ارائه چارچوبی چندعامله برای معماری های نرم افزاری خودبهبودگر با استفاده از مدل زبانی بزرگ به عنوان داور شناسایی بدهی فنی و کنترل رانش معماری

رشد پیچیدگی سامانه های نرم افزاری مدرن، به ویژه در معماری های مبتنی بر ریزخدمت ها، رایانش ابری و سامانه های خودتطبیق پذیر، موجب شده است که شناسایی به موقع بدهی فنی و کنترل رانش معماری به یکی از مسائل کلیدی در نگهداشت و تکامل نرم افزار تبدیل شود. با وجود پیشرفت ابزارهای تحلیل ایستا، پایش معماری و روش های مبتنی بر قواعد، رویکردهای موجود معمولا در درک زمینه معماری، تفسیر تصمیمات طراحی، تشخیص بدهی های پنهان و پیشنهاد اقدام اصلاحی متناسب با وضعیت سامانه با محدودیت مواجه اند. چارچوب پیشنهادی شامل عامل های تخصصی برای استخراج شواهد از مخزن کد، تحلیل وابستگی ها، تشخیص نقض های معماری، ارزیابی بدهی فنی، تولید پیشنهادهای بازآرایی و داوری نهایی مبتنی بر مدل زبانی بزرگ است. این عامل ها از طریق یک سازوکار هماهنگی بازخوردی، نتایج یکدیگر را اعتبارسنجی کرده و توصیه های اصلاحی را بر اساس معیارهایی مانند شدت بدهی، ریسک تغییر، تاثیر بر کیفیت معماری و هزینه بازپرداخت اولویت بندی می کنند.برای ارزیابی چارچوب، آزمایش ها بر روی مجموعه ای از سامانه های متن باز و سناریوهای تکامل معماری انجام شد و نتایج با رویکردهای اخیر مبتنی بر تحلیل ایستا، تشخیص smellهای معماری و روش های یادگیری ماشین مقایسه گردید. نتایج نشان داد که روش پیشنهادی در شناسایی بدهی فنی به دقت ۹۱.۸%، بازخوانی ۸۸. % و امتیاز ۱F برابر با ۹۰.۱% دست یافته است یافته های این پژوهش نشان می دهد که ترکیب معماری چندعامله با قابلیت های استدلالی مدل های زبانی بزرگ می تواند رویکردی موثر برای حرکت از ابزارهای صرفا تشخیصی به سمت معماری های نرم افزاری خودبهبودگر فراهم کند. چارچوب پیشنهادی با یکپارچه سازی شناسایی بدهی فنی، کنترل رانش معماری و پیشنهاد اصلاحات مبتنی بر زمینه، می تواند به بهبود پایداری معماری، کاهش هزینه های نگهداشت و افزایش قابلیت تکامل سامانه های نرم افزاری کمک کند.

کلیدواژه ها:

معماری نرم افزار خودبهبودگر ، سامانه چندعامله ، مدل زبانی بزرگ ، بدهی فنی ، رانش معماری ، بازآرایی نرم افزار.