modernization.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、ソフトウェア設計タスクにますます使われていますが、それらが生成するアーキテクチャの構造と一貫性についてはほとんど分かっていません。 特に、アーキテクチャからアーキテクチャへの変換においてLLMがどのように振る舞うかは、まだ十分に理解されていません。 本研究では,LLMがモジュラモノリスの自然言語記述からマイクロサービスアーキテクチャをいかに生成するかを実証的に評価し,アーキテクチャの正しさよりも構造的および記述的特性に注目した。 我々は,OpenAIのGPTベースのモデルとDeepSeekのモデルを用いて,ゼロショットと少数ショットのプロンプト戦略を比較し,2つのモジュールモノリスシステムの制御実験を行った。 生成したアーキテクチャは標準化されたCSV形式で表現され、サービスの粒度、サービス間通信パターン、通信密度、サービスアイソレーション、責任記述性を測定する正常化されたメトリクスを使用して評価される。 その結果、主にモデルプロバイダよりも戦略の推進による体系的な違いが明らかになった。 少ないショットプロンプトは、通信密度が低く、より詳細な責任記述を持つ細粒度の分解を一貫して生成するが、ゼロショットプロンプトはより粗い、より密結合なアーキテクチャを好む。 本研究は, アーキテクチャ品質を評価するのではなく, テキスト駆動型アーキテクチャ・アーキテクチャ・トランスフォーメーションにおけるLCMの振る舞いを理解するための実証的ベースラインを提供する。

関連論文リスト

• From Textual Requirements to Microservice Architectures - A Comprehensive Evaluation of LLM-Based Design Synthesis [0.37922648688908517]
  本研究では,大規模言語モデルが要求設計とアーキテクチャ設計を橋渡しできるかどうかを検討する。 OpenAI o3は、即興的なプロンプトによってガイドされるとき、要求駆動の合成の可能性を示す。 結果はモデル非依存の証明ではなく、2つの小さなシステムからモデル固有かつコンテキスト固有である。
  論文  参考訳（メタデータ） (2026-07-30T14:45:18Z)
• Bridging Requirements and Architecture: Multi-Agent Orchestration with External Knowledge and Hierarchical Memory [37.071260774880884]
  我々は,4つの専門エージェントを編成し,アーキテクチャのブループリントを属性とする知識駆動型フレームワークであるMAAD(Multi-Agent Architecture Design)を提案する。 我々はMAADがベースラインよりも完全でモジュラーでトレーサブルなアーキテクチャを生成することを示し、その専用評価エージェントは構造化された品質評価レポートを自律的に作成する。
  論文  参考訳（メタデータ） (2026-05-31T18:18:31Z)
• Unified Architecture Metamodel of Information Systems Developed by Generative AI [0.0]
  本研究では,中小企業が選択したアーキテクチャフレームワークに基づいたLLM指向アプリケーションのための統一アーキテクチャ構築の課題について検討する。 いくつかの重要なアーキテクチャ図をカバーし、変換のクローズドサイクルをサポートするフレームワーク構造が提案されている。 実験では、アーキテクチャ図の形式で構造化されたアーキテクチャコンテキストを使用する場合、生成されたドキュメントとコードの安定した品質を実証した。
  論文  参考訳（メタデータ） (2026-03-31T19:22:15Z)
• Closed-Loop LLM Discovery of Non-Standard Channel Priors in Vision Models [48.83701310501069]
  大規模言語モデル(LLM)はニューラルアーキテクチャサーチ(NAS)に対する変換的アプローチを提供する 我々は、LLMが性能テレメトリに基づいてアーキテクチャ仕様を洗練する条件付きコード生成タスクのシーケンスとして検索を定式化する。 AST(Abstract Syntax Tree)変異を用いて,有効かつ整合性のあるアーキテクチャの膨大なコーパスを生成する。 CIFAR-100の実験結果は、この手法の有効性を検証し、精度の統計的に有意な改善をもたらすことを示した。
  論文  参考訳（メタデータ） (2026-01-13T13:00:30Z)
• Data Dependency-Aware Code Generation from Enhanced UML Sequence Diagrams [54.528185120850274]
  本稿では,API2Depという新しいステップバイステップコード生成フレームワークを提案する。 まず、サービス指向アーキテクチャに適した拡張Unified Modeling Language (UML) APIダイアグラムを紹介します。 次に、データフローの重要な役割を認識し、専用のデータ依存推論タスクを導入する。
  論文  参考訳（メタデータ） (2025-08-05T12:28:23Z)
• SAFT: Structure-Aware Fine-Tuning of LLMs for AMR-to-Text Generation [50.277959544420455]
  SAFTは、事前訓練された言語モデルにグラフトポロジーを注入する構造対応の微調整手法である。 変換されたAMRの磁気ラプラシアンから方向感応的な位置エンコーディングを計算する。 SAFTはAMR 3.0に新しい最先端を設定、ベースラインを3.5BLEU改善した。
  論文  参考訳（メタデータ） (2025-07-15T18:12:57Z)
• Large Language Models are Good Relational Learners [55.40941576497973]
  本稿では,グラフニューラルネットワーク(GNN)に基づくエンコーダを用いて,大規模言語モデル(LLM)のための構造化リレーショナルプロンプトを生成する新しいアーキテクチャであるRel-LLMを紹介する。 従来のテキストベースのシリアライズ手法とは異なり,本手法はデータベース固有の関係構造を保ちながら,LLMが複雑なエンティティ関係を処理・推論することを可能にする。
  論文  参考訳（メタデータ） (2025-06-06T04:07:55Z)
• 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)
• Proficient Graph Neural Network Design by Accumulating Knowledge on Large Language Models [20.31388126105889]
  DesiGNNは知識中心のフレームワークで、過去のモデル設計の経験を構造化されたきめ細かな知識に変換する。 目に見えないグラフ理解と既知の効果的なアーキテクチャパターンの固いメタ知識を構築することで、DesiGNNは、目に見えないデータセットに対するトップ5.77%の初期モデル提案を数秒で提供できる。
  論文  参考訳（メタデータ） (2024-08-13T08:22:01Z)
• StructLM: Towards Building Generalist Models for Structured Knowledge Grounding [49.10029030628653]
  大規模言語モデル(LLM)では、最先端(SoTA)モデルの背後にある構造化データラグを平均35%処理できる。 私たちは、MistralとCodeLlamaモデルファミリに基づいたStructLMと呼ばれる一連のモデルをトレーニングします。 我々のStructLMシリーズは、評価された18のデータセットのうち16のタスク固有モデルを超え、8つのSKGタスクに新しいSoTAパフォーマンスを確立する。
  論文  参考訳（メタデータ） (2024-02-26T15:47:01Z)

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。