HP, IBM, Software AG和TIBCO发布SOA资源仓库规范0.9版

新规范旨在创建统一环境以支持SOA环境的各种技术文档管理,包括设计、开发、运维等阶段。它定义了资源仓库的数据模型,促进工具的通用性和数据共享。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

规范的愿景是创建一个统一的环境来支持:

\
...发布,搜索并检索各种广泛的对客户SOA环境进行描述的技术文档。这包括模式,服务描述,业务流程设计模型,策略文档等等。...[它们]对于一个SOA工件的整个生命周期里许多活动都有帮助,比如设计,组装,质量保证,开发,运维和监控基于SOA的应用和业务流程。
\

该规范的作者将资源仓库作为管理服务生命周期的根基,并预见了它在设计阶段的应用:

\
\
  • 设计者使用集成开发环境(IDE)来产出设计并为服务供应发布一个服务描述(WSDL)和服务产品的模式。\
  • 当开发者的产品所用到的WSDL变更时,资源仓库向服务开发者发出提醒。\
  • 开发业务流程产品的设计者搜索可用的服务并将其用于定义他的业务流程环境。\
  • 设计者基于依赖部件的变更来执行影响分析。\
\

它同样可被用于运行时服务调用:

\
\
  • 开发者可使用包含正确的部件集的资源仓库来测试设计。\
  • 当资源仓库里某个感兴趣的部件发生变更时,设计测试者会得到通知。\
  • 企业服务总线对资源仓库执行动态查询,基于与SOA环境服务部件相关的元数据来决定路由。\
  • 网络管理者在资源仓库里对更新的策略进行编辑和储存。\
  • 根据储存在资源仓库里的策略记录来强制执行自动化工具策略。\
\

最后是服务监控:

\
\
  • 运维管理员在资源仓库里使用关于性能和可用性的最新信息来更新服务元数据。\
  • 业务管理员基于资源仓库里的服务质量信息来决定使用什么服务。\
\

该规范为SOA资源仓库定义了一个公共的数据模型,促进了对公共工具的使用和数据共享。它为数据模型提供了一个丰富的表示并支持语义化的查询。它包括了10个文档:基础文档,Atom绑定文档,Atom绑定模型模式,核心模型模式,策略模型,服务实现模型模式。SOA模型模式,SOAP WSDL模型模式,WSDL模型模式和XSD模型模式。

\

该规范是基于如下的设计原则:

\
\
  • 尽可能的使用现有的标准(例如,XML,XML Schema,OWL,XPath2,APP(Atom发布协议),ASF(Atom聚合协议),等等)。\
  • 厂商中立。\
  • 不要包括治理模型,但可以为其所用。\
  • 由用例所驱动。\
  • 针对新数据类型的数据模型扩展性,支持系统和用户所定义的元数据。\
  • 为数据模型包括一个基于序列化的XML模式。\
  • 使用XPath 2来描述查询语法。\
  • 使用OWL Lite来描述分类系统语法。\
  • 将数据模型与客户用来与资源仓库进行交互的API绑定分离开来。\
\

该规范定义了如下的可储存于资源仓库里的工件:

\
  • 文档工件 - 任何储存在资源仓库中的物理文件。预定义的文档类型(特殊处理)包括,XML模式或WSDL文档等等...\
  • 服务实现模型工件 - 表示服务实现层的工件,比如,服务运营或服务端点。\
  • 派生工件 - 作为发布支持派生模型的文档的结果而自动创建的工件,比如WSDL PortType或策略表示。\
  • SOA模型工件 - 基于Open Group的SOA本体论的工件,提供了SOA环境的概念性表示。\
  • 用户定义的工件模型 - 扩展性的元素,支持创建可互操作的用户定义工件。\

每个工件可以包括三个主要的元数据类型:

\
  • 关系 - 工件之间的联系。\
  • 属性 - 一个工件实例的命名标志(内置的或用户定义的)。\
  • 分类 - 工件的分类学\

新的资源仓库规范相对于UDDI是一个大的飞跃。尽管它为仓储应用引入了许多新的技术和方案,然而看起来它仍然重复了UDDI的一些不足之处:

\
  • 尽管服务注册和服务资源仓库是两个不同的系统,有着不同的受众和不同的架构需求,但它们仍然打包在同一个单一的规范内。\
  • 该规范为技术性受众作出了调整,但却忽略了业务分析师,而他们通常在设计活动中扮演最重要的角色。\

查看英文原文:HP, IBM, Software AG and TIBCO Releases Version 0.9 of the SOA Repository Specification

资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模型文本分类实践的基本原理是,借助大模型自身较强的理解推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包含分类任务介绍及细节、类目概念解释、每个类目对应的例子待分类文本。但实际应用中,类目样本较多易导致prompt过长,影响大模型推理效果,因此可先通过向量检索缩小范围,再由大模型做最终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给大模型决策。 该方法不更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提高准确度,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入大模型。 代码实现上,大模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入大模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响不大;不使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用大模型api打造工具;缺点是上限不高,仅针对一个分类任务部署大模型不划算,推理速度慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值