Интеллектуальная система обеспечения миграции посредством динамической десериализации данных

Цель исследования заключается в разработке моделей и алгоритмов системы асинхронной десериализации данных, имеющих различные форматы и структуры, для повышения эффективности определения моделей данных за счет генерации строго типизированных объектов.

Методы. Способ десериализации моделей из данных предполагает построчную декомпозицию строки JSON-файла с определением типов «ключ»-«значение» и с их соотнесением с моделью данных: символом, строкой, числом, булевым значением. После этого веб-контроллер проводит асинхронную генерацию класса и его объектов. Для классификации значений строк применяются классификаторы значений сериализованной строки. Для асинхронной генерации объектов используется система «контрактов» моделей и алгоритмы исполнения и конвертации данных моделей.

Результаты. Разработан десериализатор данных, который состоит из системы четырех контроллеров анализа моделей и алгоритма генерации значений. Простая модель десериализации одной модели позволяет сопоставить модель с заголовками таблицы реляционной базы данных для обеспечения миграции модели между системами. Генерируемые объекты представляются статическими типами данных, что обеспечивает их запись в любую систему СУБД встроенными средствами. Сложная модель представляет блок значений в виде системы различных моделей. Разработано программное обеспечение для подключения исходных и целевых баз данных, которое позволяет проводить процесс миграции данных из созданных моделей. Генерируемые значения представляются в виде полноценных объектов и могут быть использованы для создания веб-интерфейса приложений с возможностью редактировать модели данных и управлять системой моделей.

Заключение. Экспериментальные исследования по десериализации моделей из JSON-строки, содержащих сложные классы моделей, показали среднее значение точности определения типа данных моделей в 92% случаев, в частности при определении типов значений «символ» и «строка». Созданные модели представляются в виде таблицы данных и могут быть использованы для обеспечения миграции данных моделей.

1. Метод классификации рентгенограмм на основе использования глобальной информации об их структуре / Р. А. Томакова, М. В. Томаков, И. В. Дураков, В. В. Жилин // Биомедицинская радиоэлектроника. 2016. № 9. С. 45‒51.

2. Нейронные сети с макрослоями для классификации и прогнозирования патологий сетчатки глаза / Н. А. Кореневский, Р. А. Томакова, С. П. Серегин, А. Ф. Рыбочкин // Медицинская техника. 2013. № 4 (280). С. 16‒18.

3. Нейросетевые модели сегментации ангиограмм глазного дна на основе анализа RGB-кодов пикселей / А. Н. Брежнева, С. А. Борисовский, Р. А. Томакова, С. А. Филист // Системный анализ и управление в биомедицинских системах. 2010. Т. 9, № 1. С. 72‒76.

4. Многослойные морфологические операторы для сегментации сложноструктурируемых растровых полутоновых изображений / С. А. Филист, А. Р. Дабагов, Р. А. Томакова, И. А. Малютина // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2019. Т. 9, № 3 (32). С. 44‒63.

5. Tomakova R. A., Filist S. A., Pykhtin A. I. Automatic Fluorography Segmentation Method Based on Histogram of Brightness Submission in sliding Window // International Journal of Pharmacy and Technology. 2017. Vol. 9, N 1. P. 28220‒28228.

6. Томакова Р. А., Шевцов А. Н. Способ построения телекоммуникационной сети передачи данных с борта воздушного судна на наземный диспетчерский пункт // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2020. Т. 10, № 1. С. 157‒ 173.

7. Shiyi Cao, Salvatore Di Girolamo, Torsten Hoefler. Accelerating Data Serialization / Deserialization Protocols with In-Network Compute // Workshop on Exascale MPI (ExaMPI) Dallas, TX, USA: EEE, 2023. P. 12‒19.

8. Sayar Imen, Bartel Alexandre, Bodden Eric, Le Traon Yves. An In-depth Study of Java Deserialization Remote-Code Execution Exploits and Vulnerabilities // ACM Transactions on Software Engineering and Methodology. 2023. N 1-31. https://doi.org/10.1145/3554732.

9. Juan Antonio Mora-Castillo. Object serialization/deserialization and data transmission with JSON // Revista Tecnología en Marcha. 2016. Vol. 29, is. 1. P. 118‒125. https://doi.org/10.18845/tm.v29il.2544.

10. Huang B., Tang Y. Research on optimization of real-time efficient storage algorithm in data information serialization // PLoS One. 2021. N 16(12). P. e0260697. https://doi.org/10.1371/journal.pone.0260697.

11. Software Architecture: 15th European Conference, ECSA 2021 / ed. by S. Biffl, E. Navarro, W. Löwe, M. Sirjani, R. Mirandola, D. Weyns. Sweden: Virtual Event, 2012. 339 p.

12. Борисовский С. А., Брежнева А. Н., Томакова Р. А. Нейросетевые модели с иерархическим пространством информативных признаков для сегментации плохоструктурированных изображений // Биомедицинская радиоэлектроника. 2010. № 2. С. 49‒53.

13. Фримен Э., Робсон Э., Сьерра К. Паттерны проектирования. СПб.: Питер, 2011. C. 203‒229.

14. Мартин Р. Принципы, шаблоны и методы гибкой разработки на C#. СПб.: Питер, 2019. C. 39‒49.

15. Varanasi B., Bartkov M. Spring REST. Building Java Microservices and Cloud Applications. Apress Berkeley, CA, 2022. 243 p.

16. Sarshfield S. Data Migration Best Practices: Strategies for Successful Data Migration Between Applications. Kindle, 2018. 169 p.

17. Ньюмен С. Создание микросервисов. СПб.: Питер, 2016. 304 с.

18. Software Architecture for Big Data and the Cloud / I. Mistrík, R. Bahsoon, N. Ali, M. Heisel, B. Maxim. Elsevier Science, 2017.

19. Morris J. Data Migration Handbook: Practical Advice for Data Migration Projects. London: BCS The Chartered Institute for IT, 2020. P. 231‒244.

20. Дулан Д. Миграция данных: практическое руководство по эффективному переносу данных. Wembledon, London: BCS Learning & Development Ltd, 2020. P. 301‒312.