一种架构重构方法、装置和计算机可读存储介质与流程

1.本发明涉及移动通信技术领域，尤其涉及一种架构重构方法、装置和计算机可读存储介质。


背景技术：

2.随着计算机软件、硬件、云计算技术不断发展，用户需求随着技术发展而日新月异，已经稳定运行的老业务系统面临着新业务不断增加，用户量的指数增长，软件生命周期受新技术的冲击而迅速滑落到末端，处于生命周期末端的软件架构已经明显力不从心，问题百出，不能支撑业务继续发展，急需进行软件架构重构。而目前相关的架构重构方案只针对特定的场景，且架构方案的选择不具备普遍性和可扩展性。


技术实现要素：

3.有鉴于此，本发明期望提供一种架构重构方法、装置和计算机可读存储介质，可有效解决架构痛点，有利于后续的架构方法挖掘的准确性；而且，匹配挖掘方法可自动执行，人为参与大大减少，效率更高。
4.为达到上述目的，本发明的技术方案是这样实现的：
5.本发明提供了一种架构重构方法，该方法包括：
6.基于多维视图分析方法对目标系统架构的视图点进行量化分析；
7.基于初始事务库对量化的视图点进行匹配挖掘，确定匹配的事务集；
8.基于所述匹配的事务集中事务的后置结果进行架构重构。
9.可选的，该方法还包括：
10.基于多维视图分析方法构建所述初始事务库。
11.其中，所述基于多维视图分析方法构建所述初始事务库，包括：
12.对所选取的每个样例系统进行视图点确定及量化处理，得到对应事务的前置条件；
13.将每个样例系统的架构方案进行块划分处理，得到对应事务的后置结果；
14.将所述每个样例系统转换得到的事务形成事务库；其中，
15.所述事务由前置条件和后置结果组成。
16.其中，所述对所选取的每个样例系统进行视图点确定及量化处理，包括：
17.从客户视图、和/或研发视图、和/或运维视图、和/或项目视图的视图角度进行多维度分析，将每一个维度的视图点进行分析确认，并将视图点及目标值进行量化处理。
18.其中，所述基于初始事务库对量化的视图点进行匹配挖掘，确定匹配的事务集，包括：
19.基于目标前置条件和所述初始事务库进行前置条件匹配；
20.确定匹配成功，则输出匹配成功的事务集；
21.确定没有匹配结果，则基于前置条件中视图点权重将前置条件中权重值小于预设
阈值的视图点去除，然后再重新匹配，直到匹配的结果不为空，并输出匹配成功的事务集。
22.其中，所述匹配成功为：
23.目标前置条件包含于事务库中单条事务的前置条件。
24.其中，所述基于所述匹配的事务集中事务的后置结果进行架构重构，包括：
25.基于支持度和置信度对匹配的事务集中的事务进行排序；
26.输出排序后的事务集；
27.基于所述排序后的事务集中每条事务的后置结果进行架构重构。
28.可选的，该方法还包括：
29.确定所述排序后的事务集中的事务被采纳；
30.基于采纳的结果对初始事务库进行更新。
31.本发明还提供了一种架构重构装置，该装置包括：
32.分析模块，用于基于多维视图分析方法对目标系统架构的视图点进行量化分析；
33.匹配模块，用于基于初始事务库对量化的视图点进行匹配挖掘，确定匹配的事务集；
34.重构模块，用于基于所述匹配的事务集中事务的后置结果进行架构重构。
35.本发明还提供了一种架构重构装置，该装置包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，
36.其中，所述处理器用于运行所述计算机程序时，执行上述方法的步骤。
37.本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
38.本发明提供的架构重构方法、装置和计算机可读存储介质，基于多维视图分析方法对目标系统架构的视图点进行量化分析；基于初始事务库对量化的视图点进行匹配挖掘，确定匹配的事务集；基于所述匹配的事务集中事务的后置结果进行架构重构。可见，本发明对视图点的多粒度分析精确了视图痛点，有效解决架构痛点，有利于后续的架构方法挖掘的准确性；而且，匹配挖掘方法可自动执行，人为参与大大减少，效率更高。
39.此外，初始事务库会随着挖掘规则的采纳率动态调整，其时效性更好。
40.而且，在匹配挖掘过程中，采用基于权重的关联挖掘算法对关联挖掘算法进行调优，可解决前置条件置信度不达标出现的挖掘结果为空的情况，提高了挖掘准确率。
附图说明
41.图1为本发明实施例所述架构重构方法流程示意图；
42.图2为本发明实施例所述架构重构装置结构示意图一；
43.图3为本发明实施例所述架构重构装置结构示意图二。
具体实施方式
44.下面结合附图和实施例对本发明进行描述。
45.本发明实施例提供了一种架构重构方法，如图1所示，该方法包括：
46.步骤101：基于多维视图分析方法对目标系统架构的视图点进行量化分析；
47.步骤102：基于初始事务库对量化的视图点进行匹配挖掘，确定匹配的事务集；
48.步骤103：基于所述匹配的事务集中事务的后置结果进行架构重构。
49.本发明实施例对视图点的多粒度分析精确了视图痛点，有效解决架构痛点，有利于后续的架构方法挖掘的准确性；而且，匹配挖掘方法可自动执行，人为参与大大减少，效率更高。
50.可选的，该方法还包括：
51.基于多维视图分析方法构建所述初始事务库。
52.其中，所述基于多维视图分析方法构建所述初始事务库，包括：
53.对所选取的每个样例系统进行视图点确定及量化处理，得到对应事务的前置条件；
54.将每个样例系统的架构方案进行块划分处理，得到对应事务的后置结果；
55.将所述每个样例系统转换得到的事务形成事务库；其中，
56.所述事务由前置条件和后置结果组成。
57.本发明实施例中，所述对所选取的每个样例系统进行视图点确定及量化处理，包括：
58.从客户视图、和/或研发视图、和/或运维视图、和/或项目视图的视图角度进行多维度分析，将每一个维度的视图点进行分析确认，并将视图点的目标值进行量化处理。
59.本发明实施例中，所述基于初始事务库对量化的视图点进行匹配挖掘，确定匹配的事务集，包括：
60.基于目标前置条件和所述初始事务库进行前置条件匹配；
61.确定匹配成功，则输出匹配成功的事务集；
62.确定没有匹配结果，则基于前置条件中视图点权重将前置条件中权重值小于预设阈值的视图点去除，然后再重新匹配，直到匹配的结果不为空，并输出匹配成功的事务集。
63.本发明实施例中，所述匹配成功为：
64.目标前置条件包含于事务库中单条事务的前置条件。
65.本发明实施例中，所述基于所述匹配的事务集中事务的后置结果进行架构重构，包括：
66.基于支持度和置信度对匹配的事务集中的事务进行排序；
67.输出排序后的事务集；
68.基于所述排序后的事务集中每条事务的后置结果进行架构重构。
69.可选的，该方法还包括：
70.确定所述排序后的事务集中的事务被采纳；
71.基于采纳的结果对初始事务库进行更新。
72.为了实现上述方法实施例，本发明实施例还提供了一种架构重构装置，如图2所示，该装置包括：
73.分析模块201，用于基于多维视图分析方法对目标系统架构的视图点进行量化分析；
74.匹配模块202，用于基于初始事务库对量化的视图点进行匹配挖掘，确定匹配的事务集；
75.重构模块203，用于基于所述匹配的事务集中事务的后置结果进行架构重构。
76.可选的，如图3所示，该装置还包括：创建模块204，用于基于多维视图分析方法构建所述初始事务库。
77.其中，所述创建模块204基于多维视图分析方法构建所述初始事务库，包括：
78.对所选取的每个样例系统进行视图点确定及量化处理，得到对应事务的前置条件；
79.将每个样例系统的架构方案进行块划分处理，得到对应事务的后置结果；
80.将所述每个样例系统转换得到的事务形成事务库；其中，
81.所述事务由前置条件和后置结果组成。
82.本发明实施例中，所述创建模块204对所选取的每个样例系统进行视图点确定及量化处理，包括：
83.从客户视图、和/或研发视图、和/或运维视图、和/或项目视图的视图角度进行多维度分析，将每一个维度的视图点进行分析确认，并将视图点的目标值进行量化处理。
84.本发明实施例中，所述匹配模块202基于初始事务库对量化的视图点进行匹配挖掘，确定匹配的事务集，包括：
85.基于目标前置条件和所述初始事务库进行前置条件匹配；
86.确定匹配成功，则输出匹配成功的事务集；
87.确定没有匹配结果，则基于前置条件中视图点权重将前置条件中权重值小于预设阈值的视图点去除，然后再重新匹配，直到匹配的结果不为空，并输出匹配成功的事务集。
88.本发明实施例中，所述匹配成功为：
89.目标前置条件包含于事务库中单条事务的前置条件。
90.本发明实施例中，所述重构模块203基于所述匹配的事务集中事务的后置结果进行架构重构，包括：
91.基于支持度和置信度对匹配的事务集中的事务进行排序；
92.输出排序后的事务集；
93.基于所述排序后的事务集中每条事务的后置结果进行架构重构。
94.可选的，所述重构模块203，还用于
95.确定所述排序后的事务集中的事务被采纳；
96.基于采纳的结果对初始事务库进行更新。
97.本发明实施例还提供了一种架构重构装置，该装置包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，
98.其中，所述处理器用于运行所述计算机程序时，执行：
99.基于多维视图分析方法对目标系统架构的视图点进行量化分析；
100.基于初始事务库对量化的视图点进行匹配挖掘，确定匹配的事务集；
101.基于所述匹配的事务集中事务的后置结果进行架构重构。
102.所述处理器还用于运行所述计算机程序时，执行：
103.基于多维视图分析方法构建所述初始事务库。
104.所述基于多维视图分析方法构建所述初始事务库时，所述处理器还用于运行所述计算机程序时，执行：
105.对所选取的每个样例系统进行视图点确定及量化处理，得到对应事务的前置条
件；
106.将每个样例系统的架构方案进行块划分处理，得到对应事务的后置结果；
107.将所述每个样例系统转换得到的事务形成事务库；其中，
108.所述事务由前置条件和后置结果组成。
109.所述对所选取的每个样例系统进行视图点确定及量化处理时，所述处理器还用于运行所述计算机程序时，执行：
110.从客户视图、和/或研发视图、和/或运维视图、和/或项目视图的视图角度进行多维度分析，将每一个维度的视图点进行分析确认，并将视图点的目标值进行量化处理。
111.所述基于初始事务库对量化的视图点进行匹配挖掘，确定匹配的事务集时，所述处理器还用于运行所述计算机程序时，执行：
112.基于目标前置条件和所述初始事务库进行前置条件匹配；
113.确定匹配成功，则输出匹配成功的事务集；
114.确定没有匹配结果，则基于前置条件中视图点权重将前置条件中权重值小于预设阈值的视图点去除，然后再重新匹配，直到匹配的结果不为空，并输出匹配成功的事务集。
115.其中，所述匹配成功为：
116.目标前置条件包含于事务库中单条事务的前置条件。
117.所述基于所述匹配的事务集中事务的后置结果进行架构重构时，所述处理器还用于运行所述计算机程序时，执行：
118.基于支持度和置信度对匹配的事务集中的事务进行排序；
119.输出排序后的事务集；
120.基于所述排序后的事务集中每条事务的后置结果进行架构重构。
121.所述处理器还用于运行所述计算机程序时，执行：
122.确定所述排序后的事务集中的事务被采纳；
123.基于采纳的结果对初始事务库进行更新。
124.需要说明的是：上述实施例提供的装置在进行架构重构时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将设备的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的装置与相应方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
125.在示例性实施例中，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质可以是fram、rom、prom、eprom、eeprom、flash memory、磁表面存储器、光盘、或cd-rom等存储器；也可以是包括上述存储器之一或任意组合的各种设备，如移动电话、计算机、平板设备、个人数字助理等。
126.本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，执行：
127.基于多维视图分析方法对目标系统架构的视图点进行量化分析；
128.基于初始事务库对量化的视图点进行匹配挖掘，确定匹配的事务集；
129.基于所述匹配的事务集中事务的后置结果进行架构重构。
130.所述计算机程序被处理器运行时，还执行：
131.基于多维视图分析方法构建所述初始事务库。
132.所述基于多维视图分析方法构建所述初始事务库时，所述计算机程序被处理器运行时，还执行：
133.对所选取的每个样例系统进行视图点确定及量化处理，得到对应事务的前置条件；
134.将每个样例系统的架构方案进行块划分处理，得到对应事务的后置结果；
135.将所述每个样例系统转换得到的事务形成事务库；其中，
136.所述事务由前置条件和后置结果组成。
137.所述对所选取的每个样例系统进行视图点确定及量化处理时，所述计算机程序被处理器运行时，还执行：
138.从客户视图、和/或研发视图、和/或运维视图、和/或项目视图的视图角度进行多维度分析，将每一个维度的视图点进行分析确认，并将视图点的目标值进行量化处理。
139.所述基于初始事务库对量化的视图点进行匹配挖掘，确定匹配的事务集时，所述计算机程序被处理器运行时，还执行：
140.基于目标前置条件和所述初始事务库进行前置条件匹配；
141.确定匹配成功，则输出匹配成功的事务集；
142.确定没有匹配结果，则基于前置条件中视图点权重将前置条件中权重值小于预设阈值的视图点去除，然后再重新匹配，直到匹配的结果不为空，并输出匹配成功的事务集。
143.其中，所述匹配成功为：
144.目标前置条件包含于事务库中单条事务的前置条件。
145.所述基于所述匹配的事务集中事务的后置结果进行架构重构时，所述计算机程序被处理器运行时，还执行：
146.基于支持度和置信度对匹配的事务集中的事务进行排序；
147.输出排序后的事务集；
148.基于所述排序后的事务集中每条事务的后置结果进行架构重构。
149.所述计算机程序被处理器运行时，还执行：
150.确定所述排序后的事务集中的事务被采纳；
151.基于采纳的结果对初始事务库进行更新。
152.下面结合场景实施例对本发明进行描述。
153.本实施例提出了一种基于多维视图分析的架构重构方案，采用基于多维视图分析方法可将各类复杂的架构都纳入多维视图进行架构视图点量化分析，将量化的视图点输入到预设的事务库(初始事务库)进行视图点的匹配挖掘，最后输出匹配的事务，取其事务的后置结果、即：架构方案块，即可进行架构重构。
154.实际应用时，本实施例通过一种基于多维视图点权重调优的关联规则挖掘算法w-ama(weight-based association mining algorithm)实现。
155.上文所述的预设的事务库是w-ama算法的样本库，是w-ama的基础条件。事务库是事务的集合，一条事务(也叫一条有效规则)由前置条件(经过多维分析的视图点及目标值的量化表示)和后置结果(重构方案块)组成，w-ama算法的输入是目标系统的视图点及目标值，算法样本库是预设的事务库，算法的输出是经过目标视图点与事务库中的前置条件匹
配过滤后输出的一个或多个排序后的事务集合。
156.对于零基础的事务库，可以以目前批量的典型高质量系统为样例进行基于多维视图分析的事务转换，遍历每一个样例系统，将其转化为一个事务。其中，每个样例系统的视图点及目标值量化为事务的前置条件，将每个样例系统的架构方案进行块划分，其划分结果作为事务的后置结果，全量的(所有)高质量系统样例最后转换输出为事务库。
157.下面首先介绍预设的事务库的构建方法，以一条系统样例转换为事务为例进行说明，包括如下步骤：
158.步骤一：基于多维视图分析法对系统样例的视图点进行量化分析(事务前置条件的确定)；
159.对所选取的高质量系统进行视图点确定及量化，视图角度可从客户视图、和/或研发视图、和/或运维视图、和/或项目视图等进行多维度分析，将每一个维度的视图点(即当前维度角色的关注点)进行分析确认、并将视图点的目标值进行量化，例如：针对研发视图，选取视图点“功能迭代”，目标值量化后是“3周/次”。
160.步骤二：基于系统架构技术进行块划分，形成方案块(事务后置条件的确定)。
161.架构方案块指能够实现视图点目标值的技术方法的集合。在一个架构系统中，所使用到的技术方法很多，这里可根据视图点将多个技术方法进行聚合，例如：一个系统架构中使用了redis/rabbitmq/zookeeper/mongodb/log4j/spring security/aop等多种技术方法，而针对运维视图的视图点“日志分析”，目标值是“日志按关键字实时查询”，则此视图点和目标值所对应的方案块是(mongodb/log4j/aop),如果目标值是“日志查询”，没有实时要求，则方案块是(log4j/aop)。
162.这里，样例系统转换事务可使用以下事务库构建表1和事务库构建量化表2来辅助完成构建。
[0163][0164]
表1事务库构建表
[0165][0166][0167]
表2事务库构建量化表
[0168]
按照以上说明构建初始事务库，先将样例按照表1进行事务构建，然后根据量化标准将量化结果记录到表2中，全量样例系统都转换完成后，表2就是一个初始的预设事务库。在使用w-ama算法挖掘过程中，挖掘结果集中被采纳的事务被记为有效规则，需要将有效规则纳入事务库，更新事务库的规则(新增规则或更新事务采纳数)。
[0169]
下面介绍该实施例基于上述预设的事务库、多维视图分析的架构重构方案：
[0170]
由于常规的关联规则的挖掘并没有考虑关联规则中多个前置条件的权重对规则的影响，以及前置条件和后置结果的频数计算并没有考虑采纳结果的影响，本实施例将从前置条件的权重和规则采纳情况对现存的关联规则进行改进，以提高关联规则的挖掘准确率。
[0171]
待重构的系统作为目标系统，目标系统的多维视图点作为w-ama算法的输入条件，事务库作为样本库，w-ama算法以输入条件在事务库中进行事务前置条件的匹配，最终以事务的支持度和置信度作为排序准则，输出排序后的结果事务集。其具体的实施步骤如下：
[0172]
步骤一：目标系统(待重构的系统)经过多维视图分析量化后形成目标前置条件，并输入到w-ama算法(作为w-ama算法的输入端)；
[0173]
步骤二：根据输入的目标前置条件在预设的事务库中进行前置条件匹配，前置条件以包含关系进行匹配，目标前置条件包含于事务库中单条事务的前置条件即为匹配成功一条事务，匹配出的事务带采纳数，并输出匹配成功的事务集；如果没有匹配结果，则需要进行基于前置条件中视图点权重的优化，使用权重去除法将前置条件中权重值小于阈值的视图点去除掉，然后再重新匹配，直到匹配的结果不为空，最后输出匹配的事务集。这里，权重去除法用公式表示如下：
[0174][0175]
其中，a是输入的前置条件(由多个视图点及目标值组成)，a'是使用权重去除法之后的前置条件，f
(wq)
是权重去除函数，a'＝a-{ax|ax∈a,ax(wq)＜＝δ}。其中，ax(wq)是计算得出的前置条件中单个视图点的权重，其具体的算法如下：
[0176]
[0177]
其中，ax是前置条件中的一个视图点，r是事务库，|r|是事务库中所有事务的采纳数总和，|ax|是此视图点在事务库中采纳数。如果ax(wq)＜＝δ，则去除该视图点。
[0178]
步骤三：计算挖掘结果(匹配的事务集中的事务)的质量，并排序输出结果事务集。
[0179]
这里，可使用支持度和置信度对结果集中的事务进行计算，最后根据计算结果进行事务排序并将排序结果输出给用户，用户采纳其中一个事务后，将采纳的结果对事务库进行更新：事务库中与采纳结果的后置方案块相等的事务，其采纳数 1。
[0180]
其中，事务的质量可用支持度和置信度来衡量：
[0181]
事务支持度＝要计算支持度的事务采纳数/事务库采纳数总和；
[0182]
事务置信度＝要计算支持度的事务采纳数/与分子的前置条件相等的事务采纳数总和，其当支持度达到一定值(例如>＝30％时)，则可验证其此条事务具有一定的可信度，当支持度都比较低，支持度<＝1％时，支持度已经没有很大的意义，则可通过置信度计算事务的可信度。
[0183]
至此，w-ama算法步骤结束。后续可根据输出的事务的后置结果进行架构重构，此处不再详述。
[0184]
可见，本实施例的架构方案挖掘算法具有普遍适用性，其视图点的多粒度分析，更精确了视图痛点，有效解决架构痛点，有利于后续的架构方法挖掘的准确性；而且，架构重构方法的挖掘算法除了前期需要人为调研构建事务库，后续的挖掘都自动执行，其效率更高；此外，初始事务库会随着挖掘规则的采纳率动态调整，其时效性比现有技术好。
[0185]
本实施例提出的架构挖掘算法借鉴了关联规则的基本思想，而目前的关联规则算法的事务库的构建并没有详细阐述，需要根据使用业务场景的特点进行事务库构建。而本实施例结合架构重构的多维视图特点，进行基于多维视图点分析的事务库构建，此事务库的构建方法为后续的重构方案的挖掘提供了优质的前提。
[0186]
而且，目前关联强规则的挖掘经常会遇到匹配前置条件为空或者支持度、置信度没达到阈值而导致的挖掘结果为空的情况，相关技术仅用降低阈值来进行调整，其结果的准确性差强人意。
[0187]
而本实施例针对匹配前置条件为空的情况进行了基于权重调优的调整，以提高挖掘准确率，针对支持度和置信度进行了采纳数的调整，提高支持度、置信度的准确性；涉及的挖掘算法的整个步骤都是基于多维视图分析进行关联规则挖掘的前置事务库构建、前置条件匹配、支持度和置信度调优，以达到提高挖掘准确率的效果。
[0188]
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。