计算机技术与发展2023，Vol.33Issue(8) ：66-73.DOI:10.3969/j.issn.1673-629X.2023.08.010

基于多通道注意力图卷积网络的微服务分解

Multi-channel Attentional Graph Convolutional Networks for Microservice Extraction

张攀 来风刚 周逸 羊麟威 钱李烽 刘昕 李静
计算机技术与发展2023，Vol.33Issue(8) ：66-73.DOI:10.3969/j.issn.1673-629X.2023.08.010
✕
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 维普
  • 万方数据

基于多通道注意力图卷积网络的微服务分解

Multi-channel Attentional Graph Convolutional Networks for Microservice Extraction

张攀 1来风刚 1周逸 1羊麟威 2钱李烽 2刘昕 2李静2
扫码查看

作者信息

  • 1. 国家电网有限公司信息通信分公司,北京 100053
  • 2. 南京航空航天大学 计算机科学与技术学院/人工智能学院,江苏 南京 211106
  • 折叠

摘要

为了解决功能、规模和复杂性不断增长的软件系统可能面临的可维护性和可扩展性等一系列软件开发和运维问题,微服务分解成为了目前研究的热点.现有的微服务分解主要是通过微服务的聚类,将单体系统划分为潜在的微服务候选.在微服务的自动化聚类中,基于图卷积网络(Graph Convolutional Network,GCN)的深度学习方法在特征学习方面取得了较好的效果,但是现有模型中缺乏对多通道信息的处理.针对该问题,提出一种基于多通道注意力图卷积网络的微服务分解方法MAGEMP.该方法使用多通道图注意力网络来学习不同强度的属性图和结构图节点之间的特征嵌入表示,再通过注意力机制获取不同通道嵌入表示的融合信息,最后综合聚类信息的联合学习框架获得高质量的微服务分解.在四个公开数据集上多角度验证该模型的有效性.与同类方法相比,MAGEMP方法提高了嵌入特征学习能力,在单体程序公开数据集上测试的功能性、模块性等性能方面取得了显著提升.

关键词

微服务架构/微服务分解/图神经网络/多通道/注意力机制

Key words

microservice architecture/microservice decomposition/graph neural network/multi-channel/attention mechanism

引用本文复制引用

基金项目

国家电网科技项目(5700-202152169A-0-0-00)

出版年

2023
计算机技术与发展
陕西省计算机学会

计算机技术与发展

CSTPCD
影响因子：0.621
ISSN：1673-629X
参考文献量2
段落导航相关论文