Notwithstanding the advancement of software engineering for enterprise applications, the process of software implementation is still time-consuming and error-prone. This situation is more severe when developing the custom software, because the requirements are always changing during the whole development processes. This issue could be alleviated by reusing exiting code or services in the private and public repositories. Nevertheless, the reuse could fail if no existing service is matched or existing services could not be composited to satisfy the requirements. Eventually, the developers have to implement the business logic manually for the un-satisfied requirements. In this paper, we present an approach which can automated generate business logic from requirement model for enterprise applications. Unlike other works, our approach does not need to specify design model such as sequence diagram, the business logic could be directly generated from operation contracts of requirement model. Operation contracts only contain the preconditions before executing the action, and the postconditions after execution. Moreover, the generated off-the-shelf code is adopted the same multi-layer structure as Java EE and .NET platforms which are robust, scalable, and widely used in enterprise application developments. Finally, a case study of library management system demonstrates the feasibility and efficiency of the proposed approach in our implemented RMCode tool.


翻译:尽管企业应用程序的软件工程有了进步,但软件实施过程仍然费时而且容易出错。在开发定制软件时,这种情况更为严重,因为要求在整个开发过程中总是在不断变化。这个问题可以通过在私营和公共储存库中重新使用退出的代码或服务来缓解。然而,如果没有现有的服务能够匹配,或者现有服务无法组合以满足要求,那么再利用就会失败。最后,开发者必须手工实施不满足要求的商业逻辑。在本文件中,我们提出了一个方法,从企业应用程序的需求模型中自动产生商业逻辑。与其他工程不同,我们的方法不需要具体指定设计模型,例如序列图,业务逻辑可以直接由需求模型的运作合同产生。操作合同只包含执行行动的先决条件,以及执行后的条件。此外,所产生的现成代码采用与Java EE和.NET平台相同的多层结构,这些结构是坚固、可缩放的,并且广泛用于企业应用程序开发。最后,对图书馆管理系统的案例研究表明,我们拟议采用的RMC方法的可行性和效率。

0
下载
关闭预览

相关内容

Automator是苹果公司为他们的Mac OS X系统开发的一款软件。 只要通过点击拖拽鼠标等操作就可以将一系列动作组合成一个工作流,从而帮助你自动的(可重复的)完成一些复杂的工作。Automator还能横跨很多不同种类的程序,包括:查找器、Safari网络浏览器、iCal、地址簿或者其他的一些程序。它还能和一些第三方的程序一起工作,如微软的Office、Adobe公司的Photoshop或者Pixelmator等。
专知会员服务
61+阅读 · 2020年3月19日
【新书】Java企业微服务,Enterprise Java Microservices,272页pdf
强化学习最新教程,17页pdf
专知会员服务
180+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
78+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
94+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
104+阅读 · 2019年10月9日
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
Hierarchically Structured Meta-learning
CreateAMind
27+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
29+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
18+阅读 · 2019年1月7日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
LibRec 精选:推荐系统的论文与源码
LibRec智能推荐
14+阅读 · 2018年11月29日
美国化学会 (ACS) 北京代表处招聘
知社学术圈
11+阅读 · 2018年9月4日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
MoCoGAN 分解运动和内容的视频生成
CreateAMind
18+阅读 · 2017年10月21日
【学习】(Python)SVM数据分类
机器学习研究会
6+阅读 · 2017年10月15日
Adversarial Mutual Information for Text Generation
Arxiv
13+阅读 · 2020年6月30日
A Comprehensive Survey on Transfer Learning
Arxiv
121+阅读 · 2019年11月7日
Arxiv
19+阅读 · 2018年10月25日
Arxiv
3+阅读 · 2018年2月22日
VIP会员
相关VIP内容
相关资讯
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
Hierarchically Structured Meta-learning
CreateAMind
27+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
29+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
18+阅读 · 2019年1月7日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
LibRec 精选:推荐系统的论文与源码
LibRec智能推荐
14+阅读 · 2018年11月29日
美国化学会 (ACS) 北京代表处招聘
知社学术圈
11+阅读 · 2018年9月4日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
MoCoGAN 分解运动和内容的视频生成
CreateAMind
18+阅读 · 2017年10月21日
【学习】(Python)SVM数据分类
机器学习研究会
6+阅读 · 2017年10月15日
Top
微信扫码咨询专知VIP会员