https://virgool.io/feed/@m_21101323 fa 2026-06-17 23:32:22 https://static.virgool.io/images/default-avatar.jpg https://virgool.io/@m_21101323 https://virgool.io/@m_21101323/%D8%AC%D8%B3%D8%AA%D8%AC%D9%88%DB%8C-%D8%BA%DB%8C%D8%B1%D9%85%D8%AA%D9%85%D8%B1%DA%A9%D8%B2-%D8%AF%D8%B1-%D8%B4%D8%A8%DA%A9%D9%87-%D9%87%D8%A7%DB%8C-%D9%BE%DB%8C%DA%86%DB%8C%D8%AF%D9%87-%D9%88-%D9%BE%D9%88%DB%8C%D8%A7-ge69be8zuane استاد: دکتر صادق علی‌اکبریدانشجو: مجتبی خانلوشندیدانشکده مهندسی کامپیوتر دانشگاه شهید بهشتی تهرانترم پاییز ۱۴۰۳مقدمهدر دنیای به‌هم‌پیوسته امروزه، شبکه‌ها همه‌جا هستند. از مسیرهای پیچیده اینترنت گرفته تا تعاملات پیچیده سیستم‌های اجتماعی و زیستی، شبکه‌ها ستون فقرات بسیاری از سیستم‌های دنیای واقعی را تشکیل می‌دهند. شبکه‌های پیچیده، به طور خاص، ویژگی‌های توپولوژیکی غیر بدیهی دارند که آنها را از شبکه‌های ساده‌تر متمایز می‌کند [۱، ۳]. در بسیاری از منابع از لفظ شبکه پیچیده برای اطلاق به شبکه استفاده نشده، اما این شبکه ویژگی‌های غیر بدیهی شبکه‌های پیچیده را دارا می‌باشد. مواردی مثل شبکه‌های اجتماعی و شبکه تورنت از جمله مواردی هستند که ویژگی‌های غیر بدیهی و پویایی بالای شبکه‌های پیچیده و پویا را دارا هستند اما در منابع با لفظ شبکه پیچیده مواجه نیستیم. در این بررسی ما این گونه شبکه‌ها را نیز در نظر گرفته‌ایم.چالش جستجو در شبکه پیچیده: یکی از چالش‌های اساسی در این شبکه‌ها، مسئله جستجو است: چالش جستجو در شبکه‌های پیچیده شامل یافتن اطلاعات، منابع یا گره‌های خاص در این شبکه‌ها است [۴]. رویکردهای متمرکز، با تکیه بر ایندکس‌ها یا سرورهای مرکزی، در مواجهه با مقیاس وسیع و تغییرات سریع این شبکه‌ها، ناکارآمد یا حتی غیرقابل اجرا می‌شوند [۴]. از این رو، تمرکز این مطالعه بر جستجوی غیرمتمرکز در شبکه‌های پیچیده است.جستجوی غیرمتمرکز، به فرآیندی اطلاق می‌شود که در آن، گره‌های منفرد، بدون نیاز به یک کنترل‌کننده مرکزی، به صورت محلی و با استفاده از دانش محدود خود از ساختار شبکه و همسایگانشان، به جستجوی اطلاعات یا منابع می‌پردازند. این رویکرد، به ویژه در شبکه‌هایی که به دلیل حجم زیاد و تغییرات گره‌ها به و عدم داشتن دانش سراسری از شبکه غیر عملی است، از اهمیت ویژه‌ای برخوردار است [۵].در این مقاله، پیچیدگی‌های جستجوی غیرمتمرکز در شبکه‌های پیچیده را با تمرکز بر پرسش‌های کلیدی زیر بررسی خواهیم کرد:بدون داشتن یک ایندکس یا سازوکار جستجوی متمرکز چگونه الگوریتم‌های جستجوی غیرمتمرکز می‌توانند به صورت کارآمد با تغییرات پویای شبکه‌های پیچیده سازگار شوند؟ویژگی‌های خاص شبکه، از جمله توزیع درجه، ضریب خوشه‌بندی، ویژگی‌های دنیای کوچک و سایر ویژگی‌های شبکه‌های پیچیده و پویا، چگونه به صورت مجزا و ترکیبی بر عملکرد و مقیاس‌پذیری الگوریتم‌های جستجوی مختلف در شبکه‌های پیچیده تأثیر می‌گذارند؟در طراحی الگوریتم‌های جستجو برای شبکه‌های پیچیده، چه تعادلی بین دقت، سرعت و هزینه وجود دارد، و چگونه می‌توان این هزینه-فایده را بهینه و متناسب با کاربردهای مختلف در دنیای واقعی مدیریت کرد؟با پرداختن به این پرسش‌ها، هدف این مقاله، ارائه یک آشنایی اولیه از چالش‌ها و رویکردهای موجود در زمینه جستجوی غیرمتمرکز در شبکه‌های پیچیده و همچنین بیان چالش‌های موجود و موضوعات باز تحقیقاتی در این باره است.در ادامه بخش اصطلاحات قبلی، توضیحات بیشتر و موارد دیگری برای درک بهتر مفاهیم ارائه می‌شود:مفاهیم پایهگره (Node): واحد اصلی تشکیل دهنده شبکه. گره‌ها می‌توانند نشان دهنده افراد، کامپیوترها، سازمان‌ها و یا هر موجودیت دیگری باشند که در یک شبکه با دیگران در ارتباط هستند.یال (Edge): اتصال بین دو گره در شبکه. یال‌ها نشان دهنده رابطه بین گره‌ها هستند. این روابط می‌توانند جهت‌دار (مانند دنبال کردن یک فرد در شبکه‌های اجتماعی) یا بدون جهت (مانند دوستی بین دو نفر) باشند.درجه (Degree): تعداد یال‌های متصل به یک گره. گره‌های با درجه بالا به عنوان مراکز (Hubs) شناخته می‌شوند و نقش مهمی در شبکه ایفا می‌کنند.مسیر (Path): دنباله‌ای از گره‌ها که با یال‌ها به هم متصل شده‌اند. مسیر نشان می‌دهد که چگونه می‌توان از یک گره به گره دیگر در شبکه رسید.فاصله (Distance): کوتاه‌ترین مسیر بین دو گره در شبکه. فاصله نشان می‌دهد که چقدر دو گره به هم نزدیک هستند.ویژگی‌های شبکه‌های پیچیدهتوزیع درجه قانون توانی (Power-Law Degree Distribution): توزیعی که در آن تعداد کمی از گره‌ها اتصال‌های بسیار زیادی دارند و بیشتر گره‌ها اتصال‌های کمی دارند. این توزیع در شبکه‌های مقیاس-آزاد دیده می‌شود.ضریب خوشه‌بندی بالا (High Clustering Coefficient): نشان می‌دهد که گره‌ها در شبکه تمایل دارند به صورت گروه‌های متراکم به هم متصل شوند. این ویژگی در شبکه‌های اجتماعی و بسیاری از شبکه‌های دیگر دیده می‌شود.ویژگی دنیای کوچک (Small-World Property): ویژگی شبکه‌هایی که در آنها فاصله بین هر دو گره به طور متوسط ​​بسیار کوتاه است، حتی اگر شبکه بسیار بزرگ باشد. این ویژگی باعث می‌شود که جستجو در این شبکه‌ها کارآمد باشد.ویژگی مقیاس-آزاد (Scale-Free Property): ویژگی شبکه‌هایی که توزیع درجه آنها از قانون توانی پیروی می‌کند. این شبکه‌ها دارای مراکزی هستند که اتصال‌های بسیار زیادی دارند و نقش مهمی در عملکرد شبکه ایفا می‌کنند.مفاهیم مرتبط با جستجوالگوریتم جستجوی غیرمتمرکز (Decentralized Search Algorithm): مجموعه‌ای از دستورالعمل‌ها که توسط گره‌های شبکه برای انجام جستجوی غیرمتمرکز دنبال می‌شود. این الگوریتم‌ها باید قادر به پیمایش شبکه و یافتن اطلاعات مورد نظر بدون نیاز به دانش سراسری از ساختار شبکه باشند.جستجوی اول سطح (Breadth-First Search - BFS): یک الگوریتم جستجو که ابتدا گره‌های همسایه گره شروع را بررسی می‌کند و سپس به گره‌های همسایه همسایه‌ها می‌رود.جستجوی عمق اول (Depth-First Search - DFS): یک الگوریتم جستجو که تا جایی که ممکن است در طول یک مسیر پیش می‌رود و سپس به مسیرهای دیگر بازمی‌گردد.الگوریتم تطبیقی (Adaptive Algorithm): الگوریتمی که می‌تواند با تغییر شرایط محیطی، مانند تغییر ساختار شبکه، خود را تطبیق دهد و عملکرد خود را بهبود بخشد.دقت (Accuracy): میزان صحت نتایج جستجو. یک الگوریتم جستجوی دقیق، نتایج صحیح و کامل را برمی‌گرداند.سرعت (Speed): سرعت انجام جستجو. یک الگوریتم جستجوی سریع، نتایج را در کمترین زمان ممکن برمی‌گرداند.هزینه (Cost): منابع مورد نیاز برای انجام جستجو، مانند توان محاسباتی، حافظه و پهنای باند.سایر مفاهیمپویایی شبکه (Network Dynamics): تغییر ساختار شبکه در طول زمان، مانند اضافه یا حذف شدن گره‌ها و یال‌ها.ساختار جامعه (Community Structure): وجود گروه‌های متراکم از گره‌ها در شبکه که به طور ضعیف با سایر گروه‌ها در ارتباط هستند.شبکه‌های علامت‌دار (Signed Networks): شبکه‌هایی که در آنها روابط بین گره‌ها می‌توانند مثبت (مانند دوستی) یا منفی (مانند دشمنی) باشند.همتا (Peer): در یک شبکه غیرمتمرکز، هر گره به عنوان یک همتا شناخته می‌شود و می‌تواند هم نقش مشتری (درخواست کننده اطلاعات) و هم نقش سرور (ارائه دهنده اطلاعات) را ایفا کند. در شبکه‌های همتا به همتا، هیچ گره مرکزی وجود ندارد و همه گره‌ها به طور مساوی در شبکه مشارکت دارند.متودولوژی جمع‌آوری منابع تحقیقبرای یافتن تحقیقات انجام گرفته در این زمینه اقدام به جستجو در ایندکس Scopus و Google Scholar کرده و از کلمات کلیدی "search" و "complex networks" استفاده شد ولی نتایج حاصله امیدوار کننده نبودند و بسیاری از موارد قدیمی و موارد جدیدتر در رابطه با خود مساله جستجو در شبکه پیچیده نبودند و همین مساله یکی از چالش‌هایی است که می‌تواند در تحقیقات دیگری به آن پرداخته و روش‌هایی نوین و جدید مختص به جستجو در شبکه‌های پیچیده و پویا با رویکردهای کلی‌تر ارائه کرد. بنابراین روش جستجوی منابع با استفاده از کلمات کلیدی به جستجو در سایت connected papers و براساس مقالات مشابه تغییر پیدا کرد.در سایت connected papers با جستجوی عبارت "search in complex networks"، یک مقاله انتخاب شده و براساس این مقاله لیستی از مقالات مشابه نمایش داده شده و پس از مطالعه خلاصه مقاله اقدام به انتخاب مقالات مختص و یا مرتبط با جستجو در شبکه‌های پیچیده شد.در حین جستجو به موردی برخوردیم که شایان ذکر است و آن اینکه منابعی بودند که دارای کلمه کلیدی "complex networks" نبودند ولی در رابطه با شبکه‌ای بودند که بسیاری از ویژگی‌های شبکه‌های پیچیده و پویا را داشت، شبکه تورنت و یا شبکه‌های اجتماعی. ما منابعی درباره جستجو در این شبکه‌ها بودند را نیز اضافه کردیم و به طور کلی توصیه می‌کنیم که در جستجوی منابع برای موضوعات مرتبط با شبکه‌های پیچیده این نکته را در نظر بگیرید که الزاما منابع از کلمه کلیدی "complex networks" برای اطلاق به شبکه‌ی مورد نظر خود استفاده نمی‌کنند.بدون داشتن یک ایندکس یا سازوکار جستجوی متمرکز چگونه الگوریتم‌های جستجوی غیرمتمرکز می‌توانند به صورت کارآمد با تغییرات پویای شبکه‌های پیچیده سازگار شوند؟الگوریتم‌های جستجوی غیرمتمرکز برای پیمایش شبکه‌های پیچیده و پویا که دارای پویایی زیاد بوده و تغییرات زیادی رخ می‌دهد و ایجاد یک ایندکس مرکزی غیرعملی است، ضروری هستند. این الگوریتم‌ها باید به طور کارآمد و بدون تکیه بر یک سازوکار مرکزی، بتوانند جستجو را انجام دهند. الگوریتم‌های جستجوی غیرمتمرکز می‌توانند به طور موثر با تغییرات زیاد در شبکه‌های پیچیده بدون نیاز به ایندکس‌های مرکزی سازگار شوند. این امر از طریق به کارگیری راهکارهایی که از اطلاعات محلی و ویژگی‌های شبکه بهره می‌برند، امکان‌پذیر است. در اینجا نحوه عملکرد آن آمده است:مکانیزم‌های جستجوی هوشمند همتا(peer): همتاها [گره‌ها] می‌توانند به طور مستقل تصمیم بگیرند که کدام همتاهای همسایه به احتمال زیاد به یک پرس و جوی مشخص پاسخ می‌دهند. این کار با ایجاد یک پروفایل از همتاهای خود و استفاده از آن برای تصمیم‌گیری در مورد محل ارسال پرس و جو انجام می‌شود. این پروفایل بر اساس رفتار گذشته و اطلاعات جمع‌آوری شده در زمان واقعی ساخته می‌شود. این امر به الگوریتم اجازه می‌دهد تا به خوبی با اندازه شبکه مقیاس‌پذیر شود، زیرا کاملاً توزیع‌شده است [۱].جستجوی اول سطح (BFS) اصلاح‌شده: با گسترش پروتکل‌های فعلی مانند Gnutella، جستجو با کلمات کلیدی و در عین حال به حداقل رساندن تعداد پیام‌های مورد نیاز قابل دستیابی است. این مکانیزم می‌تواند به صورت محلی بر روی هر همتا اجرا شود، که به طور خودکار زیرمجموعه‌ای تصادفی از همسایگان را برای ارسال هر پیام پرس و جو انتخاب می‌کند [۱].بهره‌گیری از ساختار شبکه: استراتژی‌های جستجوی محلی که از ساختار شبکه‌های قانون توانی بهره می‌برند، قابل استفاده هستند. الگوریتم‌هایی که ابتدا گره‌های با اتصال‌ بالا را با استفاده از مکانیزم جستجوی عمق اول جهت‌دار کاوش می‌کنند، می‌توانند موثر باشند [۱].اختلال تصادفی: برای جلوگیری از گیر افتادن پیام‌های جستجو در یک چرخه، یک زیرمجموعه تصادفی کوچک از همتاها می‌تواند به مجموعه بهترین همتاها برای هر پرس و جو اضافه شود. این امر احتمال اینکه مکانیزم بخش بزرگ‌تری از شبکه را کاوش کند و در مورد محتویات همتاهای اضافی اطلاعات کسب کند را افزایش می‌دهد [۱].فشرده‌سازی مسیر: ذخیره اطلاعات مسیرهای مفید برای کاهش مراحل جستجو و جریان پرس و جو می‌تواند کارایی جستجو را بهبود بخشد. با ذخیره مسیرهای بازدید شده در مرحله اولیه هر جستجو، الگوریتم می‌تواند از مسیرهای ذخیره شده برای کاهش مراحل غیرضروری استفاده کند [۲].منطق فازی برای بهینه‌سازی آشیانه: در شبکه‌های اجتماعی پویا، استفاده از بهینه‌سازی جستجوی فاخته با تکنیک‌های فازی‌سازی برای به‌روزرسانی آشیانه میزبان بر اساس مقدار تناسب آن و ویژگی‌های ساختاری گره می‌تواند موثر باشد. استفاده از مرکزیت درجه و مرکزیت نزدیکی به همراه قدرت نفوذ گره‌ها می‌تواند منجر به کشف موثر مجموعه بذر شود [۳].الگوریتم‌های تطبیقی: به کارگیری الگوریتم‌های تطبیقی به اجتناب از روش‌های محاسبه مجدد و اندازه‌گیری مکرر تمام موارد و تغییرات در هر تصویر لحظه‌ای در شبکه‌های اجتماعی آنلاین (OSN) پویا و پیچیده کمک می‌کند. الگوریتم تطبیقی به غلبه بر مشکلاتی مانند داشتن زمان اجرای پرهزینه، به دام افتادن در راه‌حل‌های بهینه محلی و دریافت واکنش‌های مشابه به تغییرات جزئی در جوامع محلی غیرفعال در شبکه‌های اجتماعی آنلاین پویا کمک می‌کند [۴].این رویکردها با تکیه بر تصمیم‌گیری غیرمتمرکز و بهره‌گیری از دانش محلی، امکان سازگاری موثر با تغییرات شبکه را فراهم می‌کنند و در عین حال از هزینه‌ها و انعطاف‌ناپذیری مرتبط با کنترل مرکزی اجتناب می‌کنند.ویژگی‌های خاص شبکه، از جمله توزیع درجه، ضریب خوشه‌بندی، ویژگی دنیای کوچک، ویژگی مقیاس-آزاد و سایر ویژگی‌های شبکه‌های پیچیده و پویا، چگونه به صورت مجزا و ترکیبی بر عملکرد و مقیاس‌پذیری الگوریتم‌های جستجوی مختلف در شبکه‌های پیچیده تأثیر می‌گذارند؟ویژگی‌های خاص شبکه، مانند توزیع درجه، ضریب خوشه‌بندی، ویژگی دنیای کوچک، ویژگی مقیاس-آزاد و درهم‌تنیدگی شبکه، به طور قابل توجهی بر عملکرد و مقیاس‌پذیری الگوریتم‌های جستجو در شبکه‌های پیچیده، هم به صورت جداگانه و هم به صورت جمعی، تأثیر می‌گذارند. درک این تأثیرات برای طراحی استراتژی‌های جستجوی کارآمد متناسب با ساختارهای شبکه خاص بسیار مهم است.توزیع درجه:شبکه‌های مقیاس-آزاد(scale-free): شبکه‌های مقیاس-آزاد، که با توزیع درجه قانون توانی(power-law distribution) مشخص می‌شوند، هم فرصت‌ها و هم چالش‌هایی را ارائه می‌دهند [۳]. الگوریتم‌های جستجو می‌توانند از مراکز (گره‌های با اتصال بالا) که به عنوان نقاط مرکزی برای پیمایش کارآمد عمل می‌کنند، بهره‌مند شوند. به عنوان مثال، الگوریتم‌هایی که جستجو را از طریق گره‌های با درجه بالا اولویت‌بندی می‌کنند، می‌توانند کارایی را بهبود بخشند. با این حال، این مراکز ممکن است زمانی که فرآیندهای جستجوی زیادی به طور همزمان رخ می‌دهند، دچار ازدحام شوند و عملکرد کلی شبکه را محدود کنند [۵].شبکه‌های همگن: در شبکه‌هایی با توزیع درجه یکنواخت‌تر، الگوریتم‌های جستجوگری که از گره‌های درجه بالا به عنوان نقاط مرکزی استفاده می‌کنند، ممکن است کمتر موثر باشند. در چنین مواردی، استراتژی‌های جستجو که به اطلاعات محلی و پیمایش کارآمد متکی هستند، اهمیت بیشتری پیدا می‌کنند [۶].ضریب خوشه‌بندی:خوشه‌بندی بالا(high clustering): خوشه‌بندی بالا، که معمولاً در شبکه‌های اجتماعی دیده می‌شود، می‌تواند جستجوی محلی را چالش‌برانگیز کند. با این حال، الگوریتم‌هایی که از ماهیت همپوشانی گره‌ها در درون جوامع بهره می‌برند، می‌توانند کارایی جستجو را افزایش دهند [۴]. فشرده‌سازی مسیر نیز می‌تواند مفید باشد، زیرا جستجوها از یک گره منبع مشابه به گره‌های دیگر باید در مرحله اولیه جستجو از یک مسیر مشابه عبور کنند [۶].ویژگی‌های دنیای کوچک:جستجو پذیری: شبکه‌های دنیای کوچک با طول مسیر متوسط کوتاه و خوشه‌بندی بالا مشخص می‌شوند که آنها را ذاتاً جستجوپذیر می‌کند. الگوریتم‌های جستجوی غیرمتمرکز که از استراتژی‌های محلی استفاده می‌کنند، می‌توانند به طور کارآمد زنجیره‌های کوتاه را بدون نیاز به دانش سراسری از ساختار شبکه پیدا کنند [۷].درهم‌تنیدگی شبکه:درهم‌تنیدگی راس: مفهوم درهم‌تنیدگی راس، که در آن بازیگران کلیدی در یک شبکه به طور قابل توجهی بر ساختار و عملکرد آن تأثیر می‌گذارند، بر اهمیت شناسایی این رئوس برای جستجوی کارآمد تأکید می‌کند. الگوریتم‌هایی که می‌توانند این گره‌های کلیدی را شناسایی و از آنها بهره ببرند، می‌توانند عملکرد جستجو را بهبود بخشند [۸].چندگانگی:شبکه‌های چندلایه: سناریوهای دنیای واقعی اغلب شامل شبکه‌های چند-رابطه‌ای هستند و تجزیه و تحلیل آنها مستلزم جمع‌آوری اطلاعات در سراسر روابط مختلف است. الگوریتم‌ها باید اهمیت متفاوت انواع مختلف اتصالات را در نظر بگیرند تا از جمع‌آوری‌های گمراه‌کننده اجتناب شود [۹].شبکه‌های پویا:انطباق‌پذیری: شبکه‌های پویا به الگوریتم‌های جستجویی نیاز دارند که بتوانند بدون تکیه بر یک ایندکس مرکزی، با تغییرات در توپولوژی شبکه سازگار شوند [۹]. الگوریتم‌های تطبیقی و استراتژی‌هایی که از دانش محلی استفاده می‌کنند، برای حفظ کارایی جستجو ضروری هستند [۲].ساختار جامعه:کشف جامعه: ساختار جامعه بر کارایی جستجو تأثیر می‌گذارد و الگوریتم‌ها باید به گونه‌ای طراحی شوند که به طور موثر از این ساختار بهره‌برداری یا آن را پیمایش کنند. مفهوم نزدیکی بین گره‌ها در یک شبکه پیچیده می‌تواند برای کشف جامعه بسیار مهم باشد [۷].شبکه‌های علامت‌دار:جوامع قطبی‌شده: در شبکه‌های علامت‌دار، جایی که روابط می‌توانند دوستانه یا خصمانه باشند، الگوریتم‌های جستجو باید اتصالات قطبی‌شده را در نظر بگیرند. جستجوی جامعه قطبی‌شده با هدف یافتن جوامع وابسته به پرس و جو با اتصالات مثبت در داخل و اتصالات منفی بین آنها انجام می‌شود [۱۱].مبادله بین دقت، سرعت و هزینه:بهینه‌سازی: هنگام طراحی الگوریتم‌های جستجو، مبادله‌های اساسی بین دقت، سرعت و هزینه وجود دارد. به عنوان مثال، ساختارهای مرکزی ستاره‌مانند می‌توانند میانگین فاصله جستجو را به حداقل برسانند، اما ممکن است منجر به ازدحام شوند، در حالی که شبکه‌های غیرمتمرکز همگن می‌توانند ازدحام را کاهش دهند اما ممکن است فاصله‌های جستجو را افزایش دهند. کاربرد خاص باید این مبادله‌ها را هدایت کند [۵].به طور خلاصه، تعامل بین این ویژگی‌های شبکه و الگوریتم‌های جستجو، نیاز به الگوریتم‌هایی را برجسته می‌کند که تطبیقی، غیرمتمرکز و قادر به بهره‌برداری از ویژگی‌های خاص شبکه برای دستیابی به عملکرد و مقیاس‌پذیری بهینه باشند [۳، ۱۰].در طراحی الگوریتم‌های جستجو برای شبکه‌های پیچیده، چه بنیادینی بین دقت، سرعت و هزینه وجود دارد، و چگونه می‌توان این هزینه-فایده را بهینه و متناسب با کاربردهای مختلف در دنیای واقعی مدیریت کرد؟در طراحی الگوریتم‌های جستجو برای شبکه‌های پیچیده، مبادله‌های اساسی بین دقت، سرعت و هزینه نیازمند مدیریت دقیق و متناسب با کاربردهای خاص دنیای واقعی است. منابع تاکید می‌کنند که بهینه‌سازی این مبادله‌ها شامل ایجاد تعادل بین ویژگی‌های شبکه و طراحی الگوریتم است [۵، ۸].جنبه‌های کلیدی این مبادله‌ها و مدیریت آنها عبارتند از:دقت در مقابل سرعت:الگوریتم‌های ابتکاری: در حالی که الگوریتم‌هایی مانند جستجوی A* وزن‌دار می‌توانند به طور قابل توجهی سرعت را با استفاده از روش‌های ابتکاری برای هدایت جستجو بهبود بخشند، ممکن است دقت را در مقایسه با الگوریتم‌هایی که مسیرهای بهینه را تضمین می‌کنند، قربانی کنند [۵]. به عنوان مثال، در شبکه‌های جاده‌ای، جستجوی A* وزن‌دار شهرهای بسیار کمتری را نسبت به جستجوی هزینه یکنواخت بازدید کرد، اما هزینه مسیر کمی بالاتر بود [۵].تقریب: در سناریوهایی که سرعت از اهمیت بالایی برخوردار است، جستجوی همسایه نزدیک تقریبی (K-ANNS) با کاهش شرط جستجوی دقیق و اجازه دادن به تعداد کمی خطا استفاده می‌شود. کیفیت یک جستجوی غیردقیق (بازخوانی) به عنوان نسبت بین تعداد همسایه‌های نزدیک واقعی پیدا شده تعریف می‌شود [۱۳].مبادله: انتخاب بین الگوریتم‌هایی که دقت را در اولویت قرار می‌دهند و الگوریتم‌هایی که سرعت را در اولویت قرار می‌دهند، به کاربرد بستگی دارد. برنامه‌هایی که به نتایج بسیار دقیق نیاز دارند ممکن است به جستجوهای کندتر و جامع‌تر نیاز داشته باشند، در حالی که برنامه‌هایی که خطاهای جزئی را تحمل می‌کنند می‌توانند از روش‌های سریع‌تر مبتنی بر ابتکار بهره‌مند شوند [۵].هزینه در مقابل بار شبکه:ساختارهای متمرکز: شبکه‌های متمرکز ستاره‌مانند می‌توانند میانگین فاصله بین گره‌ها را به حداقل برسانند، که برای سرعت جستجو خوب است، اما زمانی که چندین جستجو به طور همزمان رخ می‌دهد، مستعد ازدحام هستند و هزینه‌های مربوط به گره‌های بیش از حد بارگذاری شده را افزایش می‌دهند [۸].ساختارهای غیرمتمرکز: شبکه‌های غیرمتمرکز همگن با توزیع بار در بین گره‌های متعدد، ازدحام را کاهش می‌دهند، اما این امر طول مسیر متوسط را افزایش می‌دهد که می‌تواند فرآیندهای جستجو را کندتر کند.پیچیدگی و مقیاس‌پذیری الگوریتم:الگوریتم‌های مبتنی بر تصویر لحظه‌ای: در حداکثرسازی نفوذ، استفاده از کل گراف برای ارزیابی مجموعه بذر، پیچیدگی الگوریتم را افزایش می‌دهد. الگوریتم‌های مبتنی بر تصویر لحظه‌ای با گرفتن تصاویر لحظه‌ای از گراف، فضای جستجو را کاهش می‌دهند و در نتیجه هزینه‌های محاسباتی را کاهش می‌دهند [۳].فشرده‌سازی مسیر: الگوریتم جستجوی فشرده، اطلاعات مسیرهای مفید را برای کاهش مراحل جستجو و جریان پرس و جو ذخیره می‌کند و سرعت جستجو را بهبود می‌بخشد و هزینه‌ها را کاهش می‌دهد [۹].انطباق‌پذیری در شبکه‌های پویا:برنامه‌ریزی پویا: جستجوی جامعه قابل اعتماد در شبکه‌های پویا از برنامه‌ریزی پویا برای جلوگیری از بررسی نامزدهای نامطلوب جامعه استفاده می‌کند و تعادل بین هزینه محاسباتی و نیاز به اطلاعات به‌روز را برقرار می‌کند [۱۴].الگوریتم‌های آنلاین: الگوریتم‌های جستجوی آنلاین کارآمد، اطلاعات حاشیه‌ای پیش‌پاافتاده را فیلتر می‌کنند تا عملکرد را در حین جستجو برای جوامع قابل اعتماد در شبکه‌های پویا حفظ کنند [۱۴].بهره‌برداری از ویژگی‌های شبکه:شبکه‌های دنیای کوچک: الگوریتم‌های طراحی شده برای شبکه‌های دنیای کوچک از خوشه‌بندی بالا و طول مسیرهای کوتاه آنها برای تسهیل جستجوهای غیرمتمرکز کارآمد بهره می‌برند [۱۵].شبکه‌های مقیاس-آزاد: در شبکه‌های مقیاس-آزاد، الگوریتم‌ها می‌توانند از گره‌های با درجه بالا به عنوان مراکز برای بهبود کارایی جستجو استفاده کنند، اگرچه این امر باید با خطر ازدحام متعادل شود [۸].نمونه‌های کاربرد دنیای واقعی:کشف جامعه: در کشف جامعه، تعیین تعداد بهینه همسایه‌ها (k) شامل ایجاد تعادل بین کارایی محاسباتی و کیفیت راه حل است. برای شبکه‌های کوچک، بهینه‌سازی سراسری بهتر عمل می‌کند، در حالی که برای شبکه‌های بسیار بزرگ، راه‌حل‌های تقریبی نتایج سریع‌تری ارائه می‌دهند [۱۵].شبکه‌های اجتماعی: در شبکه‌های اجتماعی، استراتژی‌های جستجوی محلی با در نظر گرفتن اطلاعات وزن و جهت، کارایی را افزایش می‌دهند، مانند شبکه‌های ایمیل Enron، جایی که اطلاعات وزن‌دار به شدت کارایی جستجو را افزایش می‌دهد [۱].به طور خلاصه، مدیریت موثر مبادله‌ها بین دقت، سرعت و هزینه نیازمند رویکردی ظریف است که ویژگی‌های خاص شبکه و خواسته‌های کاربرد را در نظر بگیرد. الگوریتم‌ها باید تطبیقی، غیرمتمرکز و قادر به بهره‌برداری از ویژگی‌های شبکه برای دستیابی به عملکرد بهینه باشند [۵، ۱۵].نتیجه‌گیریدر این مقاله، به بررسی چالش‌ها و رویکردهای موجود در زمینه جستجوی غیرمتمرکز در شبکه‌های پیچیده پرداختیم. ابتدا به اهمیت جستجوی غیرمتمرکز در شبکه‌های پیچیده و پویایی که دارای پویایی زیاد بوده و تغییرات زیادی رخ می‌دهد و ایجاد یک ایندکس مرکزی غیرعملی است، پرداختیم. سپس به بررسی چگونگی سازگاری الگوریتم‌های جستجوی غیرمتمرکز با تغییرات پویای شبکه‌های پیچیده بدون داشتن یک ایندکس یا سازوکار جستجوی متمرکز پرداختیم و راهکارهایی از جمله مکانیزم‌های جستجوی هوشمند همتا، جستجوی اول سطح اصلاح‌شده، بهره‌گیری از ساختار شبکه، اختلال تصادفی، فشرده‌سازی مسیر و منطق فازی برای بهینه‌سازی آشیانه را مورد بحث قرار دادیم. در ادامه، تأثیر ویژگی‌های خاص شبکه، از جمله توزیع درجه، ضریب خوشه‌بندی، ویژگی دنیای کوچک، ویژگی مقیاس-آزاد و سایر ویژگی‌های شبکه‌های پیچیده و پویا، به صورت مجزا و ترکیبی بر عملکرد و مقیاس‌پذیری الگوریتم‌های جستجوی مختلف در شبکه‌های پیچیده را بررسی کردیم. در نهایت، به مبادله بنیادین بین دقت، سرعت و هزینه در طراحی الگوریتم‌های جستجو برای شبکه‌های پیچیده و چگونگی بهینه‌سازی این هزینه-فایده و مدیریت آن متناسب با کاربردهای مختلف در دنیای واقعی پرداختیم و مواردی از جمله الگوریتم‌های ابتکاری، تقریب، ساختارهای متمرکز و غیرمتمرکز، پیچیدگی و مقیاس‌پذیری الگوریتم، انطباق‌پذیری در شبکه‌های پویا، بهره‌برداری از ویژگی‌های شبکه و نمونه‌های کاربرد دنیای واقعی را مورد بحث قرار دادیم.با بررسی این پرسش‌ها، به درک عمیق‌تری از چالش‌ها و رویکردهای موجود در زمینه جستجوی غیرمتمرکز در شبکه‌های پیچیده دست یافتیم. نتایج این بررسی نشان می‌دهد که طراحی الگوریتم‌های جستجوی کارآمد در شبکه‌های پیچیده، نیازمند توجه به ویژگی‌های خاص شبکه، مبادله بین دقت، سرعت و هزینه، و همچنین توانایی سازگاری با تغییرات پویای شبکه است.امیدواریم که این مقاله، گامی در جهت آشنایی با چالش‌ها و رویکردهای موجود در زمینه جستجوی غیرمتمرکز در شبکه‌های پیچیده باشد و زمینه‌ای را برای تحقیقات آینده در این زمینه فراهم کند.منابع:[1] Kalogeraki, V., Gunopulos, D., & Zeinalipour-Yazti, D. (2002). A local search mechanism for peer-to-peer networks. In Proceedings of the eleventh international conference on Information and knowledge management (pp. 300–307). CIKM02: Eleventh ACM International Conference on Information and Knowledge Management. ACM. 10.1145/584792.584842[2] Shishavan, S. T., & Gharehchopogh, F. S. (2022). An improved cuckoo search optimization algorithm with genetic algorithm for community detection in complex networks. In Multimedia Tools and Applications (Vol. 81, Issue 18, pp. 25205–25231). Springer Science and Business Media LLC. 10.1007/s11042-022-12409-x[3] Kumar Meena, S., Sheshar Singh, S., & Singh, K. (2024). Cuckoo Search Optimization-Based Influence Maximization in Dynamic Social Networks. In ACM Transactions on the Web (Vol. 18, Issue 4, pp. 1–25). Association for Computing Machinery (ACM). 10.1145/3690644[4] Complex Networks & Their Applications XII. (2024). In H. Cherifi, L. M. Rocha, C. Cherifi, & M. Donduran (Eds.), Studies in Computational Intelligence. Springer Nature Switzerland. 10.1007/978-3-031-53503-1[5] De Leo, D., Banuelos, J., & Parvez, I. (2024). An Analysis of Informed Search Algorithms Applied on Road Networks. 2024 Intermountain Engineering, Technology and Computing (IETC), 69-73.[6] Shishavan, S. T., & Gharehchopogh, F. S. (2022). An improved cuckoo search optimization algorithm with genetic algorithm for community detection in complex networks. Multimedia Tools and Applications, 81(18), 25205-25231.[7] Zhong, N., Guo, R., & Li, W. (2009, September). Local search in weighted and directed social networks: The case of enron email networks. In 2009 IEEE/WIC/ACM International Joint Conference on Web Intelligence and Intelligent Agent Technology (Vol. 1, pp. 12-19). IEEE.[8] Arenas, A., Cabrales, A., Díaz-Guilera, A., Guimerà, R., & Vega-Redondo, F. (2003). Search and Congestion in Complex Networks. In Lecture Notes in Physics (pp. 175–194). Springer Berlin Heidelberg. 10.1007/978-3-540-44943-0_11[9] Yuan, Y., Chen, W., Feng, M., & Qu, H. (2013, December). An Improved Search Algorithm Based on Path Compression for Complex Network. In 2013 IEEE 11th International Conference on Dependable, Autonomic and Secure Computing (pp. 308-313). IEEE.[10] Saha, S., & Ghrera, S. P. (2015). Nearest neighbor search in complex network for community detection. arXiv preprint arXiv:1511.07210.[11] Huang, Y., Wang, H., Ren, X. L., & Lü, L. (2024). Identifying key players in complex networks via network entanglement. Communications Physics, 7(1), 19.[12] Yang, F., Ma, H., Yan, C., Li, Z., & Chang, L. (2023). Polarized communities search via co-guided random walk in attributed signed networks. ACM Transactions on Internet Technology, 23(4), 1-22.[13] Malkov, Y. A., & Yashunin, D. A. (2018). Efficient and robust approximate nearest neighbor search using hierarchical navigable small world graphs. IEEE transactions on pattern analysis and machine intelligence, 42(4), 824-836.[14] Tang, Y., Li, J., Haldar, N. A. H., Guan, Z., Xu, J., & Liu, C. (2022). Reliable community search in dynamic networks. arXiv preprint arXiv:2202.01525.[15] Aoyama, K., Saito, K., Yamada, T., & Ueda, N. (2009). Fast similarity search in small-world networks. In Complex Networks: Results of the 2009 International Workshop on Complex Networks (CompleNet 2009) (pp. 185-196). Springer Berlin Heidelberg. Khanel Khanel Fri, 07 Feb 2025 23:26:32 +0330 https://virgool.io/@m_21101323/%D8%AE%D9%84%D8%A7%D8%B5%D9%87-%D9%BE%D9%86%D8%AC-%DA%A9%D9%86%D9%81%D8%A7%D9%86%D8%B3-%D8%AF%D8%B1%D8%A8%D8%A7%D8%B1%D9%87-%D9%85%D8%B9%D9%85%D8%A7%D8%B1%DB%8C-%D9%86%D8%B1%D9%85-%D8%A7%D9%81%D8%B2%D8%A7%D8%B1-qsjxojy04rpv در این پست پنج ارائه‌ای درباره معماری نرم افزار که در کنفرانس‌های معتبر برنامه‌نویسی goto; xconf QCon در سال‌های اخیر برگزار شده است به صورت خلاصه نوشته شده.ارائه اول از آقای Randy Shoup با عنوان Minimum Viable Architecture در کنفرانس goto; سال 2022Minimum Viable Architecture • Randy Shoup • YOW! 2022لینک ویدیوhttps://www.youtube.com/watch?v=9Q7GANXn02k&list=PLEx5khR4g7PJELLTYwXZHcimWAwTUaWGA&index=16&t=2539sآقای شوپ با استناد بر روند رشد و پیشرفت دو شرکت ebay و Amazon راجع به این موضوع حرف می‌رند که ما یک معماری کامل و فراگیر برای کل چرخه حیات یک سیستم نداریم و در هر مرحله بنا به اهداف مربوط به همان مرحله باید یک معماری را انتخاب و براساس آن سیستم نرم افزاری را توسعه دهیم و البته که در مراحل بعدی این معماری تغییر خواهد کرد.مراحل رشد یک سیستم از نظر ایشان یه چهار بازه تقسیم شده که در ادامه به اهداف و معماری هرکدام می‌پردازیممرحله ایده(Idea Phase):در این مرحله هدف یافتن پاسخ مناسب برای نیازهای مشتری در یک فضای پاسخ بسیار بزرگ است و بنابراین معماری ما باید بتواند به سرعت تغییر کرده و براساس این تغییرات پاسخ‌هایی که برای نیاز مشتری ارائه می‌دهد را ارزیابی کنیم. در این مرحله ایشان "معماری پروتوتایپ" را پیشنهاد می‌دهد که براساس یک ساختار مونولیتیک است و فقط برای میل به این هدف کاربرد دارد و در مراحل بعدی باید با یک معماری مناسب جایگزین شود.در این مرحله تنها هدف یافتن پاسخ مناسب برای نیازهای مشتری بوده و بعد از آن مرحله شروع، شروع می‌شودمرحله شروع:پس از اعتبارسنجی محصول و یافتن بازار مناسب برای آن، می توانیم شروع به ایجاد زیرساختی با قابلیت مقیاس‌بندی و قابلیت اعتماد بیشتر کنیم. معماری باید همچنان ساده و قابل تغییر باشد، اما باید بتواند ترافیک و داده های بیشتری را نیز تحمل کند. یک گزینه خوب برای مرحله شروع، ادامه استفاده از معماری مونولیث است، اما در این مرحله باید معماری مونولیتیک را کمی بهبود داده و تا جای ممکن آن را به احزای کوچک‌تری تقسیم کنیم تا تغییر و توسعه آن راحت‌تر شده و در عین حال بتواند به نیازهای مشتریان به خوبی پاسخ دهد. در این مرحله معماری مونولیتیک(ماژولار) برای سیستم بهترین انتخاب است چرا که هم توسعه آن راحت‌تر بوده و هم کارکرد مناسب سیستم در حال حاضر را ارائه می‌دهد.مرحله مقیاس بندی:با افزایش شمار مشتریان سیستم مونولیتیک دیگر نمی‌تواند درخواست‌های بیشتر را پاسخ داده و اصطلاخا توانایی افزایش مقیاس عرضی آن به حد خود می‌رسد. این امر یک نشانه خوب برای شرکت است چرا که نشان‌دهنده رشد بازار شرکت می‌باشد.در این مرحله ما باید اقدام به جایگزینی معماری خود کنیم تا بتوانیم با معماری جدید به درخواست‌های بیشتری پاسخ دهیم و در این مرحله آقای shoup معماری مایکروسرویس را پیشنهاد می‌هد که برای افزایش مقیاس و پاسخ به درخواست‌های زیاد بسیار مناسب است. ایشان همچنین پیشنهاد می‌کنند که روند جایگزین کردن معماری مونولیتیک مرحله به مرحله باشد و ابتدا اجزای مختلفی از سیستم مونولیتیک را از آن جدا کرده و با یک رابط جایگزین کنیم تا عملکرد سیستم همچنان برقرار باشد و در نهایت ما اجزایی خواهیم داشت که هرکدام کار خاصی را به طور مستقل از سایر بخش‌ها انحام می‌دهند و ما آماده خواهیم بود که این اجزا را به مایکروسرویس‌های مستقل تبدیل کنیم. در این مرحله ما نیاز به تیم‌های بیشتری داریم تا هرکدام بتوانند مایکروسرویس خود را توسعه و بهبود دهند.مرحله بهینه سازی:پس از رسیدن به حالت پایدار، می توانیم شروع به بهینه سازی معماری خود برای عملکرد، کارایی و مقرون به صرفه بودن کنیم. در این مرحله سیستم نیاز به توسعه زیادی نداشته و بنابراین تعداد تیم‌ها کاهش پیدا خواهد کرد و تنها هدف افزایش کارایی و رسیدن به معماری پایدار سیستم است.جمع بندی:در این ارائه براساس تجربه شرکت‌های ebay و Amazon دیدیم که یک معماری کلی برای یک شرکت نمی‌توان ارائه داد که در همه مراحل رشد شرکت بهترین معماری باشد و شروع یک سیستم با معماری مونولیتیک انتخابی کاملا اشتباهی نیست و با رشد سیستم باید این معماری را تغییر داده و از مایکروسرویس استفاده کنیم و این تغییر نشانه اشتباه در انتخاب معماری نیست بلکه نشانه رشد شرکت می‌باشد Khanel Khanel Fri, 29 Dec 2023 20:09:00 +0330 https://virgool.io/@m_21101323/%D8%A2%D8%B4%D9%86%D8%A7%DB%8C%DB%8C-%D8%A8%D8%A7-%DA%86%D9%86%D8%AF-%D8%A7%D8%B5%D8%B7%D9%84%D8%A7%D8%AD-%D8%AF%D8%B1-%D9%85%D8%B9%D9%85%D8%A7%D8%B1%DB%8C-%D9%86%D8%B1%D9%85-%D8%A7%D9%81%D8%B2%D8%A7%D8%B1-eczpjwhqnjyk در این نوشته می‌خوایم با ۱۵ تا از اصطلاحات و اسامی که در توسعه نرم‌افزار و به خصوص جنبه های معماری نرم افزار احتمالا برخورد کردیم آشنا بشیم.Modular MonolithicAWSAPI-first ApproachNoSQL DatabasesServerless ArchitectureDomain Driven DesignHexagonal architectureEvent SourcingLow code platformsBusiness Process Management Systems (BPMS)Message QueueContainer orchestrationLog Management ToolsMonitoring toolsStatic Code Analysisتوضیحات بسیار ساده و در حد آشنایی ابتدایی نوشته شده‌اند.Modular Monolithicیک سیستم مونولیتیک ماژولار ترکیبی است از سادگی یک سیستم مونولیتیک و مزیت های یک سیستم ماژولار. این سیستم شامل ماژول هایی میشود که وابستگی کمی به هم داشته و میتوان یک خط مرز معنایی بین ماژول های مختلف کشید.سیستم مونولیتیک ماژولار مزیت هایی نسبت به مونولیتیک معمولی دارد که چند مورد عبارت است از:قابلیت نگهداری بالاتر: به دلیل بخش بندی سیستم به واحد های کوچک‌تر، ساده‌تر و قابل مدیریت تر. و همچنین بخاطر وابستگی کمتر ماژول ها به یکدیگر تغییرات سیستم باعث اثرات دومینویی در سیستم نمی‌شود.کمتر کردن پیچیدگی سیستم: این مورد به همان دلیل بخش بندی سیستم به واحد های کوچک‌تر و ساده‌تر اتفاق می‌افتد و این واحد های کوچک‌تر و ساده‌تر پیچیدگی سیستم را به شدت کاهش میدهند.همچنان باید در نظر داشت که ماژولار شدن یک سیستم مونولیتیک نمی‌تواند به همه مشکلاتی که در سیستم مونولیتیک معمولی وجود داشته پاسخ دهد و مواردی از قبیل افزایش کارایی یا پاسخ به درخواست های بیشتر منوط به تغییرات زیادی در کلیت یک سیستم مونولیتیک است.AWSسرویس های وب آمازون یک زیر مجموعه از شرکت بزرگ آمازون است که به ارائه سرویس های ابری متنوع به شرکت ها و اشخاص میپردازد. گوناگونی این سرویس ها بسیار زیاد بوده و کاربران و افراد مختلف بر حسب نیاز خود می‌توانند از بین خدمات متنوع این شرکت مناسب ترین خدمت را برای خود انتخاب کنند و در صورت لزوم با کمترین هزینه خدمات دریافتی خود را تغییر دهند و مثلا نسبت به افزایش توان محاسباتی آن اقدام کنند. تمام هزینه های این سرویس ها به صورت پیش فرض براساس میزان استفاده است و شرکت ها و کاربران به اندازه‌ای که استفاده کرده‌اند در انتهای دوره، هزینه را پرداخت می‌کنند.آمازون سرویس های مختلفی را بر این بستر ارائه میدهد که چند مورد پراستفاده آنها شامل سرویس های محاسباتی مثل EC2(Elastic compute cloud)، سرویس های ذخیره سازی اطلاعات مثل S3 (Simple Storage Service)، سرویس های پایگاه داده مثل RDB(Relational Database) و... است.امروزه استارتاپ ها و شرکت های بزرگی از سرویس های ابری آمازون استفاده میکنند تا علاوه بر کنترل هزینه ها از مزیت های این شرکت اعم از امنیت بالای این سرویس ها، دسترسی بالای آنها در نقاط مختلف دنیا و قابلیت اتکای بالایی که ارائه میدهد استفاده کنند. چند مورد از این شرکت ها عبارت است از Netflix, Twitch, Adobe.API-first Approachرویکرد API-first یک روش توسعه سیستم نرم افزاری است که در آن APIها در اولویت قرار دارند و قبل از توسعه هرگونه کد چه در سمت کاربر و چه سمت سرور ابتدا و با تمرکز بالا بر نحوه کارکرد سیستم نرم افزاری در کسب و کار شرکت APIهای این سیستم به نحوی طراحی و ساخته میشوند که قابلیت استفاده مجدد بالا و کارکرد بالایی داشته باشند و سپس بر اساس این APIها سایر بخش های نرم افزار توسعه داده میشوند به نحوی که یا عملکرد این APIها را پیاده کنند و یا از این APIها به درستی استفاده کنند.این رویکرد مزیت های زیادی در روند تولید و محصول نهایی دارد از جمله اینکه:پس از ایجاد APIها تیم ها می‌توانند با استقلال زیاد و به صورت هم زمان بخش های نرم افزاری خود را توسعه دهند و نیازی به معطل ماندن تیمی برای اتمام کار تیم دیگر نیست.بخش های نرم افزاری هرکدام مستقل از دیگر بخش هاست و حتی میتواند از زبان، چهارچوب و ابزارهای متفاوتی از سایر بخش ها استفاده کند و فقط کافی است با APIها سازگار باشدمیتوان در این رویکرد حتی بدون پیاده‌سازی واقعی سیستم با استفاده از ابزارهای موجود عملکرد سیستم را شبیه‌سازی کرده و در سریعترین زمان ممکن بازخورد مشتری را دریافت کرد.انعطاف پذیری و استفاده مجدد در بخش های مختلف سیستم در این رویکرد بسیار بالا بوده و میتواند هزینه های تولید سیستم را به شدت کاهش دهد.توسعه نرم افزار در این رویکرد بسیار سریعتر اتفاق افتاده و میتوان نرم افزار نهایی را به سرعت و با اطمینان بالایی به بازار داد.NoSQL Databasesاین پایگاه های داده که به پایگاه داده های غیر رابطه ای نیز شناخته می شوند نوعی پایگاه داده هستند برخلاف پایگاه های داده که اطلاعات را در قالب جدول ها ذخیره می کنند این پایگاه های داده در قالب های دیگری نظیر key-value, Graph و … نگهداری میکنند. این بدان معنی است که آنها از ساختار سطرها و ستون های سنتی پایگاه های داده رابطه ای استفاده نمی کنند. همچنین این پایگاه های داده در حافظه اصلی نگهداری میشوند و ذخیره سازی در حافظه جانبی تحت شرایطی اتفاق می افتد.پایگاه های داده NoSQL به دلیل مزایایی نظیر قابلیت پاسخ دهی به تعداد زیاد تقاضاها (مقیاس پذیری بالا) و تاخیر کمتر نسبت به پایگاه های داده رابطه ای(عملکرد بهتر) به طور فزاینده ای محبوب میشوند اما حتی با مزایای گفته شده نیز ایراداتی به این پایگاه های داده وارد است که اصلی ترین مورد آن برمیگردد به مساله نگهداری در حافظه جانبی که امکان از دست رفتن اطلاعات و یا ناهمگونی اطلاعات را در بر دارد. میتوان داده های این پایگاه های داده را برای ماندگاری به حافظه جانبی انتقال داد ولی این امر ممکن است با تاخیری اتفاق افتاده و داده های حافظه اصلی با داده های حافظه جانبی متفاوت باشد.Serverless Architectureرویکردی در طراحی نرم افزار است که به توسعه دهندگان اجازه می دهد تمرکز خود را بر روی بخش های اصلی عملکردی نرم افزار گذاشته و نحوه مدیریت سرور و استقرار نرم افزار بر روی سرور را تماما بر عهده یک ارائه دهنده سرویس ابری بگذارند.شرکت های بزرگ ابری ابزاری به نام Function as a service (FaaS( ارائه میدهند که به توسعه دهندگان امکان می دهد برنامه های خود را در قالب توابع نوشته و براساس اتفاقاتی نظیر درخواست HTTP این توابع فراخوانی شده و به مشتریان خدمات بدهند. همین امر بسیاری از کارهای مرتبط با توسعه نرم افزار را از عهده توسعه دهندگان خارج کرده و دغدغه این بخش ها برای توسعه دهندگان را از بین میبرد.علاوه بر نحوه فراخوانی براساس اتفاقات شرکت ارائه دهنده این خدمات مسئولیت امنیت و مقیاس بندی سرویس را خود بر عهده دارد و بر حسب نیازهای نرم افزار منابع به صورت خودکار تخصیص می یابد.یکی از دلایل مهمی که شرکت ها را به استفاده از این نوع خدمات سوق میدهد نحوه هزینه کرد این خدمات است که براساس فراخوانی شدن این توابع است و دیگر هزینه هایی مثل منابع سخت افزاری و زیرساختی بر هزینه کلی شرکت ها سربار نمیشود.Domain Driven Designرویکرد توسعه نرم افزار است که در آن تمرکز بر روی اصل کسب و کار موجود بوده و برای آن یک مدل نرم افزاری معادل طراحی می شود تا بتواند عملکردهایی که در کسب و کار اصلی وجود دارد را انجام دهد. این رویه به خصوص برای کسب و کارهای پیچیده می تواند بسیار موثر باشد و پیچیدگی ذاتی آنها را کاهش دهد.در این فرآیند تیم توسعه دهنده نرم افزاری نیازمند ارتباط گرفتن با یک خبره کسب و کار هدف هستند و برای ارتباط موثر و درست هم نیازمند ایجاد یک زبان مشترک هستند تا اصطلاحات و کلمات یکدیگر را درک کنند و در تولید مدل کسب و کار دچار اشتباهاتی از جنس فهم غلط نشوند. همچنین بهتر است از همین زبان مشترک برای نام گذاری مدل کسب و کار و عملکردهای آن استفاده شود.این روش به دلیل ارتباط با یک خبره کسب و کار میتواند در نهایت باعث تولید یک محصول مناسب و قابل اتکا شده و در زمان ورود به بازار نیازهای کسب و کار را به خوبی جواب داده و موفق شود.Hexagonal architectureمعماری شش ضلعی که به معماری پورتها . آداپتورها نیز شناخته میشود یک الگوی طراحی نرم افزار است که هدف آن جداسازی بخش اصلی نرم افزار از وابستگی های خارجی نظیر ارتباط با دیتابیس است و برای هر وابستگی خارجی یک اینترفیس(پورت) تعریف میشود و برای استفاده از این پورت باید این اینترفیس پیاده سازی شده(تعریف آداپتور) و از طریق آن اتصال صورت پذیرد. این معماری به خوبی اصل Dependency Inversion را رعایت میکند و از این بابت ایجاد تغییرات و نگهداری نرم افزار به راحتی انجام می پذیرد.جداسازی بخش های اصلی و اتصال از طریق پورت ها و آداپتورها در راحتی آزمون نرم افزار هم بسیار مفید خواهد بود زیرا عملکرد داخلی نرم افزار وابسته به عملکرد بخش های دیگر نیست و همچنین ارتباط بین هر شش ضلعی فقط از طریق پورت ها و آداپتورها است و میتوان ارتباط خارجی آن را با راحتی بیشتری شبیه سازی کرده و عملکرد شش ضلعی مد نظر را مورد آزمون قرار داد.Event Sourcingمنبع یابی رویداد به رویکردی در توسعه نرم افزار گفته میشود که در آن هر رویدادی که برای نرم افزار می‌افتد و منجر به تغییر وضعیت نرم افزار میشود را در لیستی بر حسب زمان ذخیره کنیم. در این رویکرد اگر رویدادی اتفاق بیفتد که منجر به تغییر وضعیت سیستم شود اطلاعات مربوط به این رویداد به انتهای لیست رویداد ها اضافه میشود و به این صورت علاوه بر داشتن وضعیت حال حاضر نرم افزار میتوان التفاتی که منجر به قرار گرفتن نرم افزار در این وضعیت شده را نیز با استفاده از این لیست دنباله یابی کرد.این رویکرد در حالاتی مثل وضعیتی که سیستم به خطایی برخورد کرده میتواند خیلی مفید باشد لذا می‌توان سلسله اتفاقات منجر شده به این وضعیت را دنبال کرده و اطلاعات آنها را نیز به دست آورده و با آنالیز این اطلاعات خطایابی راحت تر انجام شده و با سرعت بیشتری نرم افزار را اصلاح کرد.Low code platformsاین پلتفرم ها به نوعی ساخته شده اند که کاربرانی که آشنایی بسیار کمی با برنامه نویسی و کدنویسی دارند بتوانند با استفاده از این پلتفرم با کمترین کدزدن برنامه خود را ساخته و در فضای ابری مستقر کنند. استفاده از این پلتفرم ها اکثرا با استفاده از رابط گرافیکی است و کاربران با استفاده از drag and drop و فرم ها و.. اقدام به ساخت نرم افزار میکنند. همچنین این پلتفرم ها تکه کدهای پرتکرار را به صورت از پیش آماده فراهم میکنند تا کاربران بتوانند از آنها مجدد استفاده کنند و در نهایت نیز با استفاده از خود این پلتفرم ها میتوان برنامه ساخته شده را در سرویس های خدمات ابری مستقر کرد.این ابزارها برای برنامه های کوچک و کاربرانی که تجربه کمی در برنامه نویسی دارند بسیار مفید است و امکان برنامه سازی را برای جامعه بسیار بزرگتری فراهم میکنند.Business Process Management Systems (BPMS)سیستم مدیریت فرآیند های کسب و کار یک ابزار نرم افزاری است که به منظور کشف، مدل سازی، تجزیه و تحلیل، اندازه گیری، بهبود و بهینه سازی استراتژی و فرآیندهای کسب و کار استفاده میشود و با این کار شرکت ها میتوانند با استفاده از آن فرآیندهای خود را به نحوی مدیریت کنند که در نهایت باعث افزایش سود کلی شرکت شود.در این سیستم ها فرایندها یعنی مجموعه قدم هایی منجر به به نتیجه رسیدن یک عمل میشود مثل فرآیند خرید یک مشتری که از درخواست اولیه شروع شده و در نهایت به فروخته شدن محصول به مشتری ختم می شود. در این مسیر کارهای مختلفی باید انجام بگیرد که میتواند شامل تایید هویت مشتری پرداخت و در نهایت ارائه محصول باشد و در این بین کارهای بسیار زیاد دیگری نیز ممکن است انجام بگیرد که مدیریت این کارها می تواند عملکرد کلی شرکت در ارائه این خدمات را بهینه تر کم هزینه تر و سودمندتر کند. لذا شرکت های زیادی از این ابزارها استفاده میکنند تا بتوانند عملکرد شرکت را بررسی و در صورت امکان بهینه کنند.Message Queueصف های پیام یک برنامه میانی هستند که بین سرویس های مختلف یک سیستم وظیفه ارتباط را بر عهده میگیردند و با این کار میتوانند استقلال و عدم وابستگی سرویس ها به یکدیگر را افزایش دهند. صف های پیام مزیت های دیگری نیز برای سیستم دارند من جمله اینکه یک سرویس در صورتی که کار خود را انجام داده نیازی ندارد برای از بین نرفتن نتیجه منتظر سرویس بعدی مانده و نتیجه را به آن سرویس تحویل دهد بلکه کافی است نتیجه را در قالب پیام در صف پیام داده و کار خود را بر روی ورودی بعدی شروع کند. علاوه بر این می توان با استفاده از صف های پیام مقیاس پذیری سیستم را افزایش داد به این صورت که چندین سرویس کلون شده که بر روی نوع خاصی از پیام ها کار میکنند هر کدام می توانند پیام های موجود در صف را برداشته سپس پردازش کرده و دوباره نتیجه را در صف قرار دهند.یکی دیگر از مزیت های استفاده از این صف ها این است که میتوان برای پیام های مهمتر اولویت بالاتر تعریف کرده و این صف پیام های با اولویت بالاتر را اول صف قرار داده و این پیام ها زودتر پردازش شوند و حتی پیام های بی اهمیت دور ریخته شده و بار کلی سیستم را در مواقع اضافه بار کاهش دهند.Container orchestrationارکستره کردن کانتینرها فرآیندی است به منظور خودکارسازی استقرار مقیاس بندی و مدیریت برنامه های کانتیری و برای این کار ابزارهای قدرمتندی وجود دارد که معروف ترین آنها درحال حاضر Kubernetes است. توسعه دهندگان با استفاده از این ابزار بدون نیاز به در نظر گرفتن وضعیت زیربنایی کانتینرها میتوانند با ایجاد فایل های پیکربندی که به صورت برنامه نویسی اعلامی (declarative programming) به این ابزار اعلام کرده و این ابزار به طور خودکار با در نظر گرفتن وضعیت سیستم و وضعیت زیربنایی کانتینرها اقدام به اجرای فرآیندهایی در سیستم میکند که در نهایت منجر به نتیجه اعلامی توسعه دهنده شود و از این بابت نیز توسعه دهنده دغدغه نحوه مدیریت کانتینرها و منابع موجود در سرورها را ندارد.Log Management Toolsلاگ های یک سیستم اطلاعات مفیدی هستند بخاطر برنامه نویسی انجام شده توسط توسعه دهندگان به صورت اتوماتیک در زمان اجرای نرم افزار تولید میشود. برای جمع آوری ذخیره آنالیز و حتی بصری کردن این اطلاعات ابزارهای قدرتمندی ساخته شده اند که در حال حاضر معروف ترین اینها سه ابزار هستند به نام های Elasticsearch, Logstash و Kibana هستند که به اختصار به آنها پشته ELK گفته میشود.در صورت تولید لاگ های معنادار و مناسب در حین اجرای سیستم این لاگ ها تداعی کننده عملکرد سیستم هستند و با استفاده از ابزارهای مدیریت لاگ میتوان در زمان خطایابی سیستم بررسی های امنیتی سیستم بررسی و بهبود عملکرد کلی سیستم میتوان اطلاعات مناسب و مد نظر را بازیابی و آنالیز کرد.Monitoring toolsابزارهای مانیتورینگ نرم افزارهایی هستند که به جمع آوری و پردازش معیارهای عملکردی سیستم مثل استفاده از منابع زمان انجام کارها و حتی نرخ خطاهای اتفاق افتاده در سیستم می پردازند. این ابزارها برای بررسی عملکرد سیستم های نرم افزاری لازم هستند و به خوبی می توانند جنبه های کیفی از نرم افزار مثل performance را به خوبی نشان دهد.یکی از معروف ترین این ابزارها که به صورت متن باز است Prometheus نام دارد و علاوه بر جمع آوری اطلاعات لازم و مفید از بخش های مختلف یک سیستم نظیر منابع سیستم اطلاعات نرم افزار معیارهای کانتینر و معیارهای شبکه و… میتواند این اطلاعات را در قالب سری های زمانی ذخیره و با رابط گرافیکی نمایش دهد.ابزارهایی نظیر Prometheus علاوه بر جمع آوری ذخیره و نمایش داده ها میتواند طوری تنظیم شوند که به افراد فنی مرتبط اخطارهایی را که با ایجاد شرایط خاصی در سیستم مثل افزایش پردازش پردازنده ارسال کند.Static Code Analysisابزارهای تحلیل ایستای کد نرم افزارهایی هستند که بدون اجرا، با بررسی های زبانی و سینتکسی کد را از برخی جهات نظیر یافتن ایرادات، مشکلات امنیتی و کدهای مرده بررسی و پیشنهاداتی در جهت اصلاح این ایرادات ارائه دهند. این ابزارها میتواند از اولین لحظات نوشتن کد، آن را بررسی کرده و نسبت به اصلاح ایرادات به وجود آمده از همان لحظات اولیه مفید واقع شده و از تاثیرات دومینویی این ایرادات در سیستم جلوگیری کنند.این ابزارها در عین اینکه هزینه و منابع زیادی برای شرکت نخواهند داشت می‌توانند در تولید یک نرم افزار با کیفیت و قابل نگهداری بسیار مفید باشند. Khanel Khanel Fri, 24 Nov 2023 22:40:00 +0330