معماری‌های سرویس گرا (SOAها) در طی گذر زمان با موفقیت تکامل پیدا کردند تا ویژگی‌های موجودی که در معرض کاربران قرار دارد را بروزرسانی کنند و باگ‌ها را نیز برطرف کنند. این فرآیند تکاملی ممکن است بر روی کیفیت طراحی وب سرویس‌ها تاثیر منفی داشته باشد. مطالعات اخیر به مسئله شناسایی ضدالگوهای وب‌سرویس‌ها (شیوه‌های بد طراحی) اشاره داشته‌اند. مطابق با دانش ما، این مطالعات تنها بر روی استفاده از معیارهای استخراج شده از جزئیات پیاده‌سازی (کد منبع) رابط و سرویس تمرکز کرده‌اند. با این حال معیارهای کیفیت سرویس (QoS) که به طور گسترده‌ای برای ارزیابی عملکرد کلی سیستم مورد استفاده قرار می‌گیرند، هیچگاه در زمینه تشخیص ضدالگوهای وب‌سرویس‌ها مورد استفاده قرار نگرفته‌اند. ما فعالیت خود را در این مقاله با این فرضیه شروع می‌کنیم که این شیوه‌های طراحی بد ممکن است بر روی چندین معیار QoS مانند زمان پاسخ تاثیر بگذارند. علاوه بر این، معیارهای کد منبع سرویس‌ها ممکن است همواره در دسترس نباشند. بدون در نظرگیری این معیارهای QoS، فرآیند تشخیص فعلی ضدالگوها هنوز هم از فقدان ادغام نشانه‌هایی رنج می‌برد که می‌شد آن‌ها را از استفاده از خدمات استخراج کرد.

در این مقاله ما رویکردی خودکار برای ایجاد قوانین تشخیص نقص وب‌سرویس‌ها را ارائه می‌دهیم که نه تنها معیارهای سطح کد/رابط را در نظر می‌گیرد بلکه ویژگی‌های کیفیت سرویس را نیز در نظر می‌گیرد. از طریق بهینه‌سازی چند منظوره، رویکرد پیشنهادی راه‌حل‌هایی (قوانین تشخیص) برای به حداکثر‌رسانی پوشش نمونه‌های ضدالگو و به حداقل‌رسانی پوشش نمونه‌هایی از سرویس‌هایی که به خوبی طراحی شده‌اند را تولید می‌کند. یک اعتبارسنجی تجربی بر روی هشت نوع مختلف رایج از طراحی‌‌وب‌ برای ارزیابی رویکرد ما صورت گرفته است. ما نتایج خود را با سه مورد دیگر از پیشرفته‌ترین تکنیک‌ها مقایسه کردیم که در آن‌ها از معیارهای QoS استفاده نشده بود. تجزیه و تحلیل آماری نتایج بدست آمده تایید می‌کند که رویکرد ما از نظر عملکردی نسبت به سایر تکنیک‌ها برتری دارد و قوانین تشخیصی را تولید می‌کند که از دیدگاه کاربران سرویس‌ها معنی‌دارتر هستند.

1- مقدمه

معماری سرویس‌گرا (SOA) سرویس‌های کسب‌ و کاری با ارزش بالا را به شکلی کارآمد، قابل استفاده مجدد و انعطاف‌پذیر ارائه می‌دهد. وب سرویس‌ها خود به عنوان جعبه سیاه‌هایی هستند که از نظر منطقی نشان‌دهنده فعالیت کسب و کار هستند. یک سرویس می‌تواند توسط سایر سرویس‌ها از طریق پروتکل‌های استاندارد تلفیقی شود و یا توسط سایر سرویس‌ها فراخوانی شود. بنابراین، کاربران کلاینت می‌توانند از حجم کار توسعه‌ای بالایی که بر اساس قابلیت استفاده مجدد و گسترش‌پذیری آن است کم کنند. از طریق یک رابط کاربری که خوب طراحی شده است، کاربران می‌توانند از وب‌سرویس‌های موجود به شکلی ساده و موثر مجددا استفاده کنند...

 Abstract

Service-Oriented Architectures (SOAs) successfully evolve over time to update existing exposed features to the users and fix possible bugs. This evolution process may have a negative impact on the design quality of Web services. Recent studies addressed the problem of Web service antipatterns detection (bad design practices). To the best of our knowledge, these studies focused only on the use of metrics extracted from the implementation details (source code) of the interface and the services. However, the quality of service (QoS) metrics, widely used to evaluate the overall performance, are never used in the context of Web service antipatterns detection. We start, in this work, from the hypothesis that these bad design practices may impact several QoS metrics such as the response time. Furthermore, the source code metrics of services may not be always available. Without the consideration of these QoS metrics, the current detection processes of antipatterns will still lack the integration of symptoms that could be extracted from the usage of services. In this paper, we propose an automated approach to generate Web service defect detection rules that consider not only the code/interface level metrics but also the quality of service attributes. Through multi-objective optimization, the proposed approach generates solutions (detection rules) that maximize the coverage of antipattern examples and minimize the coverage of well-designed service examples. An empirical validation is performed with eight different common types of Web design defects to evaluate our approach. We compared our results with three other state of the art techniques which are not using QoS metrics. The statistical analysis of the obtained results confirm that our approach outperforms other techniques and generates detection rules that are more meaningful from the services' user perspective