「参考架构模型」使用ArchiMate的参考企业架构模型

简介: 「参考架构模型」使用ArchiMate的参考企业架构模型

在之前的Marc Lankhorst博客中,参考架构的价值得到了突出体现,包括原因和方式。在这篇博客中,我想深入一点,专注于我们(或我们中的一些人)熟悉的“产品” - 参考模型,使用ArchiMate作为语言。

什么是参考模型?

首先,我们退后一步,并参考参考架构,这些架构被描述为“为特定领域,行业或领域提供参考框架的标准化架构”。

参考模型带来的是一个非常清晰的视图(通常是在页面上)的感兴趣的领域 - 可以重复使用的东西,当然可以调整以适应组织。

参考模型类型的示例:

  • 业务参考模型(或BRM)
  • 技术参考模型(或TRM)
  • 信息参考模型(或IRM)

有许多行业参考模型可供任何人使用,但真正的优势在于将这些模型转化为组织特定的参考模型 - 这些模型可以促进讨论,促进重用,并为其他建筑领域提供可追溯性。

我如何使用ArchiMate表示这一点?

参考模型通常只是PowerPoint幻灯片,Visio图表,甚至是Excel电子表格中的一些填充单元格。这非常适合进行通信,并且可以一次性获取消息。

当我们谈论企业架构时,很少有参考模型被孤立使用 - 我们需要将它们“链接”到其他区域,因此需要使用标准将参考模型元素绑定到 - 例如ArchiMate。

一次又一次出现的问题是 - “我应该使用什么概念来表示这个特定参考模型上的'块'?”

这是一个通常需要花费数天甚至数周讨论的主题领域 - 并且争论它实际上只是违背了使用参考模型的目标,因为,参考 - 我们需要就表示达成一致,然后只是始终如一地使用它!为了建议或回答这个问题,我们确实需要放大相关的参考模型。我将回顾上面提到的三个例子。

业务参考模型

基本上描述了“在页面上的商业”,我们将父母“区域”分解为儿童,然后是孙子等。它应该描述“组织的作用”,这通常提供了一个很大的线索。

对于那些至少具有ArchiMate工作知识的人来说,某种“行为”正在被描述,它本质上应该是“商业性的”。这听起来像商务功能!


Microsoft Industry Reference Architecture for Banking


架构修炼之道:亿级网关、平台开放、分布式、微服务、容错等核心技术修炼实践

¥75.1

购买


技术参考模型

与业务参考模型类似,TRM通常描述“基于页面的基础结构”,但同样在更具功能性的角度 - 它不应该是关于服务器x,y和z,处理器和服务器的细节级别。 技术信息的类型。

考虑到这些要点,我们再次关注基础设施服务和基础设施功能(即行为)。


The Cloud Ecosystem Reference Model

信息参考模型

到目前为止,在上面的两个例子中,我们注意到“行为”概念似乎被使用 - 这通常是一系列参考模型的情况。 毕竟,“结构”概念通常更接近于实施。

IRM描述了组织内部可用的常见“信息”(TM论坛SID就是很好的灵感)。 从正确的角度来看,行为概念的使用并不合适 - 因此我们在逻辑上看待“被动结构”专栏(描述某种“对象”)。

正如ArchiMate的忠实用户所知,可能会决定是否使用Business Objects或Data Objects来表示IRM的元素。 这再次受到解释,但通常像“信息”这样的高级别可能最适合作为业务对象。


The Information Framework (SID)

结论

因此,我们有它。 使用ArchiMate使用参考模型的一些建议。

您可以使用各种ArchiMate概念来表示模型中的元素; 但最重要的一点是要就标准达成一致(并坚持下去),在使用中保持一致,并分享结果!

最后一个结论侧重于向“非技术”利益相关者展示 - 记住,虽然建筑师可以用标准化的ArchiMate表示法创建参考模型(创建有效的关系以执行影响分析等),但没有理由不输出 是不同的(它可以是“通知”类型的观点)。

原文: https://bizzdesign.com/blog/reference-architecture-models-with-archimate/

相关文章
|
1月前
|
机器学习/深度学习 计算机视觉 iOS开发
RT-DETR改进策略【模型轻量化】| 替换骨干网络 CVPR-2024 RepViT 轻量级的Vision Transformers架构
RT-DETR改进策略【模型轻量化】| 替换骨干网络 CVPR-2024 RepViT 轻量级的Vision Transformers架构
53 0
RT-DETR改进策略【模型轻量化】| 替换骨干网络 CVPR-2024 RepViT 轻量级的Vision Transformers架构
|
17天前
|
机器学习/深度学习 算法 安全
用PyTorch从零构建 DeepSeek R1:模型架构和分步训练详解
本文详细介绍了DeepSeek R1模型的构建过程,涵盖从基础模型选型到多阶段训练流程,再到关键技术如强化学习、拒绝采样和知识蒸馏的应用。
171 3
用PyTorch从零构建 DeepSeek R1:模型架构和分步训练详解
|
2天前
|
调度 决策智能 知识图谱
腾讯云大模型知识引擎驱动 DeepSeek 满血版能源革命大模型:架构、优势与产业变革
腾讯云大模型知识引擎驱动的DeepSeek满血版能源革命大模型,融合了超大规模知识、极致计算效能和深度行业理解,具备智能预测、优化调度、设备健康管理和能源安全预警等七大功能模块。该模型通过分布式计算和多模态融合,提供精准的能源市场分析与决策支持,广泛应用于智慧风电场管理、油气田开发、能源市场交易等十大场景,助力能源行业的数字化转型与可持续发展。
|
1月前
|
机器学习/深度学习 算法 文件存储
YOLOv11改进策略【模型轻量化】| MoblieNetV3:基于搜索技术和新颖架构设计的轻量型网络模型
YOLOv11改进策略【模型轻量化】| MoblieNetV3:基于搜索技术和新颖架构设计的轻量型网络模型
115 10
YOLOv11改进策略【模型轻量化】| MoblieNetV3:基于搜索技术和新颖架构设计的轻量型网络模型
|
1月前
|
机器学习/深度学习 算法 文件存储
RT-DETR改进策略【模型轻量化】| MoblieNetV3:基于搜索技术和新颖架构设计的轻量型网络模型
RT-DETR改进策略【模型轻量化】| MoblieNetV3:基于搜索技术和新颖架构设计的轻量型网络模型
38 4
RT-DETR改进策略【模型轻量化】| MoblieNetV3:基于搜索技术和新颖架构设计的轻量型网络模型
|
11天前
|
安全 容灾 网络安全
深度用云——释放企业潜能 | 网络先行——阿里云网络卓越架构白皮书正式发布
深度用云——释放企业潜能 | 网络先行——阿里云网络卓越架构白皮书正式发布
|
2月前
|
自然语言处理 算法 JavaScript
面向长文本的多模型协作摘要架构:多LLM文本摘要方法
多LLM摘要框架通过生成和评估两个步骤处理长文档,支持集中式和分散式两种策略。每个LLM独立生成文本摘要,集中式方法由单一LLM评估并选择最佳摘要,而分散式方法则由多个LLM共同评估,达成共识。论文提出两阶段流程:先分块摘要,再汇总生成最终摘要。实验结果显示,多LLM框架显著优于单LLM基准,性能提升最高达3倍,且仅需少量LLM和一轮生成评估即可获得显著效果。
89 10
面向长文本的多模型协作摘要架构:多LLM文本摘要方法
|
2天前
|
人工智能 运维 监控
领先AI企业经验谈:探究AI分布式推理网络架构实践
当前,AI行业正处于快速发展的关键时期。继DeepSeek大放异彩之后,又一款备受瞩目的AI智能体产品Manus横空出世。Manus具备独立思考、规划和执行复杂任务的能力,其多智能体架构能够自主调用工具。在GAIA基准测试中,Manus的性能超越了OpenAI同层次的大模型,展现出卓越的技术实力。
|
1月前
|
弹性计算 负载均衡 安全
【上云基础系列-02】企业推荐!必学必会的上云标准架构(弹性架构)
本文介绍上云标准弹性架构,针对企业业务发展需求,推荐使用多服务器的弹性架构而非单体架构。方案包含负载均衡、NAT网关、云服务器ECS、云数据库RDS等组件,确保业务的负载分担、冗余备份及平滑扩展。通过统一公网暴露面管理和VPC网络设计,保障架构的稳定性、安全性和可扩展性。该架构适用于中小企业上云,避免性能瓶颈和迭代升级困难,支持业务持续发展。更多内容可参考下方演进说明总览。
|
1月前
|
机器学习/深度学习 计算机视觉 iOS开发
YOLOv11改进策略【模型轻量化】| 替换骨干网络 CVPR-2024 RepViT 轻量级的Vision Transformers架构
YOLOv11改进策略【模型轻量化】| 替换骨干网络 CVPR-2024 RepViT 轻量级的Vision Transformers架构
110 12

热门文章

最新文章