درک مدل سازی عملکردی در مهندسی سیستم ها

مدل سازی عملکردی به عنوان یک تکنیک بنیادی در مهندسی سیستم و توسعه نرم افزار عمل می کند، تیم ها را قادر می سازد تا توابع و تعاملات خاص را در یک سیستم تجسم کنند، با شکستن فرآیندهای پیچیده به واحدهای عملکردی متمایز، تمرین کنندگان می توانند به راحتی الزامات، رابط های طراحی و رفتار سیستم را شناسایی کنند، با وجود مزایای روشن، مدل سازی عملکردی اغلب چالش هایی را ارائه می دهد که می تواند پروژه ها را به درستی حل کند، اگر این مسائل دقیق را حل کند، و قابل درک کند، و اطمینان از آن ها را فراهم می کند، و اطمینان از آن ها را برای مقابله کند، و اطمینان از استراتژی های کاربردی است که با آنها را فراهم می کند.

مدل سازی عملکردی چیست؟

مدل سازی عملکردی یک روش سیستماتیک برای نمایندگی از عملکرد یک سیستم و روابط آنها است، بر خلاف مدل سازی شی گرا یا داده محور، آن را بر روی آنچه سیستم انجام می دهد مدل سازی و نه چگونگی اجرای آن، پردازش پردازش منابع کاربردی، و کنترل منابع کاربردی، پردازش و پردازش دقیق، و پشتیبانی از مدل های پردازش، و پردازش منابع کاربردی، و پردازش دقیق، و پردازش منابع، نیاز به سیستم های کنترل دقیق، و پردازش منابع کاربردی، و پردازش منابع کاربردی، و پردازش منابع کاربردی، و پردازش منابع کاربردی، و پردازش منابع کاربردی، و پردازش منابع کاربردی، و پردازش منابع کاربردی، و پردازش منابع کاربردی، و پردازش منابع کاربردی، تمرکز می کند.

چالش های مشترک در مدل سازی عملکردی

۱- الزامات جامع یا ناقص

مکرر ترین مانع در مدل سازی عملکردی ناشی از الزامات واضح یا ضعیف تعریف شده است، هنگامی که اهداف پروژه، نیازهای کاربر و یا مرزهای سیستم به طور کامل بیان نشده است، مدل حاصل می تواند نادرست تفسیر شود یا از دست دادن توابع حیاتی.این ابهام اغلب منجر به کار مجدد، بودجه بیش از حد، و حتی شکست سیستم، برای مثال، یک خطایی که ممکن است منجر به خطایی که در رفتار از دست رفته است منجر به خطا شود.

ریشه علل Ambiguity

  • عدم نیاز رسمی فرآیندهای استخراج
  • دانش دامنه ای در میان مدل ها
  • اولویت های سهامداران
  • سریع در حال تکامل محدوده پروژه

آینده Ambiguity

برای کاهش الزامات مبهم، ذینفعان را در اوایل با استفاده از تکنیک های ساختاری مانند مصاحبه های دارنده درگیر کنید ، نمونه سازی و کارگاه های استفاده از نمونه، فرضیات صریح و استفاده از یک ماتریس قابل ردیابی برای پیوند هر عنصر عملکردی به یک نیاز خاص.

۲- مدل های پیچیده و Unwieldy

یک سقوط رایج ایجاد مدل های بسیار دقیق یا یکنواخت است که توابع هسته ای مبهم را ایجاد می کند، هنگامی که مدل ها شامل هر استثناء، جریان داده ها یا سیگنال کنترل، نمودار غیر ممکن می شود برای خواندن و حفظ پیچیدگی نه تنها کاهش ارزش ارتباطات، بلکه خطر خطا در طول تأیید و اعتبار را افزایش می دهد.

نشانه های پیچیدگی های اضافی

  • دیگرام با ده ها تابع و صدها اتصال
  • توابعی که مسئولیت های چندگانه (عدم مسئولیت های تک مسئولیتی) را ترکیب می کنند.
  • لانه بیش از حد یا سلسله مراتب عمیق که نیاز به سطوح زوم متعدد

مدل های ساده سازی

اتخاذ یک رویکرد سازگار ؛ سیستم را به زیر سیستم های منطقی منسجم تجزیه کنید، هر مدل به طور مستقل از انتزاع برای پنهان کردن جزئیات داخلی تا زمانی که لازم باشد استفاده می کند. ISO / IEC 2448) استاندارد برای فرآیندهای چرخه زندگی سیستم، که توصیه می کند مدل های سطح از زمینه به توابع دقیق به منظور تجزیه و تحلیل ساده (FMLg).

۳- عدم مشارکت ذینفعان

مدل های ایجاد شده (FLT:0) بدون مشارکت فعال سهامداران اغلب قادر به ثبت فرآیندهای دنیای واقعی نیستند - از جمله کاربران نهایی، کارشناسان موضوع و حامیان پروژه - دانش انتقادی دامنه را که مدل کنندگان ممکن است فاقد آن باشند، زمانی که ذینفعان محروم هستند، مدل ممکن است یک دیدگاه ایده آل یا نادرست ارائه دهد، که منجر به پذیرش و اصلاح هزینه های پایین می شود.

عواقب مشارکت محدود

  • مدل هایی که جریان های جایگزین حیاتی یا استثناء را از دست می دهند
  • مقاومت در برابر تیم هایی که احساس می کنند مدل نشان دهنده کار آنها نیست
  • تجدید نظر می کند که تعارض با الزامات اصلی به دلیل مشارکت کنندگان مورد مشورت قرار نگرفته است

توسعه همکاری

برنامه ریزی منظم مدل پیاده روی [FLT 1] با ذینفعان در هر نقطه عطف استفاده از ابزارهای مدل سازی مشترک که اجازه می دهد ویرایش و اظهار نظر در زمان واقعی است، کارگاه های تسهیل کننده که در آن ذینفعان می توانند به طور مستقیم ساخت و یا تأیید توابع به طور مستقیم در PMI تحقیق [F3، تعامل فعال سهام با نرخ موفقیت پروژه بالاتر مرتبط است.

۴- عدم اطلاع و ابزار سازی

تیم ها اغلب با چند مفهوم مدل مبارزه می کنند (به عنوان مثال، FFBD در مقابل BPMN) یا کاربرد متناقض یک عدم تقارن واحد.این عدم ثبات باعث می شود مدل ها در سراسر رشته ها تفسیر شوند و می توانند منجر به شکست در طراحی سیستم شوند.

راه حل ها

انتخاب یک عدم ثبات مناسب برای بلوغ و دامنه پروژه برای سیستم های پیچیده، IDEF0 یک انتخاب قوی برای تجزیه و تحلیل عملکردی است.برای فرآیندهای نرم افزار، نمودار فعالیت UML جزئیات و ادغام بیشتری با نسل کد ارائه می دهد. Enforce یک راهنمای سبک مدل سازی و ارائه آموزش به همه اعضای تیم استفاده از یک مخزن (به عنوان مثال، مدل سازی یا معمار) برای حفظ نسخه کنترل و کنترل.

۵- دشواری در اعتباربخشی مدل ها در برابر رفتار واقعی جهانی

مدل های عملکردی تنها در صورتی مفید هستند که بتوانند در برابر رفتار سیستم واقعی تأیید شوند. قابلیت استفاده از توابع صرفاً انتزاعی بدون شبیه سازی های اجرایی یا نمونه اولیه، تیم ها ممکن است بدون تست، اصلاح کنند و منجر به کاهش نقص های جریان می شوند.

تکنیک های معتبر

  • از ابزارهای شبیه سازی استفاده کنید که مدل های عملکردی را اجرا می کنند (به عنوان مثال، از طریق پارامتر های SysML)
  • نمونه های سریع یا نمونه های مسخره را برای مقایسه رفتار مورد انتظار و مشاهده شده ایجاد کنید.
  • ردیابی عملکرد توابع لینک را به موارد تست بررسی می کند
  • بررسی های همتا با کارشناسان حوزه

استراتژی های Overcome Performance Modeling Challenges

۱- ایجاد یک فرآیند مدیریت الزامات دقیق

سرمایه گذاری در الزامات رسمی استخراج و مدیریت از ابتدا.استفاده از روش هایی مانند عملکرد کیفیت (QFD) برای اولویت بندی توابع بر اساس نیازهای مشتری. مدارک در یک فرمت ساختاری (به عنوان مثال، RIF یا ReqIF) و حفظ یک ماتریس ردیابی زنده.

۲- پیاده سازی یک رویکرد مدل سازی لایه ای

تقسیم فعالیت های مدل سازی به سه سطح ؛ مدل زمینه ( مرز سیستم و رابط های خارجی)، مدل جریان عملکردی (جریان و کنترل)، و تقسیم بندی دقیق عملکردی (داخل، خروجی ها و منابع) این سلسله مراتب جلوگیری از جزئیات قریب به اتفاق در اوایل و اجازه می دهد مخاطبان مختلف به مصرف سطوح مناسب انتزاع.

لایه های نمونه

  • Level 0 (Context): سیستم را به عنوان یک تابع واحد با ورودی های خارجی / خروجی نشان می دهد.
  • Level 1 (سطح بالا): Decomposs به 5-7 توابع عمده با جریان های اولیه.
  • Level 2 (تأیید: [FLT 1] هر تابع عمده به زیر توابع با جریان داده و منطق کنترل شکسته شده است.

۳- همکاری مستمر از طریق مدل سازی مشارکتی

فراتر از بررسی های دوره ای برای حرکت کنید که در آن ذینفعان مدل را در کارگاه ها ایجاد می کنند.استفاده از تخته های سفید، یادداشت های چسبنده یا سیستم عامل های همکاری دیجیتال (به عنوان مثال، Miro یا Lucidchart) برای ساخت درخت تابع به طور جمعی.

۴- سرمایه گذاری در ابزارهایی که از احتمالات چند دیدگاهی پشتیبانی می کنند

ابزار مدل سازی را انتخاب کنید که (FLT:0) سازگاری ایدئولوژیک را اجرا می کند و قابلیت های شبیه سازی را ارائه می دهد.به عنوان مثال، با استفاده از ابزار SysML مانند مهندسی سیستم های جادویی (قبلاً Cameo) به شما اجازه می دهد تا یک منبع واحد از حقیقت را حفظ کنید در حالی که دیدگاه های مختلف (فعال، تعریف بلوک،) را به طور خودکار ایجاد می کند.

۵- اعتبار و نقاط چک تاییدیه

بازرسی رسمی V&V را در مراحل کلیدی قرار دهید: پس از ایجاد مدل زمینه، پس از تجزیه سطح بالا و پس از تکمیل مدل های عملکردی دقیق.در هر بازرسی، مدل را در برابر الزامات، استفاده از موارد و انتظارات سهامداران مقایسه کنید.

ابزار و تکنیک های مدل سازی موفق

مهندسی سیستم های مدرن از طیف وسیعی از ابزارها و تکنیک هایی که به چالش های بالا می پردازند، بهره می برد:

بهترین روش ها برای موفقیت مدل سازی پایدار

فراتر از چالش های خاص، اتخاذ بهترین شیوه ها برای اطمینان از کیفیت مدل بلند مدت:

  • [[۱] [۱۰] [۱] [۱۰] [۱] با تعاریف از توابع، ورودی ها و خروجی ها برای جلوگیری از سردرگمی، یک مدل سازی را در نظر بگیرید.
  • بررسی های همتا از تمام مدل های قبل از پایه گذاری، حتی برای تیم های داخلی.
  • استفاده از کنترل نسخه برای فایل های مدل، درست مانند کد نرم افزار.
  • اعضای تیم در هر دو مدل سازی و اصول روش شناسی.
  • برنامه ریزی برای تکامل مدل [FLT 1] با طراحی رابط های انتزاعی که می تواند توابع آینده را در بر گیرد.
  • بهره وری مدل سازی [FLT 1] با استفاده از معیارهایی مانند تعداد نقص های موجود در هر عنصر یا زمان برای تکمیل بررسی طراحی عملکردی.

نتیجه گیری

مدل سازی عملکردی ابزار قدرتمندی برای درک و طراحی سیستم های پیچیده است، اما بدون مشکلات آن نیست. الزامات فوق العاده ای، مدل های بیش از حد پیچیده، فقدان تعامل سهامداران، عدم سازگاری و شیوه های اعتباری ضعیف می تواند حتی بهترین تلاش های مدل سازی را تضعیف کند، در نهایت با پرداختن به این چالش ها با مدیریت دقیق، روش های مدل سازی لایه، کارگاه های همکاری، ابزار قوی و تأیید سیستماتیک، می تواند مدل های دقیق تر را تقویت کند، و کارآمد را تقویت کند، و نه تنها بهبود بخشد.