Збір даних для аналітичної діяльності з використанням адаптивної мікросервісної архітектури
DOI:
https://doi.org/10.35681/1560-9189.2021.23.1.235408Ключові слова:
оцінка якості, сценарії аналітичної діяльності, збір інформації, мікросервіс-на архітектура, адаптація, великі даніАнотація
Розглянуто загальну структуру адаптивної підсистеми обробки запитів, як розроблюється в рамках створення інформаційно-аналітичної системи оцінки рівня міжнародної діяльності. В основі побудови системи обробки запитів покладено використання мікросервісної архітектури.
Сучасний розвиток наукової діяльності вимагає всебічного аналізу та її оцінки за різними критеріями в залежності від того, для яких цілей проводиться цей аналізі і які задачі ставляться. Необхідність оцінювати поточну ситуацію і прогнозувати значення показників ефективності на перспективу стає останнім часом дуже важливим при визначенні позицій установ та окремих груп науковців в світі.
Успішного просування в міжнародному освітньому та науковому просторі і підвищення зацікавленості з боку іноземних вчених, викладачів і студентів університетів потребує чіткої оцінки ступені, на якій вони знаходяться міжнародна наукова діяльність організацій, переваги, які роблять привабливими конкретні освітні та наукові організації для отримання спеціальності і проведення досліджень.
Специфіка задач оцінки рівня міжнародної діяльності потребує розробки методів та засобів проектування розподілених інформаційних систем для задач аналітичної діяльності, що спирається на розподілену архітектуру програмного забезпечення для реалізації сценарії аналітичної діяльності та охоплюють значне коло, різноманітних за формою організації та місцями розташування, джерел інформації. Основою для побудови таких інформаційно-аналітичних систем може бути адаптивна мікросервісна архітектура побудови інформаційних систем, яка являє собою комплекс незалежно розгорнутих сервісів.
Розміщення мікросервісів реалізується на розподілений мережі. Розгалужена система хостів тієї мережі, на яких розміщаються мікросервіси, орієнтована на можливість більш ефективного вилученні інформації з конкретного джерела, з якого отримує інформацію мікросервіс. У підсистемі передбачено використання мікросервісів як автономних контейнерів. Кожний з контейнерів призначений для виконання певних операцій по вилученню необхідної інформації з конкретного інформаційного джерела з параметрами , що можуть бути адаптовані під конкретний запит. Для формування та подальшого управління контейнерами передбачається використання платформ Docker та Kubernetes, що дозволяє крім всього контролювати навантаження на кожний хост. Іл.: 2. Бібліогр.: 14 найм.
Посилання
Mihajlov O.V. Kriterii obektivnoj ocenki kachestva nauchnoj dejatelnosti. Vestnik rossijskoj Akademii nauk. ISSN: 0869-5873. 2011. V. 81, Is.7. pp. 622–625
Alex Guazzelli, Michael Zeller, Wen-Ching Lin and Graham Williams PMML: An Open Standard for Sharing Models. URL: https://journal.r-project.org/archive/2009-1/RJournal_2009-1_Guazzelli+et+al.pdf
Kuzminykh V., Koval O., Khaustov D. Using stochastic automation for data consolidation. Research Bulletin of NTUU «KPI». Engineering. 2017. Is. 2. pp. 29–36.
Adinda van Galen, Renata Gilesen. Domashnjaja internacionalizacija: gollandskij podhod. Mezhdunarodnoe vysshee obrazovanie. Russkojazychnaja versija informacionnogo bjulletenja International Higher Education (Bostonskij kolledzh, SShA). 2015. T. 78. S. 16–18.
Dzhamil Salmi. Sozdanie universitetov mirovogo klassa. Mezhdunarodnyj bank rekonstrukcii i razvitija / Vsemirnyj bank, 2009, 134 P.
Archakov A.I., Karpova E.A., Ponomarenko E.A. Mezhdunarodnye kriterii jeffektivnosti nauchno-issledovatelskoj dejatelnosti kollektivov i otdelnyh uchenyh v oblasti biologii i mediciny. URL: https://giduv.com/nauka/mezhdunarodnye-k
Luukkonen Terttu & Tijssen Robert & Persson Olle & Sivertsen Gunnar. (1993). The Measurement of International Scientific Collaboration. Scientometrics. 28. 15–36. 10.1007/BF02016282
Lane J. Let's make science metrics more scientific. Nature. 2010. Is. 464. pp. 488–489.
Nassi-Calo L. Evaluation metrics in science: current status and prospects. Rev. 25 (2865). Latino-Am. Enfermagem. 2017. pp. 25–28.
Shahovskaja N.B., Pasechnik V.V. Hranilishha i prostranstva dannyh/monografija. Lvov: «Lvovskaja politehnika», 2009. 244 P.
Aho A.V., Hopkroft Dzh., Ulman Dzh.D. Struktury dannyh i algoritmy. Moskva: Izd. dom «Viljams», 2019. 400 P.
Belonogov G.G, Bogatyrev V.I. Avtomatizirovannye informacionnye sistemy. Moskva: Sov. radio, 1973. 328 P.
Van Notten Ph. Writing on the wall: scenario development in times of discontinuity.Florida: Boca Raton, 2005. 209 P.
Van Notten Ph. Scenario development: a typology of approaches. Think Scenario. Rethink Education. OECD, 2006. – P. 69–84.
Natan Marc, Dzhejms Uorren. Bolshie dannye: principy i praktika postroenija masshtabiruemyh sistem obrabotki dannyh v realnom vremeni. Moskva: Dialektika-Viljams, 2018. 368 s. ISBN 978-5-907114-02-9
An introduction to the owl web ontology language. URL: http://www.cse.lehigh.edu/~heflin/IntroToOWL.pdf
Kuzminykh V., Koval, O., Voronko M. Standard Analytic Activity Scenarios Optimization based on Subject Area Analysis. CEUR Workshop Proceedings. 2019. Vol. 2577. pp. 37–46. URL: http://ceur-ws.org/Vol-2577/paper4.pdf
Dodonov O.H., Koval O.V., Hloba L.S., Boyko Yu.D. Kompyuterne modelyuvannya informatsiyno-analitychnykh system. Kyiv: IPRI NAN Ukrayiny, 2017. 239 P.
Ford Neal, Parsons Rebecca, Kua Patrick. Building Evolutionary Architectures: Support Constant Change. O'Reilly Media, 2017. 332 P.
Koval O., Kuzminykh V., Otrokh S., and Kravchenko V. Optimization of Scenarios for Collecting Information Streaming Wide-Area Network. 2019. 3rd International Conference on Advanced Information and Communications Technologies (AICT). Lviv, Ukraine, 2019. pp. 213–215. doi: 10.1109/AIACT.2019.8847832.
Richardson Kris. Mikroservisy. Patterny razrabotki i refaktoringa. Sankt-Peterburg: Piter, 2019. 544 P.
Pethuru Raj; Jeeva S. Chelladhurai; Vinod Singh. Learning Docker. Packt Publishing, 2015. 240 P.
Luksha M. Kubernetes v dejstvii / Moskva: DMK Press, 2018. 672 P.
Njumen S. Sozdanie mikroservisov / Sankt-Peterburg: Piter, 2016. 304 P.
Valeriy O. Kuzminykh, Alexander V. Koval, Mark V. Osypenko Methods of Machine Training on the Basis of Stochastic Automatic Devices in the Tasks of Consolidation of Data from Unsealed Sources. CEUR Workshop Proceedings. ISSN: 1613-0073. Vol-2067 urn:nbn:de:0074-2067-8. 2017. pp. 63–68. URL: http://ceur-ws.org/Vol-2067/paper9.pdf
Codd Edgar F. Providing OLAP to User-Analysts: An IT Mandate. Computerworld. Vol. 27, Is. 30.
Rastrigin L.A., Ripa K.K. Avtomatnaja teorija sluchajnogo poiska. Riga: Zinatne (LatAN), 1973. 344 P.
Kuzminykh V.O., Otrokh S.I., Shvets Ye.Yu. Аnalysis of information in the tasks of consolidating from open sources. Telekomunikatsiyni ta informatsiyni tekhnolohiyi. 2018. Is. 1(58). pp. 70–76.
