УДК 004.9 Прикладные информационные (компьютерные) технологии
ГРНТИ 20.53 Технические средства обеспечения информационных процессов
В статье рассматривается проблема обеспечения адаптивности при разработке информационных систем в целом и геоинформационных систем и технологий в частности. Под адаптивностью в рамках данной работы понимается свойство архитектуры программного решения, способствующее (или препятствующее) удовлетворению новых требований до того, как они станут известны. Предлагается метод проектирования адаптивных геоинформационных технологий, получивший название «поведенческая декомпозиция». Область его применения — моделирование отдельных сложных процедур обработки пространственных данных. Рассмотрены существующие в отрасли подходы и предпосылки к появлению нового метода, его теоретическая база и лежащие в его основе принципы, в числе которых шаблоны проектирования «Стратегия» и «Спецификация», принцип инверсии управления, а также решения, предложенные Э. Эвансом в работе “Domain Driven Design”. Приведены приемы применения метода к практическим задачам, человеко-машиночитаемая нотация для записи решений на любом этапе проектирования. В качестве примеров рассмотрены модели двух процедур обработки пространственных данных, построенные с использованием предложенного метода: свертка двухмерного растра на регулярной сетке и метод семплирования и аугментации спутниковых изображений SEGA. Освещается опыт практического применения предложенного метода, выявленные ограничения и способы их преодоления.
поведенческая декомпозиция, адаптивные геоинформационные технологии, программная инженерия, программная архитектура
1. Roozbeh A., Soares J., Maguire G.Q., et al. Software-Defined “Hardware” Infrastructures: A Survey on Enabling Technologies and Open Research Directions // IEEE Communications Surveys Tutorials. 2018. Vol. 20. No. 3. P. 2454–2485. DOI:10.1109/ COMST.2018.2834731.
2. Weil S.A., Brandt S.A., Miller E.L., et al. A scalable, high-performance distributed file system // Proceedings of the 7th symposium on Operating systems design and implementation. Berkeley: USENIX Association, 2006. P. 307–320.
3. Goel A., Gupta S.C. Software defined storage technology // 2015 Asia-Pacific Software Engineering Conference. New Delhi, 2015. P. 6–7. DOIhttps://doi.org/10.1109/APSEC.2015.62.
4. Masoudi R., Ghaffari A. Software defined networks: A survey // Journal of Network and Computer Applications. 2016. Vol. 67. P. 1–25. DOIhttps://doi.org/10.1016/j.jnca.2016.03.016.
5. Яковлев В.В., Беркинбаева Ж.М. Основные отличия между традиционными и программно-конфигурируемыми сетями // Интеллектуальные технологии на транспорте. 2018. № 3. С. 5–11.
6. Dillinger M., Madani K., Alonistioti N. Software Defined Radio: Architectures, Systems and Functions. New York: Wiley & Sons, 2003. 454 p.
7. Сивоконь В.П., Лапшов Д.В. Технология software defined radio в задачах контроля радиошумов // Вестник Камчатского государственного технического университета. 2021. № 58. С. 17–28. DOIhttps://doi.org/10.17217/2079-0333-2021-58-17-28.
8. Lasi H., Fettke P., Kemper H.G., et al. Industry 4.0 // Business & Information Systems Engineering. 2014. Vol. 6. No. 4. P. 239–242. DOIhttps://doi.org/10.1007/s12599-014-0334-4.
9. Nayak N.G., Dürr F., Rothermel K. Software-defined environment for reconfigurable manufacturing systems // 5th International Conference on the Internet of Things (IOT). Seoul, 2015. P. 122–129. DOIhttps://doi.org/10.1109/IOT.2015.7356556.
10. Sadeghi M., Mahmoudi A., Deng X. Adopting distributed ledger technology for the sustainable construction industry: Evaluating the barriers using ordinal priority approach // Environmental Science and Pollution Research. 2021. Vol. 29. P. 10495–10520. DOIhttps://doi.org/10.1007/s11356-021-16376-y.
11. Дюдикова Е.И., Куницына Н.Н. Распределенные реестры в цифровой экономике: база данных, технология или протокол? // Инновации. 2019. № 9. С. 98–106. DOIhttps://doi.org/10.26310/2071-3010.2019.251.9.015.
12. Taherdoost H. Smart Contracts in Blockchain Technology: A Critical Review // Information. 2023. Vol. 14. No. 117. P. 1–19. DOIhttps://doi.org/10.3390/info14020117.
13. Митрофанова И.А. Законодательное регулирование «умных» контрактов: проблемы и перспективы развития // Правовая парадигма. 2018. Т. 17. № 3. С. 22–29. DOIhttps://doi.org/10.15688/lc.jvolsu.2018.4.3.
14. Гребенник О.Г., Иваницкий А.В. Умные контракты и перспектива их использования // Теория и практика современной науки. 2018. Т. 1. № 31. С. 640–642.
15. Qian L., Luo Z., Du Y., et al. Cloud computing: An overview // IEEE International Conference on Cloud Computing. Beijing, 2009. P. 626–631. DOIhttps://doi.org/10.1007/978-3-642-10665-1_63.
16. Allam A., Razak A., Mohamed H. User experience: challenges and opportunities // Journal of Information Systems Research and Innovation. 2013. Vol. 3. P. 28–36.
17. Naveed H., Khan A.U., Qiu S., et al. A comprehensive overview of large language models // arXiv. 2024. arXiv:2307.06435. [Электронный ресурс]. Режим доступа: https://arxiv.org/pdf/2307.06435 (дата обращения: 15.12.2024).
18. Гвоздев О.Г. Современные геоинформационные технологии: адаптивность, адаптируемость, расширяемость, функциональная масштабируемость // Известия вузов «Геодезия и аэрофотосъемка». 2022. Т. 66. № 5. С. 28–46. DOIhttps://doi.org/10.30533/0536-101Х-2022-66-5-28-46.
19. Bezanson J., Edelman A., Karpinski S., et al. Julia: A fresh approach to numerical computing // SIAM Review. 2017. Vol. 59. No. 1. P. 65–98. DOIhttps://doi.org/10.1137/141000671.
20. Lattner C., Adve V.S. LLVM: A compilation framework for lifelong program analysis & transformation // Proceedings of the International symposium on Code generation and optimization: feedback-directed and runtime optimization. San Jose, 2004. P. 75–86. DOIhttps://doi.org/10.1109/CGO.2004.1281665.
21. Paszke A., Gross S., Chintala S., et al. Automatic differentiation in PyTorch // Proceedings of the 31st Conference on Neural Information Processing Systems (NIPS 2017). Long Beach, 2017. P. 1–4.
22. Christopoulou A., Giakoumakis E.A., Zafeiris V.E., et al. Automated refactoring to the Strategy design pattern // Information and Software Technology. 2012. Vol. 54. P. 1202–1214. DOIhttps://doi.org/10.1016/j.infsof.2012.05.004.
23. Bala R., Kaswan K.K. Strategy Design Pattern // International Journal of Science and Research (IJSR). 2014. Vol. 3. No. 8. P. 385–387.
24. Ilevbare I.M., Probert D., Phaal R. A review of TRIZ, and its benefits and challenges in practice // Technovation. 2013. Vol. 33. P. 30–37. DOIhttps://doi.org/10.1016/j.technovation.2012.11.003.
25. Rocklin M. Dask: Parallel computation with blocked algorithms and task scheduling // Proceedings of the 14th Python in Science Conference. Austin, 2015. P. 130–136. DOIhttps://doi.org/10.25080/Majora-7b98e3ed-013.
26. Ellson J., Gansner E. R., Koutsofios E., et al. Graphviz and Dynagraph – Static and Dynamic Graph Drawing Tools // Jünger M., Mutzel P. (eds). Graph Drawing Software. Mathematics and Visualization. Berlin; Heidelberg: Springer, 2004. P. 127–148.DOIhttps://doi.org/10.1007/978-3-642-18638-7_6.
27. Гвоздев О.Г., Матерухин А.В., Майоров А.А. Экспериментальное исследование метода семплирования и аугментации спутниковых изображений SEGA // Известия вузов «Геодезия и аэрофотосъемка». 2022. Т. 66. № 5. С. 47–59. DOIhttps://doi.org/10.30533/0536-101Х-2022-66-5-47-59.
28. Gvozdev O. GreedyCenters: Satellite imagery adaptive sampling method for artificial neural networks training // E3S Web of Conferences. 2021. Vol. 310. P. 02001. DOIhttps://doi.org/10.1051/e3sconf/202131002001.
29. Гурьянов В.И. Самосборка программного обеспечения как паттерн проектирования // Программные продукты и системы. 2008. № 1. С. 62–64.
