Просмотр статьи


Номер журнала: 2020.3

Заголовок статьи: Методика выбора компонентов стека технологий цифровых платформ на основе нечеткой логики

Резюме

Цифровые платформы с веб-интерфейсами становятся одним из распространенных видов информационных систем. Важной задачей дизайна и построения архитектуры программного обеспечения цифровой платформы является выбор используемых информационно-технологических решений и компонентов (стека технологий). В работе предложена методика выбора стека технологий на основе использования нечеткой логики. Методика на основе формализованного описания критериев оценки компонентов в заданных условиях функционирования цифровой платформы предполагает введение системы нечеткого вывода с последующим экспериментальным оцениванием критериев и направленным поиском эффективного решения на основе роевого интеллекта. Приведен пример использования методики для федеральной цифровой платформы массовых психологических исследований.

Авторы

Д. Ю. Ильин

Библиография

1. Шабанов А. П. Инновационное управление цифровыми платформами в экономике знаний // Системы управления, связи и безопасности. 2018. № 3. С. 106–135.
2. Corbellini C. Mateos A. et al. Persisting big-data: The NoSQL landscape // Information Systems. 2017. V. 63. P. 1–23.
3. Семынин Д. Стек для Больших Данных // Открытые системы. СУБД. 2014. № 1. С. 42–43.
4. Brown E. Web development with node and express: leveraging the JavaScript stack. O'Reilly Media, 2019.
5. Лукинова О. В. Вопросы проектирования цифровых платформ в парадигме открытых систем // Управление развитием крупномасштабных систем (MLSD'2018). М.: ИПУ РАН, 2018. С. 304–306.
6. Комлева Н. В., Вилявин Д. А. Цифровая платформа для создания персонализированных адаптивных онлайн курсов // Открытое образование. 2020. № 24 (2). С. 65–72.
7. Beran P. P., Vinek E., Schikuta E. A cloud-based framework for QoS-aware service selection optimization // Proceedings of the 13th International Conference on Information Integration and Web-based Applications and Services, 2011. P. 284–287.
8. Vescan A., Grosan C., Pop H. F. Evolutionary algorithms for the component selection problem // 2008 19th International Workshop on Database and Expert Systems Applications. IEEE. 2008. P. 509–513.
9. Ramírez A., Parejo J. A., Romero J. R., Segura S., Ruiz-Cortés A. Evolutionary composition of QoS-aware web services: a many-objective perspective // Expert Systems with Applications. 2017. V. 72. P. 357–370.
10. Ramirez A., Romero, J. R., Ventura S. Interactive multi-objective evolutionary optimization of software architectures // Information Sciences. 2018. V. 463. P. 92–109.
11. Yang Y., Yang B., Wang S., Jin T., Li S. An enhanced multi-objective grey wolf optimizer for service composition in cloud manufacturing // Applied Soft Computing. 2020. V. 87.
12. Gholamshahi S., Hasheminejad S. M. H. Software component identification and selection: A research review // Software Practice and Experience. 2019. V. 49, № 1. P. 40–69.
13. Гусев А. А. Поиск эффективного набора взаимодействующих компонентов программных систем на основе роевого интеллекта // Cloud of Science. 2019. Т. 6, № 3. С. 475–487.
14. Ilin D., Gusev A., Nikulchev E. Software Design using Genetic Quality Components Search // International Journal of Advanced Computer Science and Applications. 2019. V. 10, № 12. P. 48–54.
15. Lun L., Chi X., Xu H. Coverage criteria for component path-oriented in software architecture // Engineering Letters. 2019. V. 27, № 1. P. 40–52.
16. Никульчев Е. В., Ильин Д. Ю. и др. Разработка открытой цифровой платформы масштаб-ных психологических исследований // Вестник РФФИ. 2019. № 4. С. 105–119.
17. Fuzzy logic toolbox user’s guide. // Mathworks Inc., 2010

Ключевые слова

цифровые платформы, система нечеткого вывода, роевой интеллект, выбор программных компонентов

Скачать полный текст