架构模式识别技术谱系与四大共性缺陷

学术界已提出的架构模式识别方法路数很多，但可以按核心机制归成几类：基于模型检测（Penta和Santonep利用系统日志建立CCS通信系统演算模型，结合候选架构模式判断系统是否为SOA模式）、基于约束满足（Paakki把识别问题转化为一组变量+一组约束，目标是找到满足全部约束的变量组合）、基于架构原语的半自动化（Haitzer用DSL领域特定语言表示架构模式，主要工作由模式实例文档工具完成）、基于查询语言（Sartipi提出AQL架构查询语言，把架构表示成查询语句去匹配真实恢复出的架构）、基于图匹配（Peters用语义丰富模块化架构SRMA表示模式、用遗传算法做图匹配；Lungu从源代码结构中先提取低级模式、再迭代交互式地产生更高级视图）、基于逻辑推导（Anastasia用命题配置逻辑描述给定组件和配置，再用一阶/二阶逻辑扩展来描述不同类别组件并推导）、以及基于运行时观察（Yan的DiscoTect工具通过观察系统运行时行为来预测动态架构，但要求系统必须处于运行状态）。这些方法虽然路径各异，但共同暴露出四类缺陷：覆盖领域窄（如Penta的方法只能识别SOA模式，局限性太大）、识别精度低（如Peters把源代码包依赖图直接当作系统架构图，可信度不高；Sartipi和Peters的图匹配类方法容错率高但精确度低，容易匹配错误；Anastasia基于配置逻辑推理的方法容错率低，很难得出结果）、自动化程度低（Haitzer和Sartipi的方法都需要架构师根据系统文档和分析人工构造抽象架构视图或AQL表示，人为因素干扰太大）、以及约束条件高（如Yan的DiscoTect需要系统处于可运行状态，而开源软件的运行环境搭建往往很复杂，可行性因此大打折扣）。这四类缺陷归结到一点：架构模式识别技术目前最大的短板是自动化程度不高，过度依赖架构师的人工操作和领域知识，架构模式的描述环节几乎完全交给人工完成——这正是本章后续要介绍的基于本体的方法试图突破的方向。