基于服务集成的可重用面向对象遗产代码段抽取技术

基于服务集成的可重用面向对象遗产代码段抽取技术

张卓鹏, 杨宏戟

德蒙特福特大学计算机软件技术实验室, Leicester LEI 9BH, 英国

收稿日期:2006-05-21 修回日期:1900-01-01 出版日期:2006-08-26 发布日期:2006-08-26
通讯作者: 杨宏戟

Extracting Reusable Objectoriented Legacy Code Segmentsfor Service Integration

ZHANG Zhuopeng, YANG Hongji

Software Technology Research Laboratory, De Montfort University, Leicester LEI 9BH, England

Received:2006-05-21 Revised:1900-01-01 Online:2006-08-26 Published:2006-08-26
Contact: YANG Hongji

摘要/Abstract

摘要： 虽然网络服务及面向服务的体系结构对促进遗产系统的网络化和进一步演化都是很有前途的系统集成技术, 但面向服务的再工程过程对于延续遗产系统在面向服务计算环境下的生命周期仍然是必须的. 在这个面向服务的再工程过程中, 对面向对象代码的理解和重用成为重要的环节. 基于此，提出一种对可重用面向对象遗产代码的抽取和集成的综合方法，它可以通过用XML技术包裹底层计算模型的方式使抽取的以面向对象遗产代码为核心的组件在网络服务下运行.

关键词: 遗产系统, 组件挖掘, 网络服务

Abstract: Web services, together with serviceoriented architectures, are promising integration technology to facilitate legacy system webification and evolution. However, a service oriented reengineering process is still essential for legacy systems to survive in the serviceoriented computing environment. In this serviceoriented reengineering process, understanding and reusing objectoriented code turn to be important activities. In this paper, we proposed a comprehensive approach to support the extraction and integration of reusable objectoriented legacy code. It produces extracted components with core objectoriented legacy code function in Web services by wrapping underlying computing models with XML.

Key words: legacy system, component mining, Web services

中图分类号:

TP311

张卓鹏, 杨宏戟. 基于服务集成的可重用面向对象遗产代码段抽取技术[J]. J4, 2006, 44(06): 5-10.

ZHANG Zhuopeng, YANG Hongji. Extracting Reusable Objectoriented Legacy Code Segmentsfor Service Integration[J]. J4, 2006, 44(06): 5-10.

[1]	杨光, 贾焱鑫, 陈翔, 许舒源. 基于深度学习的Stack Overflow问题帖分类方法[J]. 吉林大学学报(理学版), 2021, 59(4): 922-928.
[2]	李芳, 曲豫宾, 陈翔, 李龙, 杨帆. 一种基于类不平衡学习的情感分析方法[J]. 吉林大学学报(理学版), 2021, 59(4): 929-935.
[3]	曲豫宾, 陈翔, 李龙. 可缓解类重叠问题的跨版本软件缺陷预测方法[J]. 吉林大学学报(理学版), 2021, 59(2): 372-378.
[4]	何锴琦, 马宇骁, 张炎, 刘华虓. 一种基于数据的GitHub项目个性化混合推荐方法[J]. 吉林大学学报(理学版), 2020, 58(6): 1399-1406.
[5]	胡黄水, 赵思远, 刘清雪, 王出航, 王婷婷. 基于动量因子优化学习率的BP神经网络PID参数整定算法[J]. 吉林大学学报(理学版), 2020, 58(6): 1415-1420.
[6]	穆翔宇, 范钰, 李苏吉, 张鹏, 刘磊. 一种基于梯度下降算法的蜕变关系生成方法[J]. 吉林大学学报(理学版), 2020, 58(6): 1429-1435.
[7]	王壹铭, 初剑峰, 王永军, 陈彦东. 基于有向无环图的高效区块链共识算法[J]. 吉林大学学报(理学版), 2020, 58(5): 1167-1172.
[8]	骆焦煌. 基于卷积神经网络的粗粒度数据分布式算法[J]. 吉林大学学报(理学版), 2020, 58(4): 906-912.
[9]	吴春琼. 面向大规模数据的特征趋势推理算法[J]. 吉林大学学报(理学版), 2020, 58(2): 364-370.
[10]	楚玺, 周志祥, 邓国军, 邵帅. 模糊图像的不连续边缘智能检测改进算法[J]. 吉林大学学报(理学版), 2019, 57(04): 875-881.
[11]	刘良凤, 刘三阳. 基于权重差异度的动态模糊聚类算法[J]. 吉林大学学报(理学版), 2019, 57(3): 574-582.
[12]	魏晓辉, 许国威, 王兴旺, 徐海啸. 基于节点相似性和链接次数组合时间序列的链接预测[J]. 吉林大学学报(理学版), 2019, 57(3): 583-590.
[13]	刘久彪. 空间数据库反向最近邻聚类方法[J]. 吉林大学学报(理学版), 2019, 57(2): 387-392.
[14]	张世铮. 基于位移Hermite分裂的图像恢复算法[J]. 吉林大学学报(理学版), 2019, 57(1): 97-104.
[15]	王晓天, 边思宇. 基于遗传算法和神经网络的PID参数自整定[J]. 吉林大学学报(理学版), 2018, 56(4): 953-958.