As many self-adaptive, smart and pe

As many self-adaptive, smart and pervasive systems use context information to change their behavior based on varying context conditions, context variability is emerging as a technique for modeling context and non-context features that may realize their variability dynamically. Hartmann and Trew [17] highlight the role of context features that can be entangled with conventional feature models and use them as classifiers to delimit the scope of system options (e.g., the software of a car that defines the “region” as a context feature to incorporate different cars’ options according to that region). Context and non-context features can be modeled separately or under a common feature model, such as the two strategies suggested in [5]. The former strategy models two feature models separately, which introduces a bigger number of
dependencies between the context model and the feature model
representing the system’s options, but promotes the reusability
and replacement for different contexts. The second strategy
merges both feature models which requires more modeling effort
to overlap context and non-context features into one, but reduces
the number of links between both types of features. However, this
strategy is more appropriate for systems that don’t need to replace
contexts frequently. Context analysis and context variability
modeling [1] offer a good choice as key mechanisms that extend
the typical feature modeling activity and become quite suitable for
collaborative cyber-physical systems that use context data from
physical sensors.

ผลลัพธ์ (ไทย) 2:

เป็นจำนวนมากด้วยตนเองปรับระบบสมาร์ทและแพร่หลายใช้ข้อมูลบริบทการเปลี่ยนแปลงพฤติกรรมของพวกเขาที่แตกต่างกันขึ้นอยู่กับสภาพบริบทบริบทความแปรปรวนที่เกิดขึ้นเป็นเทคนิคสำหรับบริบทการสร้างแบบจำลองและคุณสมบัติที่ไม่บริบทที่อาจตระหนักถึงความแปรปรวนของพวกเขาแบบไดนามิก อาร์ตมันน์และ Trew [17] เน้นบทบาทของคุณสมบัติบริบทที่สามารถเข้าไปพัวพันกับรุ่นคุณลักษณะธรรมดาและใช้พวกเขาเป็นลักษณนามเพื่อกำหนดเขตขอบเขตของตัวเลือกระบบ (เช่นซอฟแวร์ของรถที่กำหนด "ภูมิภาค" เป็นคุณสมบัติบริบท ที่จะรวมตัวเลือกรถยนต์ที่แตกต่างกันไปตามภูมิภาคนั้น) บริบทและคุณสมบัติที่ไม่บริบทสามารถจำลองแยกกันหรือภายใต้รูปแบบลักษณะทั่วไปเช่นสองกลยุทธ์ข้อเสนอแนะใน [5] รูปแบบกลยุทธ์ของอดีตสองรุ่นคุณลักษณะที่แยกต่างหากซึ่งแนะนำจำนวนที่ใหญ่กว่าของการพึ่งพาระหว่างรูปแบบบริบทและรูปแบบคุณลักษณะที่เป็นตัวแทนของตัวเลือกของระบบแต่สามารถนำมาใช้ส่งเสริมและการเปลี่ยนสำหรับบริบทที่แตกต่าง กลยุทธ์ที่สองผสานทั้งสองรุ่นคุณลักษณะที่ต้องใช้ความพยายามมากขึ้นการสร้างแบบจำลองการทับซ้อนบริบทและไม่ใช่บริบทเป็นหนึ่งมีแต่จะช่วยลดจำนวนการเชื่อมโยงระหว่างทั้งสองประเภทของคุณสมบัติ แต่นี้เป็นกลยุทธ์ที่เหมาะสมสำหรับระบบที่ไม่จำเป็นต้องเปลี่ยนบริบทบ่อย การวิเคราะห์บริบทและความแปรปรวนบริบทการสร้างแบบจำลอง [1] มีทางเลือกที่ดีเป็นกลไกสำคัญที่ขยายกิจกรรมการสร้างแบบจำลองคุณลักษณะทั่วไปและกลายเป็นที่ค่อนข้างเหมาะสำหรับระบบไซเบอร์ทางกายภาพการทำงานร่วมกันที่ใช้ข้อมูลบริบทจากเซ็นเซอร์ทางกายภาพ

ผลลัพธ์ (ไทย) 3:

เป็นหลาย self-adaptive ระบบสมาร์ทและแพร่หลายใช้ข้อมูลบริบทการเปลี่ยนแปลงพฤติกรรมของพวกเขาขึ้นอยู่กับเงื่อนไขที่แตกต่าง บริบทของบริบทที่เกิดขึ้นเป็นเทคนิคการสร้างแบบจำลองบริบทและคุณลักษณะที่ไม่อาจเข้าใจบริบทที่แปรปรวนของพวกเขาแบบไดนามิกAdmin และ trew [ 17 ] เน้นบทบาทของบริบท คุณสมบัติที่สามารถพัวพันกับโมเดลคุณลักษณะทั่วไปและใช้พวกเขาเป็นคำมาคั่นขอบเขตของตัวเลือกของระบบ ( เช่นซอฟต์แวร์ของรถที่กำหนด " เขต " เป็นบริบท คุณสมบัติรวมทางเลือกของรถยนต์ที่แตกต่างกันตามภูมิภาค )บริบทบริบทและไม่คุณลักษณะสามารถแบบแยกหรือภายใต้รูปแบบคุณลักษณะทั่วไป เช่น กลยุทธ์สองแนะนำใน [ 5 ] รูปแบบกลยุทธ์อดีตสองคุณลักษณะแบบแยกต่างหาก ซึ่งแนะนำเบอร์ที่ใหญ่กว่าของ
dependencies ระหว่างบริบทรูปแบบและลักษณะรูปแบบของ ระบบทางเลือก
แทน แต่โฆษณานี้
และทดแทนสำหรับบริบทที่แตกต่างกัน
กลยุทธ์ที่สองผสานทั้งแบบที่ต้องใช้ความพยายามมากขึ้นคุณลักษณะแบบ
ซ้อนกันและบริบทไม่คุณสมบัติในบริบทหนึ่ง แต่ลด
หมายเลขของการเชื่อมโยงระหว่างทั้งสองประเภทของคุณสมบัติ อย่างไรก็ตาม กลยุทธ์นี้
เหมาะกับระบบที่ไม่ต้องแทนที่
บริบทที่พบบ่อย การวิเคราะห์ความแปรปรวนและ
บริบทบริบทแบบ [ 1 ] เป็นทางเลือกที่ดีเป็นคีย์กลไกที่ขยายโดยทั่วไปคุณลักษณะการจำลองกิจกรรม

จะค่อนข้างเหมาะสำหรับระบบที่ใช้ร่วมกันในโลกไซเบอร์ทางกายภาพข้อมูลบริบท
เซ็นเซอร์ทางกายภาพ