项目名称: 基于目标模型的横切关注点识别及语义连接点定义方法研究

项目编号: No.61272115

项目类型: 面上项目

立项/批准年度: 2013

项目学科: 自动化技术、计算机技术

项目作者: 何成万

作者单位: 武汉工程大学

项目金额: 80万元

中文摘要: 横切关注点的识别是面向方面需求工程中的一个关键问题,而面向方面软件的演化需要更加健壮的语义连接点模型。现有的一些典型方法存在横切关注点识别方法复杂、识别精度有待提高、以及连接点模型难以支持大粒度基础程序的演化等不足。本项目拟重点围绕以下两个问题开展研究:1)基于目标模型的横切关注点识别方法;2)基于目标的语义连接点模型及其实现方法。研究目标模型的元模型及横切关注点的识别规则,在元模型指导下使用XML描述目标模型,通过XQuery语言按指定的识别规则查找横切关注点,以达到方法实用、识别精度较高的目的。研究不依赖于基础程序结构的基于目标的语义连接点模型,通过程序转换把语义连接点定义转换成AspectJ语言的连接点定义,以实现支持大粒度基础程序演化的目的。项目的研究成果将为横切关注点的识别、构建可适应面向方面软件提供理论和工具支撑。

中文关键词: 面向方面的需求工程;横切关注点识别;目标模性;连接点模型;目标切入点

英文摘要: Identification of crosscutting concern is the key problem of Aspect-Oriented Requirement Engineering. Meanwhile, the evolutionary of Aspect-Oriented Software needs more robust semantic join point model. The existing typical methods have many drawbacks. Identification method of crosscutting concern is complex and the identification accuracy should be improved, moreover, the join point model is difficult to support the evolutionary of large granularity base program. The project would carry out research mainly on the following two questions: the identification of crosscutting concern based on the goal model and the semantic join point model and its implementation based on the goal model. The project would research on the meta-model of goal model and the identification rules of crosscutting concerns. Then the goal model is described by XML with the guidance of the meta-model. Last crosscutting concerns are identified by XQuery language with the identification rules. The method is practical and has well identification accuracy. The project would also research on semantic join point model based on goal and independent from the structure of base program. Through program transformation, the definition of semantic join point would be transformed to the definition of join point of AspectJ language in order to support the

英文关键词: aspect-oriented requirement engineering;identification of crosscutting concern;goal model;Join Point Model;goal-based pointcut

成为VIP会员查看完整内容
0

相关内容

深度学习中的单阶段小目标检测方法综述
专知会员服务
45+阅读 · 2021年11月23日
专知会员服务
45+阅读 · 2021年3月19日
【干货书】Python机器学习,361页pdf
专知会员服务
264+阅读 · 2021年2月25日
专知会员服务
60+阅读 · 2021年2月22日
专知会员服务
65+阅读 · 2020年12月24日
专知会员服务
117+阅读 · 2020年12月9日
实体关系抽取方法研究综述
专知会员服务
176+阅读 · 2020年7月19日
「基于GNN的图分类研究」最新2022综述
图与推荐
7+阅读 · 2022年2月14日
基于规则的建模方法的可解释性及其发展
专知
4+阅读 · 2021年6月23日
图像描述生成研究进展
专知
1+阅读 · 2021年3月29日
远程监督在关系抽取中的应用
深度学习自然语言处理
12+阅读 · 2020年10月26日
论文浅尝 | 区分概念和实例的知识图谱嵌入方法
开放知识图谱
17+阅读 · 2019年1月19日
人脸检测与识别总结
计算机视觉战队
21+阅读 · 2017年11月29日
关系推理:基于表示学习和语义要素
计算机研究与发展
18+阅读 · 2017年8月22日
基于机器学习的KPI自动化异常检测系统
运维帮
13+阅读 · 2017年8月16日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
8+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2022年4月20日
Arxiv
0+阅读 · 2022年4月19日
小贴士
相关VIP内容
深度学习中的单阶段小目标检测方法综述
专知会员服务
45+阅读 · 2021年11月23日
专知会员服务
45+阅读 · 2021年3月19日
【干货书】Python机器学习,361页pdf
专知会员服务
264+阅读 · 2021年2月25日
专知会员服务
60+阅读 · 2021年2月22日
专知会员服务
65+阅读 · 2020年12月24日
专知会员服务
117+阅读 · 2020年12月9日
实体关系抽取方法研究综述
专知会员服务
176+阅读 · 2020年7月19日
相关资讯
「基于GNN的图分类研究」最新2022综述
图与推荐
7+阅读 · 2022年2月14日
基于规则的建模方法的可解释性及其发展
专知
4+阅读 · 2021年6月23日
图像描述生成研究进展
专知
1+阅读 · 2021年3月29日
远程监督在关系抽取中的应用
深度学习自然语言处理
12+阅读 · 2020年10月26日
论文浅尝 | 区分概念和实例的知识图谱嵌入方法
开放知识图谱
17+阅读 · 2019年1月19日
人脸检测与识别总结
计算机视觉战队
21+阅读 · 2017年11月29日
关系推理:基于表示学习和语义要素
计算机研究与发展
18+阅读 · 2017年8月22日
基于机器学习的KPI自动化异常检测系统
运维帮
13+阅读 · 2017年8月16日
相关基金
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
8+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2008年12月31日
微信扫码咨询专知VIP会员