CC BY-NC-ND
39
DOI: 10.17323/2587-814X.2020.4.36.46
Нечеткая продукционная сеть
для анализа качества микросервисной
архитектуры
А.И. Долженко
E-mail: doljenkoalex@gmail.com
И.Ю. Шполянская
E-mail: irinaspol@yandex.ru
С.А. Глушенко
E-mail: gs-gears@yandex.ru
Ростовский государственный экономический университет (РИНХ) Адрес: 344002, г. Ростов-на-Дону, ул. Большая Садовая, д. 69
Аннотация
В работе рассматриваются вопросы анализа качества микросервисных архитектур, которые являются одним из основополагающих подходов к созданию и сопровождению современных информационных систем, быстро реагирующих на изменения запросов бизнеса. Реализация непрерывной поставки программных компонентов для динамичных бизнес-процессов информационных систем может быть осуществлена различными наборами микросервисов, оптимальный выбор которых представляет собой сложную многоальтернативную задачу. В статье представлен обзор существующих подходов к решению задачи, который показал, что вопросы разработки моделей оценки качества микросервисов ИС требуют дальнейшей проработки в плане учета неопределенности в исходных данных и режимах функционирования. Предлагаемый подход к решению задачи анализа качества микросервисной архитектуры ИС реализован на базе нечеткой продукционной сетевой модели, которая позволяет использовать комплексный учет различных параметров (качественных и количественных). Приведен пример реализации разработанной нечеткой продукционной сети анализа качества функционирования микросервисной архитектуры ИС обработки заказов клиентов компании с помощью разработанного программного средства нечеткого моделирования. Результаты анализа позволят менеджерам и системным архитекторам проводить обоснованный выбор микросервисной архитектуры информационной системы, а также использовать его при аргументировании необходимости масштабирования системы и повышения доступности микросервисов.
Ключевые слова: микросервисная архитектура; сервис-ориентированная архитектура; качество обслуживания сервисов; бизнес-процесс; информационная система; нечеткая модель.
Цитирование: Долженко А.И., Шполянская И.Ю., Глушенко С.А. Нечеткая продукционная сеть для анализа качества микросервисной архитектуры // Бизнес-информатика. 2020. Т 14. № 4. С. 36—46. DOI: 10.17323/2587-814Х.2020.4.36.46
Введение
Микросервисная архитектура является развитием сервис-ориентированной архитектуры (СОА) информационных систем (ИС). В отличие от СОА, микросервисная архитектура предполагает слабую связанность и сильное зацепление программных компонентов, а также возможность их реализации на различных технологических платформах [1]. В то же время вопросы выбора микросервисной архитектуры имеют общие черты с выбором веб-сервисов для сервис-ориентированной архитектуры ИС, что обуславливает близость методологических подходов к выбору СОА и микросервисных архитектур ИС.
Для микросервисной архитектуры технологические платформы реализации микросервисов могут быть различными и, следовательно, микросервисы могут поставляться различными вендорами. Этот факт определяет важность задачи оценки качества набора микросервисов для разработчиков ИС, что, в свою очередь, способствует эффективной реализации бизнес-задач предметной области информационной системы. Под бизнес-задачей понимается упорядоченная совокупность видов деятельности, которая по определенным правилам преобразует ресурсы, с целью достижения запланированного результата [2]. В качестве примера можно привести такие бизнес-задачи информационной системы, как взаимодействие с клиентами, обработка заказов, исполнение заказов.
При проектировании микросервисной архитектуры ИС используются два подхода к организации взаимодействия микросервисов — API Gateway и Message Bus.
API Gateway выполняет посредническую функцию между клиентами и микросервисами (рисунок 1). Для клиентов API Gateway является единой точкой взаимодействия с микросервисами, обеспе-
Рис. 1. Архитектура микросервисов с API Gateway
чивая перенаправление запросов клиента к конкретному сервису — бизнес-задаче. Кроме того, API Gateway может выполнять функцию балансировщика нагрузки.
При использовании шины сообщений Message Bus микросервисы подписываются на определенные события, возникновение которых инициирует выполнение заданной бизнес-задачи (рисунок 2).
Рис. 2. Архитектура микросервисов с Message Bus
В рамках микросервисной архитектуры микросервисы не обмениваются сообщениями между собой, т.е. не взаимодействуют напрямую. Это исключает влияние качества обслуживания одного микросервиса на другой. Следует отметить, что даже при отказе одного или нескольких микросервисов другие микросервисы продолжают функционировать (Это обеспечивается свойством слабой связанности микросервисов в микросервисной архитектуре). При этом качество функционирования ИС снижается, но отказа всей системы не происходит.
Выбор оптимального набора микросервисов, реализующего бизнес-задачи информационной системы с заданным уровнем качества обслуживания, является важной задачей для повышения эффективности ИС [3]. Процессы принятия решений во время выполнения данной задачи протекают в условиях существенной неопределенности, обусловленной недостатком данных, сложностью построения функциональных зависимостей, определяющих качество реализации бизнес-функций, а также наборами микросервисов, реализованных на различных технологических платформах. Кроме того, качество выполнения бизнес-функций микросервисами зависит от функциональных (качественных) и нефункциональных (количественных) параметров, что повышает сложность принятия решений.
1. Обзор литературы
Рассмотрим существующие подходы к решению задачи выбора оптимального набора микросервисов путем построения модели микросервисной архитектуры ИС.
В работе [4] анализируется процесс моделирования микросервисов корпоративной ИС, типы микросервисных архитектур, способы взаимодействия микросервисов и вопросы обеспечения высокой производительности приложений. Предлагаемая методика позволяет создавать масштабируемые и отказоустойчивые приложения для ИС. Однако при этом не рассматриваются вопросы качества реализации микросервисами бизнес-функций ИС, что снижает ценность предложенного подхода.
В работе [5] рассматривается задача выбора ИТ-сервисов для внедрения в организации. Отмечается, что принятие решений при выборе ИТ-сервисов предприятия осуществляется в условиях неопределенности и неоднозначности. Предлагаемая модель структурного синтеза используется для разработки сервис-ориентированной архитектуры предприятия. В модели используется ориентированный гиперграф, в котором учитываются ограничения альтернативных проектных решений. Выбор наилучшего варианта набора информационных сервисов производится по заданным аддитивным критериям. В целом предлагаемый подход к решению задачи выбора ИТ-сервисов для предприятия может использоваться при проектировании микросервисов и сервис-ориентированных архитектур корпоративных ИС. Однако в модели структурного синтеза не учитывается неопределенность в исходных данных, качество ИТ-сервисов, реализующих бизнес-процессы, а также риски, связанные с использованием миросерви-сов информационной системой на различных технологических платформах.
В работе [6] предложена концепция к формированию СОА предприятия. Авторы предлагают аксиоматический метод для формализации предметной области. Знания о предметной области представляются в виде множества структурных элементов. Модели позволяют сформировать соответствие множества бизнес-функций множеству наборов информационных сервисов при определенных ограничениях (стандартов и стандартизированных решений). Формализация правил построения функции полезности элементов ИТ-сервисов и решающие правила могут быть использованы для интегральной оценки проектных решений. Анализируемая рабо-
та создает условия для формирования базы знаний по структурным, математическим и концептуальным основам систем принятия решений при выборе для заданной предметной области конкурентных сервис-ориентированных архитектур организации. В тоже время не анализируются риски реализации веб-сервисов, в частности, облачных сервисов, а также ограничения, связанные с неопределенностью в оценке качества реализации некоторых бизнес-процессов организации веб-сервисами.
В работе [7] рассматривается задача оценки технологического уровня ИТ-сервисов. Отмечается, что данная задача относится к классу слабоструктурированных. Предлагается использовать нечеткие множества для оценки технологического уровня формируемого варианта стратегического ИТ-профиля — набора ИТ-сервисов. При формировании лингвистических переменных для унифицированных показателей используются функции принадлежности трапецеидального вида на отрезке [0,1]. Агрегированное значение унифицированных показателей получают методом двойной свертки, а ранжирование показателей производится по правилу Фишберна. Для оценки меры технологического уровня формируемого проектного решения предлагается использовать отношение ранжированных показателей динамической и статической частей формируемого варианта стратегического ИТ-профиля. Анализ подхода, предложенного в работе [8], показывает, что автор предпринял попытку учесть в модели оценки технологического уровня ИТ-сервисов неопределенность в задании унифицированных показателей качества ИТ-сервисов. Однако корректность нечеткой модели в работе не обсуждается. Кроме того, при подготовке исходных данных для нечеткой модели экспертам достаточно сложно определиться с оценками, на основе которых формируются трапецеидальные функции принадлежности. Перечисленные сомнения в правомерности использования нечеткой модели могут быть устранены корректировкой параметров функций принадлежности нечеткой модели, но эти вопросы в работе [8] не рассмотрены.
В работе [9] рассматривается вопрос выбора корректного критерия сравнения веб-сервисов для систем в сервис-ориентированной архитектуре. Таким критерием автор считает чувствительность производительности при изменении нагрузки на веб-сервис. В то же время использование надежности и производительности веб-сервисов ограничивает применение данного подхода к решению задачи выбора набора веб-сервисов корпоративных ИС.
Применение нечетких моделей при выборе сервис-ориентированной архитектуры корпоративной ИС рассматривается в работе [10]. При этом используются функциональные и нефункциональные критерии. В качестве нефункциональных критериев рассматриваются единовременные, периодические и косвенные затраты. Функциональные требования определяются экспертным путем. Экономический аспект выбора веб-сервисов является определяющим в работе и не отражает других существенных аспектов решаемой задачи.
В работе [11] рассматривается проблема синтеза варианта конфигурации сервис-ориентированной архитектуры ИС. Предлагаются структурные модели для синтеза архитектуры информационной системы. Автор приводит концептуальную схему синтеза варианта конфигурации сервис-ориентированной архитектуры ИС, из которой сложно понять математическую модель решения поставленной проблемы.
Задачи выбора веб-сервисов, а также формирование эффективных критериев и методов отбора рассматриваются в работе [12]. Типичная процедура выбора соответствующих веб-сервисов из набора альтернатив для последующей интеграции в информационную систему основывается на требованиях, описывающих качество обслуживания [13]. При моделировании ИС с сервис-ориентированной архитектурой выполняется отбор соответствующих веб-сервисов из набора доступных сервисов с заданным качеством обслуживания нефункциональных требований, таких как производительность, надежность, безопасность, время отклика и т.д. [14-16].
Многие нефункциональные свойства веб-сервисов, такие как время отклика, носят стохастический характер. Динамическая среда развертывания сервиса в связи с различными условиями сети, задержками и перегрузкой сервера может привести к отклонению значений нефункциональных показателей качества обслуживания [17]. Некоторые веб-сервисы в конкретном наборе для информационной системы могут потребовать значительно большего времени выполнения, что, в свою очередь, увеличит общую стоимость владения.
Разработан ряд методов, основанных на характеристиках качества обслуживания для выбора соответствующих веб-сервисов из набора кандидатов с аналогичными функциями. Большинство из этих методов посвящены анализу нефункциональ-
ных характеристик веб-сервисов в качестве основных факторов, влияющих их выбор. В работе [18] авторами предложен системный подход к оценке качества для композитных сервисов со сложными структурами, с учетом вероятностей и условий каждого выполнения. В работе [19] рассмотрены эволюционные алгоритмы решения проблемы выбора веб-сервисов.
Приведенный обзор литературы показывает, что существующие подходы к решению задачи выбора оптимального набора микросервисов для ИС не в полной мере учитывают факторы, определяющие такой выбор, что приводит к снижению эффективности функционирования информационных систем. Таким образом, вопросы разработки моделей оценки качества микросервисов ИС требуют дальнейшей проработки в плане учета неопределенности в исходных данных и режимах функционирования.
2. Нечеткие методы и модели
Модель анализа качества микросервисной архитектуры ИС должна учитывать качественные и количественные параметры функционирования информационной системы, а также неопределенность в оценке исходных данных. Данные требования могут быть успешно реализованы за счет применения нечетких моделей, которые позволяют реализовать комплексный учет различных параметров (качественных и количественных). Кроме того, использование нечетких моделей предоставляет возможность построения моделей предметных областей, характеризующихся существенной неопределенностью, что актуально для решаемой задачи.
При построении модели анализа качества функционирования микросервисной архитектуры ИС предлагается использовать нечеткие продукционные сети [15]. Основой нечеткой продукционной модели являются нечеткие продукции:
ЕСЛИ х есть А, ТО у есть В,
где х — входная переменная, х е Х;
Х — область определения антецедента нечеткого правила;
А — нечеткое множество, определенное на Х;
//¿(х)е[0,1] — функция принадлежности нечетного множества А;
у — выходная переменная, у е У;
У — область определения консеквента нечеткого правила;
В — нечеткое множество, определенное на Y;
— функция принадлежности нечетного множества B.
Допустим, что известна функция принадлежности нечетного множества А — цА (х), а нечеткое бинарное отношению R с: X х Y, отображающее импликацию А —> В, имеет функцию принадлежности ця{х,у). Тогда для нечеткого множества В функция принадлежности определяется по правилу компо-зиции:
Ив{у) = ^ир{т{цА(х),
где sup — операция определения верхней границы множества элементов;
T — операция 7-нормы.
В нечеткой продукционной модели (НПМ) входные переменные фаззифицируются для получения значений лингвистических переменных. На выходе будем иметь лингвистическую переменную, которая характеризует качество обслуживания бизнес-задачи микросервисом. Входные и выходные лингвистические переменные определим на следующих термах-множествах: Tin/out = {«low» (L), «middle» (M), «higt» (H)}. Терм L соответствует низкому уровню входного сигнала или низкому уровню качества обслуживания бизнес-функции микросервисом, терм M — среднему уровню, а терм H — высокому уровню.
Входные лингвистические переменные преобразуются в выходные с помощью набора продукционных правил.
3. Реализация метода
В качестве примера реализации предложенного подхода рассмотрим задачу анализа качества обслуживания микросервисной архитектуры ИС обработки заказов клиентов компании. Информационная система включает следующие бизнес-задачи: взаимодействие с клиентами, обработка заказов и исполнение заказов. Реализация данных функций может быть выполнена микросервисами, реализованными на различных платформах. При проектировании микросервисной архитектуры необходимо провести анализ качества обслуживания бизнес-задач микросервисами и получить обобщенный (интегральный) показатель качества обслуживания ИС.
Разработанная структура нечеткой продукционной сети анализа качества функционирования микросервисной архитектуры ИС обработки заказов клиентов компании приведена на рисунке 3.
Входными параметрами для микросервисов являются интенсивность запросов на обслуживание Xnl (n — номер бизнес-задачи / микросервиса) и объем данных Xn2 запрашиваемых/передаваемых микросервисом. Входные данные должны быть предварительно нормализованы и приведены к интервалу [0, 10]. Нормализованные входные данные поступают на блоки фаззификации, которые формируют значения лингвистических переменных Lnm (m = 1, 2), определенных на терм-множествах Tin/out Лингвистические переменные поступают на вход соответствующей базы правил (BRn), которая на основе сформированных нечетких продукций определяет выходные лингвистические переменные Yk (k = 1, 2, 3), характеризующие качество обслу-
Рис. 3. Структура нечеткой продукционной сети
живания бизнес-задачи микросервисом. Лингвистические переменные Ук являются входными для базы правил BR4, которая формирует оценку качества микросервисной архитектуры информационной системы. Выходная лингвистическая переменная У характеризует качество микросервисной архитектуры ИС в целом. Параметры нечетких терм-множеств и базы правил задают эксперты.
Данные были получены в результате обобщения мнений экспертов с применением метода Дельфи, суть которого заключается в коллективном экспертном поисковом прогнозировании. Данный метод основан на анонимном опросе экспертов с проведением нескольких туров, с целью выявления согласованной оценки группы экспертов. В рамках подхода, предложенного в работе [20], предусматривается оглашение результатов предыдущего тура для дополнительной корректировки экспертом своей оценки в следующем туре.
При формировании баз правил для системы нечеткого вывода анализа качества микросервисной архитектуры ИС возникали ситуации, в которых группа экспертов формировала несовместимые правила. Для устранения данной проблемы были применены математические методы формирования баз правил в условиях несогласованности мнения экспертов [21, 22]. Суть методов заключается в добавлении несовместимых правил в базу правил с учетом уровня уверенности экспертов. Значение уровня уверенности для правила рассчитывается исходя из уровня квалификации и количества экспертов и определяется по формуле [21]:
где у — среднее значение уровня уверенности; y. — оценка предоставленная i-м экспертом; n — общее количество экспертов в группе; к. — коэффициент компетентности i-го эксперта.
Отличие использованного метода от схожих методов, используемых при формировании баз правил при наличии противоречивых экспертных оценок состоит в учете каждого экспертного мнения с целью формирования взвешенного решения, что исключает потерю информации об объекте исследования. Алгоритм метода и подтверждающие численные эксперименты представлены в работе [22].
Пример базы правил BR1 для оценки качества обслуживания бизнес-задачи взаимодействие с клиентами микросервисом 1 приведен в таблице 1.
Выходная лингвистическая переменная F поступает в блок дефаззификации D, который формирует численное значение показателя качества микросервисной архитектуры ИС.
Реализация продукционной модели выполнена с помощью программного средства (ПС) нечеткого моделирования ModelingFuzzySet [23]. Для выполнения процесса нечеткого моделирования необходимо осуществить действия, которые подробно описаны в работе [24].
На первом шаге необходимо создать многоуровневую нечеткую продукционную модель с помощью дизайнера модели в соответствии с рисунком 3. Второй шаг предполагает формирование функции принадлежности для терм-множеств входных и выходных лингвистических переменных. На рисунке 4 приведены функции принадлежности для терм-множеств входной лингвистической переменной (ЛП) X11 «Интенсивность запросов клиента».
Таблица 1.
Нечеткие продукционные правила
Обозначение правил Антецедент Консеквент Уровень уверенности
База правил 1 (BR1)
R1.1 (X11 = L л X12 = L) v (X11 = L л X12 = M) v (X11 = Мл X12 = L) v (X11 = M л X12 = M) Y1 = H 1
R1.2 (X11 = M л X12 = H) v (X11 = H л X12 = M) v (X11 = L л X12 = H) v (X11 = H л X12 = L) Y1 = M 0,9
R1.3 X11 = H л X12 = H Y1 = L 1
Рис. 4. Термы лингвистической переменной «Интенсивность запросов клиента»
Значение показателя риска: 84,6 Степень уверенности: 0,79
Рис. 5. Термы лингвистической переменной «Качество микросервиса 1»
После выполнения третьего шага «Задание нечетких правил» был выполнен процесс нечеткого моделирования. Для получения оценки качества микросервиса 1 при нормализованной входной низкой («low» (L)) интенсивности запросов клиента (X11 = 1.5) и среднем («middle» (M)) объеме передаваемых данных (X12 = 5,5). В результате качество обслуживания микросервисом 1 бизнес-задачи взаимодействие с клиентами на модели оценивается как высокое («higt» (H)) с уверенностью 79% (рисунок 5).
Значение показателя риска: 84,0 Степень уверенности: 0,70
Рис. 6. Результаты моделирования качества микросервисной архитектуры информационной системы
При моделировании микросервисной архитектуры ИС при высоком качестве обслуживания микросервисами 1 и 2 (Х14 = 8,2, Х24 = 9,5) и среднем качестве обслуживания микросервисом 3 (Х34 = 7.5) оценка качества обслуживания информационной системы высокая с уверенностью 70% (рисунок 6).
Заключение
Таким образом, в работе предложена нечеткая продукционная модель для анализа качества микросервисной архитектуры информационной системы. Результаты анализа могут быть использованы при выборе микросервисов различных вендоров, обосновании необходимости масштабирования системы, а также для повышения доступности микросервисов. На примере показаны возможности разработки микросервисной архитектуры ИС с использованием нечеткой модели для анализа качества ее функционирования.
В рамках дальнейших исследований по данному направлению авторы планируют выполнить проведение глубокого сравнительного анализа результатов применения предложенного метода и аналогичных подходов. ■
Литература
1. Маликов С.Н. Концепция сервис-ориентированного подхода к управлению информационными технологиями на основе аксиоматического метода // Информационные технологии. 2017. Т. 23. № 3. С. 212—218.
2. Трубников С.Ю. Определение понятия «бизнес-процесс»: онтологический уровень // Вестник Тверского государственного университета. Серия: Экономика и управление. 2019. № 2 (46). С. 241—249.
3. Долженко А.И. Задачи выбора облачных технологий для экономических информационных систем // Вестник Ростовского государственного экономического университета (РИНХ). 2014. № 4 (48). С. 22—27.
4. Шитько А.М. Проектирование микросервисной архитектуры программного обеспечения // Труды БГТУ. Серия 3: Физико-математические науки и информатика. 2017. № 2 (200). С. 122—125.
5. Парфенова М.Я. Структурный синтез профиля сервис-ориентированной ИТ-архитектуры // Образовательные ресурсы и технологии. 2016. № 4 (16). С. 64-71. DOI: 10.21777/2312-5500-2016-4-64-71.
6. Ouzzani M., Bouguettaya A. Efficient access to web services // IEEE Internet Computing. 2004. Vol. 8. No 2. P. 34-44. DOI: 10.1109/MIC.2004.1273484.
7. Парфенова М.Я. Оценка технологического уровня формируемых вариантов стратегического ИТ-профиля организации на основе нечеткой модели // Материалы 10-й Всероссийской мультиконференции по проблемам управления МКПУ-2017. В 3-х томах. 2017. С. 90-92.
8. Ньюмен С. Создание микросервисов. СПб.: Питер, 2016.
9. Евланов М.В. Разработка модели и метода выбора описания рациональной архитектуры информационной системы // Восточно-Европейский журнал передовых технологий. 2016. Т. 79. № 2. С. 4-12.
10. Затеса А.В. Нечеткая модель стоимости в рамках сервисно-ориентированного подхода к архитектуре информационных систем // Экономика, статистика и информатика. 2010. № 6. С. 162-164.
11 Душкин Д.Н. Анализ чувствительности веб-сервисов в задаче выбора оптимальной конфигурации систем
с сервисно-ориентированной архитектурой // Управление большими системами: сборник трудов. 2012. № 40. С. 164-182.
12. Zheng Z., Ma H., Lyu M.R., King I. QoS-aware web service recommendation by collaborative filtering // IEEE Transactions on Services Computing. 2011. Vol. 4. No 2. P. 140-152. DOI: 10.1109/TSC.2010.52.
13. QoS-aware middleware for Web services composition / L. Zeng [et al.] // IEEE Transactions on Software Engineering. 2004. Vol. 30. No 5. P. 311-327. DOI: 10.1109/TSE.2004.11.
14. Menasce D. QoS issues in web services // IEEE Internet Computing. 2002. Vol. 6. No 6. P. 72-75. DOI: 10.1109/MIC.2002.1067740.
15. Piegat A. Fuzzy modeling and control. Heidelberg: Physica-Verlag, 2001.
16. Rosario S., Benveniste A., Haar S., Jard C. Probabilistic QoS and soft contracts for transaction-based web services orchestrations // IEEE Transactions on Services Computing. 2008. Vol. 1. No 4. P. 187-200. DOI: 10.1109/TSC.2008.17.
17. Hwang S., Wang H., Tang J., Srivastava J. A probabilistic approach to modeling and estimating the QoS of web-services-based workflows // Information Sciences. 2007. Vol. 177. No 23. P. 5484-5503. DOI: 10.1016/j.ins.2007.07.011.
18. Zheng H., Zhao W., Yang J., Bouguettaya A. QoS analysis for web service compositions with complex structures // IEEE Transactions on Services Computing. 2013. Vol. 6. No 3. P. 373-386. DOI: 10.1109/TSC.2012.7.
19. Klein A., Ishikawa F., Honiden S. SanGA: A self-adaptive network-aware approach to service composition // IEEE Transactions on Services Computing. 2014. Vol. 7. No 3. P. 452-464. DOI: 10.1109/TSC.2013.2.
20. Хубаев Г.Н. Получение групповой экспертной оценки значений показателей: пошаговая процедура и программное обеспечение // Программные продукты и системы. 2011. № 2. С. 13-16.
21. Сергеева Ю.В. Математические методы коллективных экспертных оценок // Вестник Нижегородского института управления. 2016. № 1 (38). С. 33-40.
22. Сорокин А.А. Формирование базы правил системы нечеткого вывода в условиях несогласованных мнений экспертов // Управление большими системами: сборник трудов. 2019. № 81. С. 26-49. DOI: doi.org/10.25728/ubs.2019.81.2.
23. Долженко А.И., Глушенко СЛ., Калугян К.Х., Лозина Е.Н., Чередниченко А.С. Система моделирования продукционной нечеткой сети (ПРОНЕС). Свидетельство o государственной регистрации программы для ЭВМ 2010612952, 25.05.2010.
24. Глушенко С.А., Долженко А.И. Система нечеткого моделирования рисков инвестиционно-строительных проектов // Бизнес-информатика. 2015. № 2 (32). С. 17-27.
Об авторах
Долженко Алексей Иванович
доктор экономических наук, доцент;
профессор кафедры информационных систем и прикладной информатики, Ростовский государственный экономический университет (РИНХ), 344002, г. Ростов-на-Дону, ул. Большая Садовая, д. 69; E-mail: doljenkoalex@gmail.com ORCID: 0000-0002-8168-3290
Шполянская Ирина Юрьевна
доктор экономических наук, доцент;
профессор кафедры информационных систем и прикладной информатики, Ростовский государственный экономический университет (РИНХ), 344002, г. Ростов-на-Дону, ул. Большая Садовая, д. 69; E-mail: irinaspol@yandex.ru ORCID: 0000-0002-1834-6419
Глушенко Сергей Андреевич
кандидат экономических наук;
доцент кафедры информационных систем и прикладной информатики, Ростовский государственный экономический университет (РИНХ), 344002, г. Ростов-на-Дону, ул. Большая Садовая, д. 69; E-mail: gs-gears@yandex.ru ORCID: 0000-0001-9255-9722
Fuzzy production network model for quality assessment of an information system based on microservices
Alexey I. Doljenko
E-mail: doljenkoalex@gmail.com
Irina Yu. Shpolianskaya
E-mail: irinaspol@yandex.ru
Sergey A. Glushenko
E-mail: gs-gears@yandex.ru Rostov State University of Economics
Address: 69, Bolshaya Sadovaya Street, Rostov-on-Don 344002, Russia
Abstract
This article describes the analysis of the quality of microservice architectures, which are one of the main approaches to the creation and maintenance of modern information systems capable of quickly respond to changes in business demands. The implementation of continuous delivery of software components for dynamic business processes of information systems can be carried out by various sets of microservices, the optimal choice of which is a complex multi-alternative task. The paper presents a review of existing approaches to solving the problem, which showed that the development of models for assessing the quality of microservices of information systems requires further elaboration in terms of accounting for uncertainty in the initial data and modes of operation. The authors have proposed an approach to solving the problem of analyzing the quality of a microservice architecture which is implemented on the basis of a fuzzy production network model. The model allows for comprehensive accounting of various parameters (qualitative and quantitative). The article shows the implementation process of the fuzzy production network that was developed to analyze the functional quality of the microservice architecture for processing customer orders using fuzzy modeling software. The results of the analysis will allow managers and system architects to make an informed choice of the microservice architecture of the information system, as well as use it in their reports when arguing the need for scaling the system and increasing the availability of microservices.
Key words: microservice architecture; service-oriented architecture; quality of service; business process; information system; fuzzy model.
Citation: Doljenko A.I., Shpolianskaya I.Yu., Glushenko S.A. (2020) Fuzzy production network model for quality assessment of an information system based on microservices. Business Informatics, vol. 14, no 4, pp. 36—46. DOI: 10.17323/2587-814X.2020.4.36.46
References
1. Malikov S.N. (2017) Construction of the concept of service-oriented approach to management of information technologies based on the axiomatic method. Information Technologies, vol. 23, no 3, pp. 212—218 (in Russian).
2. Grubnikov S.Yu. (2019) Definition of the "business process" concept: The ontological level. Herald of Tver State University. Series: Economics and Management, no 2 (46), pp. 241—249 (in Russian).
3. Dolzhenko A.I. (2014) Tasks of selecting cloud technologies for economic information systems. Vestnik of Rostov State University of Economics, no 4 (48), pp. 22-27 (in Russian).
4. Shitko AM. (2017) The design of the microservice software architecture. Proceedings of BSTU. Series: Physics and Mathematics. Informatics, no 2 (200), pp. 122-125 (in Russian).
5. Parfenova M.Ya. (2016) Structural synthesis of service-oriented IT architecture profile. Educational Resources and Technologies, no 4 (16), pp. 64-71. DOI: 10.21777/2312-5500-2016-4-64-71 (in Russian).
6. Ouzzani M., Bouguettaya A. (2004) Efficient access to web services. IEEE Internet Computing, vol. 8, no 2, pp. 34-44. DOI: 10.1109/ MIC.2004.1273484.
7. Parfenova M.Ya. (2017) Assessment of technological level of formed variants of strategic IT-profile of the organization on the basis of fuzzy model. Proceedings of the 10-th All-Russian Multi-Conference on Management Problems, pp. 90-92 (in Russian).
8. Newman S. (2016) Building microservices. Saint-Petersburg: Piter (in Russian).
9. Evlanov M.V. (2016) Development of a model and method for choosing a description of rational information system architecture. Eastern-European Journal ofEnterprise Technologies, vol. 79, no 2, pp. 4-12 (in Russian).
10. Zatesa A.V. (2010) Fuzzy cost model in terms of service-oriented architecture approach. Economics, Statistics and Informatics, no 6, pp. 162-164 (in Russian).
11. Dushkin D.N. (2012) Sensitivity analysis of web services in the problem of choosing the optimal system configuration with a service-oriented architecture. Control in Large Systems: Collection of Works, no 40, pp. 164-182 (in Russian).
12. Zheng Z., Ma H., Lyu M.R., King I. (2011) QoS-aware web service recommendation by collaborative filtering. IEEE Transactions on Services Computing, vol. 4, no 2, pp. 140-152. DOI: 10.1109/TSC.2010.52.
13. Zeng L., Benatallah B., Ngu A., Dumas M., Kalagnanam J., Chang H. (2004) QoS-aware middleware for Web services composition. IEEE Transactions on Software Engineering, vol. 30, no 5, pp. 311-327. DOI: 10.1109/TSE.2004.11.
14. Menasce D. (2002) QoS issues in web services. IEEE Internet Computing, vol. 6, no 6, pp. 72-75. DOI: 10.1109/MIC.2002.1067740.
15. Piegat A. (2001) Fuzzy modeling and control. Heidelberg: Physica-Verlag.
16. Rosario S., Benveniste A., Haar S., Jard C. (2008) Probabilistic QoS and soft contracts for transaction-based web services orchestrations. IEEE Transactions on Services Computing, vol. 1, no 4, pp. 187-200. DOI: 10.1109/TSC.2008.17.
17. Hwang S., Wang H., Tang J., Srivastava J. (2007) A probabilistic approach to modeling and estimating the QoS of web-services-based workflows. Information Sciences, vol. 177, no 23, pp. 5484-5503. DOI: 10.1016/j.ins.2007.07.011.
18. Zheng H., Zhao W., Yang J., Bouguettaya A. (2013) QoS analysis for web service compositions with complex structures. IEEE Transactions on Services Computing, vol. 6, no 3, pp. 373-386. DOI: 10.1109/TSC.2012.7.
19. Klein A., Ishikawa F., Honiden S. (2014) SanGA: A self-adaptive network-aware approach to service composition. IEEE Transactions on Services Computing, vol. 7, no 3, pp. 452-464. DOI: 10.1109/TSC.2013.2.
20. Khubaev G.N. (2011) Obtaining a group expert evaluation of indicators: step-by-step procedure and software. Software and Systems, no 2, pp. 13-16 (in Russian).
21. Sergeeva Yu.V. (2016) Mathematical methods of group expert estimates. Vestnik of Nizhny Novgorod Institute of Management, no 1 (38), pp. 33-40 (in Russian).
22. Sorokin A.A. (2019) Development of rules base for a fuzzy inference system in the conditions of unharmonious expert's opinion. Control in Large Systems: Collection ofWorks, no 81, pp. 26-49 (in Russian). DOI: doi.org/10.25728/ubs.2019.81.2.
23. Dolzhenko A.I., Glushenko S.A., Kalugyan K.Kh., Lozina E.N., Cherednichenko AS. (2010) Production fuzzy network modeling system (PRONES). Certificate of state registration of a computer program, no 2010612952, 25 May 2010 (in Russian).
24. Glushenko S.A., Dolzhenko A.I. (2015) Fuzzy modeling of risks in investment and construction projects. Business Informatics, no 2 (32), pp. 17-27 (in Russian).
About the authors
Alexey I. Doljenko
Dr. Sci. (Econ.), Associate Professor;
Professor, Department of Information Systems and Applied Computer Science, Rostov State University of Economics, 69, Bolshaya Sadovaya Street, Rostov-on-Don 344002, Russia; E-mail: doljenkoalex@gmail.com ORCID: 0000-0002-8168-3290
Irina Yu. Shpolianskaya
Dr. Sci. (Econ.), Associate Professor;
Professor, Department of Information Systems and Applied Computer Science, Rostov State University of Economics, 69, Bolshaya Sadovaya Street, Rostov-on-Don 344002, Russia; E-mail: irinaspol@yandex.ru ORCID: 0000-0002-1834-6419
Sergey A. Glushenko
Cand. Sci. (Econ.);
Assocoate Professor, Department of Information Systems and Applied Computer Science, Rostov State University of Economics, 69, Bolshaya Sadovaya Street, Rostov-on-Don 344002, Russia; E-mail: gs-gears@yandex.ru ORCID: 0000-0001-9255-9722
