Please use this identifier to cite or link to this item: http://dx.doi.org/10.18419/opus-11676
Full metadata record
DC FieldValueLanguage
dc.contributor.authorWersching, Adrian-
dc.date.accessioned2021-09-10T13:51:06Z-
dc.date.available2021-09-10T13:51:06Z-
dc.date.issued2021de
dc.identifier.other1770765182-
dc.identifier.urihttp://nbn-resolving.de/urn:nbn:de:bsz:93-opus-ds-116936de
dc.identifier.urihttp://elib.uni-stuttgart.de/handle/11682/11693-
dc.identifier.urihttp://dx.doi.org/10.18419/opus-11676-
dc.description.abstractThe manual deployment of cloud applications is error-prone, time-consuming, and requires considerable technical knowledge. To tackle these issues and automate the deployment of applications, multiple approaches have been proposed that enable the description of applications in the form of declarative deployment models which describe the components of an application, their desired state or configuration, and the relations among the components. The technologies and tools that support deployment models significantly ease the deployment process, however, they still require vendor and product-specific details in the deployment models. This obfuscates the underlying semantics of the deployment models. The essential architectural decisions realized in a deployment model can be stated more clearly by design patterns which describe problems, their solution, the resulting benefits, and the resulting drawbacks in an abstract and reusable format. To combine the benefits of declarative deployment models and patterns, Pattern-based Deployment and Configuration Models (PbDCMs) were defined which introduce patterns as first-class citizens in deployment models. However, manually extracting the realized patterns from deployment models of applications is a non-trivial task as it requires technical knowledge about the patterns a certain component or parts of the application realize. Furthermore, there is no automated way to use the detected patterns for the creation of PbDCMs. To tackle these issues, this thesis presents an automated approach for the detection of patterns in declarative deployment models and the generation of corresponding PbDCMs. The automated detection of patterns is enabled by introducing Pattern Detection and Refinement Models (PDRMs) which consist of two structures, one is used to determine matching subgraphs in a deployment model and the other represents the patterns realized by the first structure. The patterns detected with the support of the introduced PDRMs are used to build corresponding PbDCMs. The approach is implemented as an extension to the modeling tool Eclipse Winery and is validated by a case study. The case study highlights how the pattern detection process can be used to realize new design decisions on an abstract level.en
dc.description.abstractDas manuelle Deployment von Anwendungen in der Cloud ist fehleranfällig, zeitaufwändig und erfordert erhebliche technisches Vorkenntnisse. Um diesen Probleme entgegenzuwirken und das Deployment von Anwendungen zu automatisieren, wurden unterschiedliche Ansätze eingeführt, welche die Beschreibung von Anwendungen in Form von deklarativen Deployment Modellen ermöglichen. Deklarative Deployment Modelle beschreiben dabei die Komponenten einer Anwendung, deren gewünschten Zustand beziehungsweise gewünschte Konfiguration und die Beziehungen der Komponenten zueinander. Die Technologien und Werkzeuge, welche Deployment Modelle unterstützen, erleichtern zwar den Prozess des Deployments erheblich, setzen aber dennoch hersteller- und produktspezifische Details in den Deployment Modellen voraus. Dadurch wird die zugrunde liegende Semantik von Deployment Modellen verschleiert. Die wesentlichen architektonischen Entscheidungen, die in einem Deployment Modell umgesetzt sind, können klarer durch Architekturmuster beschrieben werden. Architekturmuster beschreiben Probleme, deren Lösungen, die resultierenden Vorteile und die resultierenden Nachteile in einem abstrakten und wiederverwendbaren Format. Um die Vorteile von deklarativen Deployment Modellen und Architekturmustern zu vereinen, wurden Pattern-based Deployment and Configuration Models (PbDCMs) eingeführt, welche das Modellieren von Architekturmustern in Deployment Modellen erlauben. Das manuelle Bestimmen der Architekturmuster, welche in einem Deployment Modell umgesetzt sind, ist jedoch keine triviale Aufgabe, da es technische Vorkenntnisse über die Architekturmuster voraussetzt, die durch die jeweiligen Komponenten oder Teile der Anwendung umgesetzt werden. Es existiert weiterhin keine automatisierte Methode, die identifizierten Architekturmuster für das Erstellen von PbDCMs zu verwenden. Um diese Probleme zu lösen, wird in dieser Arbeit ein automatisierter Ansatz zur Erkennung von Architekturmustern in deklarativen Deployment Modellen vorgestellt, welcher auch die Generierung von entsprechenden PbDCMs umfasst. Die automatische Erkennung von Architekturmustern wird durch das Einführen von Pattern Detection and Refinement Models (PDRMs) ermöglicht, welche aus zwei Structuren bestehen, von denen eine für die Bestimmung von übereinstimmenden Teilgraphen in einem Deployment Modell verwendet wird und die andere die durch die erste Struktur umgesetzten Architekturmuster darstellt. Die mit Hilfe der eingeführten PDRMs erkannten Architekturmuster werden verwendet, um entsprechende PbDCMs zu erstellen. Der Ansatz ist als eine Erweiterung des Modellierungswerkzeugs Eclipse Winery implementiert und wird anhand einer Fallstudie validiert. Die Fallstudie verdeutlicht, wie der Mustererkennungsprozess genutzt werden kann, um neue Designentscheidungen auf einer abstrakten Ebene zu realisieren.de
dc.language.isoende
dc.rightsinfo:eu-repo/semantics/openAccessde
dc.subject.ddc004de
dc.titlePattern detection in declarative deployment modelsen
dc.typemasterThesisde
ubs.fakultaetInformatik, Elektrotechnik und Informationstechnikde
ubs.institutInstitut für Architektur von Anwendungssystemende
ubs.publikation.seiten81de
ubs.publikation.typAbschlussarbeit (Master)de
Appears in Collections:05 Fakultät Informatik, Elektrotechnik und Informationstechnik

Files in This Item:
File Description SizeFormat 
MA_Adrian-Wersching_Pattern-Detection.pdf1,95 MBAdobe PDFView/Open


Items in OPUS are protected by copyright, with all rights reserved, unless otherwise indicated.