عارف عليجان نژاد

Proposing an Automated Method for Extracting Microservices from Monolithic Systems Using Graph Neural Networks an‎d Large Language Models

با گسترش روزافزون ابعاد نرمافزارهاي سازماني، نگهداري، توستعه و مقياس پتذ يري ستامانههاي يكپارچته بتا چالشهاي جد ي مواجه شده است. معماري ريزخدمات به عنوان راهكاري كليد ي براي غلبه بر اين چالشهتا معرفي شده است؛ با اين حال، فرآيند شناس ايي و استخرا خودكار مرزهاي ريزخدمات از دل يك كتد منبتع يكپارچه، همچنان يكي از مسائل پيچيده در حوزه مهندس ي نرمافتزار محستوب ميشتود. روش هتاي ستنتي بازسازي معماري عمدتاً بر روابط ساختاري )مانند گتراف فراختواني( تمركتز دارنتد و از درع عميتق منطتق تجاري و مااهيم معنايي نهاته در كد عاجز هستند. در اين پژوهش، يك روش تركيبي نوين جهت استخرا خودكار كاند يداهاي ريزخدمات بتا بهرهگيتري از همافزايي مدلهاي زباني بزرگ و شبكههاي عصبي پيشتنهاد شتده استت. رويكترد پيشتنهادي از توانمنتد ي مدلهاي زباني براي استخرا ويژگيهاي معنايي عميق از نام توابع و مستندات كد استتااده كترده و ستپ اين ويژگيها را در اليههاي يك شبكه عصبي گرافي منتشر ميكند تا روابط ساختاري و تعتامالت فراختواني نيز در مدلسازي لحاظ شوند. ارزيابي تجربي مدل پيشنهادي بر روي دو پروژه متنبتاز واقعتي شتامل فتاوا و فلسكبيبي نشان داد كه تركيب ويژگيهاي معنايي و ساختاري منجر به بهبود چشتمگير كيايتت معمتاري استخرا شده ميگردد. نتايج نشان ميدهد كه مدل پيشنهادي مدل زباني بزرگ و شتبكه عصتبي گتراف در مقايسه با رويكردهاي صرفاً معنايي، شاخص انسجام را در پروژه فلسكبيبي بيش از 100 درصد ارتقتا داده و به طور همزمان شاخص اتصال را به ميزان 50 درصد كاهش داده است. همچنين بهبود قابل توجه در معيتار اتصال وس يلوئت تأييد ميكند كه اين روش موفق به ايجاد مرزهتاي شتاافتر و تاكيكپتذ يري بتاالتر ميتان ريزخدماتهاي استخرا شده گرديده است

شبكه عصبي گرافي , معماري ريزخدمات , مدل زباني بزرگ , اسنجام و اتصال , سامانه تخت