Analyzing the Evolution of Structural Communities within Microservice Architecture
Diese Arbeit analysiert die Evolution struktureller Gemeinschaften innerhalb einer Microservice-Architektur über sechs Releases des Train-Ticket-Benchmarks mittels zeitlicher Community-Detektion, wobei eine stabile Zwei-Community-Struktur aufgezeigt wird, die mit Geschäftsprozessen übereinstimmt, während gleichzeitig spezifische Services identifiziert werden, die durch Multi-Community-Zugehörigkeit und komplexe Konnektivität Anzeichen von architektonischer Degradation aufweisen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich einen riesigen, belebten Bahnhof vor. In einer perfekten Welt wäre dieser Bahnhof in distinkte, effiziente Teams unterteilt: Ein Team kümmert sich um den Ticketverkauf, ein anderes verwaltet die Sitzplatzreservierungen, ein drittes befasst sich mit den Essenswagen und so weiter. Jedes Team arbeitet eng mit seinen eigenen Mitgliedern zusammen, stört aber die anderen Teams nicht ständig. Dies ist der Idealzustand einer Mikroservice-Architektur – eine Art, Software zu bauen, bei der kleine, unabhängige Programme (Services) zusammenarbeiten, um ein komplexes System zu betreiben.
Mit der Zeit kann dies jedoch unordentlich werden. Teams könnten anfangen, ihre Aufgaben zu vermischen, oder ein Team könnte so überlastet sein, dass es schließlich mit jedem anderen kommuniziert und so einen Verkehrsstau verursacht. In der Welt der Software werden diese Unordnung als „Anti-Patterns“ oder „architektonische Degradation“ bezeichnet.
Die Studie: Beobachtung der Evolution des Bahnhofs
Die Autoren dieser Arbeit, ein Team von Forschern aus Finnland und Dänemark, beschlossen, wie architektonische Detektive vorzugehen. Sie wollten sehen, wie sich der „Bahnhof“ (speziell ein populäres Open-Source-Projekt namens train-ticket) im Laufe von sechs verschiedenen Versionen (Releases) veränderte.
Anstatt nur eine einzelne Momentaufnahme zu betrachten, verwendeten sie eine spezielle Technik namens Temporal Community Detection (Temporale Community-Erkennung). Denken Sie an das Betrachten eines Zeitraffer-Videos des Bahnhofs anstatt nur eines einzelnen Fotos. Sie wollten wissen:
- Bleiben die Teams stabil oder ordnen sie sich ständig neu an?
- Bilden die Teams sich basierend auf dem, was sie tatsächlich tun (wie „Tickets verkaufen“), oder sind sie auf seltsame Weise vermischt?
Die Ergebnisse: Zwei Hauptteams
Nach der Analyse der Verbindungen zwischen den Software-Services fanden die Forscher heraus, dass sich der Bahnhof in einem sehr stabilen Muster aus zwei Haupt-Communities (Teams) gefestigt hatte:
- Das „Blaue Team“ (Ticket-Bewahrung): Diese Gruppe umfasst Services, die für das Speichern von Bestelldetails verantwortlich sind, wie zum Beispiel, zu welchem Bahnhof man fährt und welchen Sitzplatz man gewählt hat. Sie sind diejenigen, die sicherstellen, dass Ihre Ticketdaten sicher in der Datenbank gespeichert werden.
- Das „Orangefarbene Team“ (Bestelländerung): Dieses Team kümmert sich um Änderungen an Ihrer Bestellung. Wenn Sie ein Ticket stornieren, einen Sitzplatz umbuchen oder Ihre Reisepläne ändern müssen, kommt dieses Team ins Spiel.
Die gute Nachricht: Die Aktivitätslevel dieser beiden Teams waren über die verschiedenen Softwareversionen hinweg unglaublich stabil. Es ist wie das Beobachten einer gut geölten Maschine, bei der das Ticket-Team und das Umbuchungs-Team genau das tun, was sie sollen, ohne plötzliche Spitzen an Chaos oder Verwirrung.
Die Wendung: Der „Seat“-Service
Obwohl das Gesamtbild stabil war, fanden die Forscher einen interessanten „Glitch“ (Fehler), der auf ein potenzielles Problem hindeutet.
Es gab einen spezifischen Service namens „seat“ (Sitzplatz), der gleichzeitig zu beiden Teams gehörte.
- Er war Teil des Blauen Teams, weil er hilft, die Sitzplatzinformationen zu speichern.
- Er war Teil des Orangefarbenen Teams, weil er hilft, Sitzplatzinformationen zu ändern oder zu stornieren.
In der Sprache der wissenschaftlichen Arbeit ist dies ein Hinweis auf einen „Wrong Cut“ (falschen Schnitt) oder einen „Knot Service“ (Knoten-Service). Stellen Sie sich vor, die Person, die für den „Verkauf von Sitzplätzen“ zuständig ist, müsste auch persönlich den „Storno von Sitzplätzen“ und die „Änderung von Sitzplätzen“ handhaben, wodurch die Grenzen zwischen den beiden Abteilungen verschwimmen. Während dieser Service notwendige Arbeit leistet, deutet die Tatsache, dass er zwei unterschiedliche Geschäftsprozesse überspannt, darauf hin, dass die Software nicht perfekt getrennt ist. Es ist ein wenig wie ein Kellner, der gleichzeitig Koch und Kassierer ist; es funktioniert, aber es ist nicht die sauberste Trennung der Aufgaben.
Warum das wichtig ist
Die Forscher kamen zu dem Schluss, dass die Architektur für dieses spezifische Projekt recht gesund und stabil ist. Die „Zeitlupen“-Methode, die sie verwendet haben, hat erfolgreich identifiziert, dass sich das System natürlich in logische Geschäftsgruppen organisiert.
Sie stellten jedoch auch fest, dass diese Methode leistungsstark ist, um jene „überschneidenden“ Services (wie den „seat“-Service) aufzuspüren, die darauf hindeuten könnten, dass die Software etwas unordentlich wird. Hätten sie dies auf ein viel größeres, industrielles System angewendet, hätten sie möglicherweise komplexere Muster gefunden, bei denen Teams ihre Aufgaben vermischen, was signalisieren würde, dass die Software eine Bereinigung benötigt.
Kurz gesagt: Die Arbeit zeigt, dass wir durch die Beobachtung, wie Software-Teams über die Zeit interagieren, sehen können, ob das System organisiert bleibt oder ob es zu einem Durcheinander wird. In diesem speziellen Fall ist das System weitgehend gut organisiert, mit nur einem einzigen Service, der ein wenig Doppelleistung erbringt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.