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.



Context feature modeling

ผลลัพธ์ (ไทย) 1:

เป็นระบบ self-adaptive สมาร์ท และชุมชนที่แพร่หลายมากใช้ข้อมูลบริบทการเปลี่ยนแปลงลักษณะการทำงานตามเงื่อนไขบริบทที่แตกต่างกัน บริบทสำหรับความผันผวนจะเกิดขึ้นเป็นเทคนิคสำหรับบริบทและบริบทไม่ใช่คุณลักษณะที่อาจตระหนักถึงความแปรผันของแบบไดนามิกในการสร้างโมเดล Hartmann และ Trew [17] เน้นบทบาทของบริบทที่สามารถเกี่ยวกับแบบจำลองคุณลักษณะทั่วไป และใช้เป็นคำนามภาษาเพื่อจำกัดขอบเขตของระบบตัวเลือก (เช่น ซอฟต์แวร์ที่กำหนด "ภูมิภาค" เป็นบริบทคุณลักษณะในการรวมตัวของรถตามที่ รถ) บริบทและคุณสมบัติบริบทไม่สามารถเป็นแบบจำลอง หรือแยกต่างหากภาย ใต้ทั่วไปคุณลักษณะ แบบ เช่นกลยุทธ์ทั้งสองที่แนะนำใน [5] กลยุทธ์เดิมรุ่นสองคุณลักษณะรูปแบบแยกต่างหาก ที่แนะนำขนาดใหญ่จำนวนหนึ่งความสัมพันธ์ระหว่างรูปแบบเนื้อหาและแบบจำลองคุณลักษณะการแสดงตัวเลือกของระบบ ส่งเสริมแต่ reusability และทดแทนในบริบทที่แตกต่างกัน กลยุทธ์ที่สองผสานรูปแบบทั้งคุณลักษณะที่ต้องพยายามสร้างโมเดลเพิ่มเติมทับบริบทและคุณลักษณะไม่ใช่บริบทเป็น แต่ลดจำนวนการเชื่อมโยงระหว่างทั้งสองชนิดของ อย่างไรก็ตาม กลยุทธ์นี้เป็นที่เหมาะสมสำหรับระบบที่ไม่จำเป็นต้องเปลี่ยนบริบทบ่อย วิเคราะห์เนื้อหาและบริบทความแปรผันที่ [1] การสร้างโมเดลหลากหลายดีเป็นกลไกสำคัญที่ขยายคุณลักษณะทั่วไปที่กิจกรรมการสร้างโมเดล และกลายเป็นค่อนข้างเหมาะสมกับระบบทางกายภาพและทางไซเบอร์ร่วมใช้บริบทเซอร์จริงสร้างโมเดลลักษณะบริบท

ผลลัพธ์ (ไทย) 2:

เป็นจำนวนมากด้วยตนเองปรับระบบสมาร์ทและแพร่หลายใช้ข้อมูลบริบทการเปลี่ยนแปลงพฤติกรรมของพวกเขาที่แตกต่างกันขึ้นอยู่กับสภาพบริบทบริบทความแปรปรวนที่เกิดขึ้นเป็นเทคนิคสำหรับบริบทการสร้างแบบจำลองและคุณสมบัติที่ไม่บริบทที่อาจตระหนักถึงความแปรปรวนของพวกเขาแบบไดนามิก อาร์ตมันน์และ Trew [17] เน้นบทบาทของคุณสมบัติบริบทที่สามารถเข้าไปพัวพันกับรุ่นคุณลักษณะธรรมดาและใช้พวกเขาเป็นลักษณนามเพื่อกำหนดเขตขอบเขตของตัวเลือกระบบ (เช่นซอฟแวร์ของรถที่กำหนด "ภูมิภาค" เป็นคุณสมบัติบริบท ที่จะรวมตัวเลือกรถยนต์ที่แตกต่างกันไปตามภูมิภาคนั้น) บริบทและคุณสมบัติที่ไม่บริบทสามารถจำลองแยกกันหรือภายใต้รูปแบบลักษณะทั่วไปเช่นสองกลยุทธ์ข้อเสนอแนะใน [5] รูปแบบกลยุทธ์ของอดีตสองรุ่นคุณลักษณะที่แยกต่างหากซึ่งแนะนำจำนวนที่ใหญ่กว่าของการพึ่งพาระหว่างรูปแบบบริบทและรูปแบบคุณลักษณะที่เป็นตัวแทนของตัวเลือกของระบบ แต่สามารถนำมาใช้ส่งเสริมและการเปลี่ยนสำหรับบริบทที่แตกต่าง
กลยุทธ์ที่สองผสานทั้งสองรุ่นคุณลักษณะที่ต้องใช้ความพยายามมากขึ้นในการสร้างแบบจำลองทับซ้อนบริบทและไม่ใช่มีบริบทเป็นหนึ่ง แต่ช่วยลดจำนวนของการเชื่อมโยงระหว่างทั้งสองประเภทของคุณสมบัติ อย่างไรก็ตามกลยุทธ์นี้มีความเหมาะสมมากขึ้นสำหรับระบบที่ไม่จำเป็นต้องเปลี่ยนบริบทบ่อย การวิเคราะห์บริบทและการสร้างแบบจำลองความแปรปรวนบริบท [1]
มีทางเลือกที่ดีเป็นกลไกสำคัญที่ขยายกิจกรรมการสร้างแบบจำลองคุณลักษณะทั่วไปและกลายเป็นค่อนข้างเหมาะสำหรับระบบไซเบอร์ทางกายภาพการทำงานร่วมกันที่ใช้ข้อมูลบริบทจากเซ็นเซอร์ทางกายภาพ. การสร้างแบบจำลองคุณลักษณะบริบท

ผลลัพธ์ (ไทย) 3:

เป็นหลาย self-adaptive ระบบสมาร์ทและแพร่หลายใช้ข้อมูลบริบทการเปลี่ยนแปลงพฤติกรรมของพวกเขาขึ้นอยู่กับเงื่อนไขที่แตกต่าง บริบทของบริบทที่เกิดขึ้นเป็นเทคนิคการสร้างแบบจำลองบริบทและคุณลักษณะที่ไม่อาจเข้าใจบริบทที่แปรปรวนของพวกเขาแบบไดนามิกAdmin และ trew [ 17 ] เน้นบทบาทของบริบท คุณสมบัติที่สามารถพัวพันกับโมเดลคุณลักษณะทั่วไปและใช้พวกเขาเป็นคำมาคั่นขอบเขตของตัวเลือกของระบบ ( เช่นซอฟต์แวร์ของรถที่กำหนด " เขต " เป็นบริบท คุณสมบัติรวมทางเลือกของรถยนต์ที่แตกต่างกันตามภูมิภาค )บริบทบริบทและไม่คุณลักษณะสามารถแบบแยกหรือภายใต้รูปแบบคุณลักษณะทั่วไป เช่น กลยุทธ์สองแนะนำใน [ 5 ] รูปแบบกลยุทธ์อดีตสองคุณลักษณะแบบแยกต่างหาก ซึ่งแนะนำเบอร์ที่ใหญ่กว่าของ
dependencies ระหว่างบริบทรูปแบบและคุณลักษณะของรูปแบบตัวเลือกของระบบ แต่ส่งเสริมซ้ำและทดแทนสำหรับบริบทที่แตกต่างกันกลยุทธ์ที่สองผสานทั้งแบบที่ต้องใช้ความพยายามมากขึ้นคุณลักษณะแบบซ้อนกันและไม่มีคุณสมบัติในบริบทบริบทหนึ่ง แต่จะช่วยลดจำนวนของการเชื่อมโยงระหว่างทั้งสองประเภทของคุณสมบัติ อย่างไรก็ตาม กลยุทธ์นี้เหมาะกับระบบที่ไม่ต้องเปลี่ยนบทบ่อย ๆการวิเคราะห์สภาพแวดล้อมและบริบทของการจำลอง [ 1 ] เป็นทางเลือกที่ดีเป็นคีย์กลไกที่ขยายโดยทั่วไปคุณลักษณะแบบกิจกรรมและกลายเป็นค่อนข้างเหมาะสำหรับระบบที่ใช้ร่วมกันในโลกไซเบอร์ทางกายภาพข้อมูลจากเซ็นเซอร์บริบททางกายภาพ




บริบทมีโมเดลลิ่ง