业务系统--业务架构转化成为IT应用的中间桥梁

简介:
 
业务系统用于减少和管理业务内相互依赖和交互的复杂关系网。通过定义一组功能来实现该目的,这样,依赖这些功能的业务就不必了解那些功能的执行方式。这样,业务系统与硬件和软件组件的使用方式就相当一致了。业务系统定义一个封装了系统所含结构元素的结构单元,并且该结构单元以这些系统的外在可视属性来表现特征。
 
业务系统由业务流程分析人员用以确定组织内所需的功能是否存在,并确保业务模型会预见到变更或者至少能从变更中复原。业务设计人员使用业务系统来收集相关业务工作者和业务实体,并明确定义和管理组织内的依赖关系。项目经理也使用业务系统来安排并行工作。
 
UML 说明:
 
业务分析模型中的组件,构造型为 <<business system>>。业务系统和 UML 子系统的级别相同,因为它同样是具有封装语义的组件。
 
 
业务系统应该用于通过明确定义每个业务系统提供的功能(或服务),来管理组织内的依赖关系。这意味着业务系统封装了它所包含的元素,这样,其服务用户就不需依赖于它如何提供服务,而依赖于它提供的服务是什么
 
当封装不重要时,可放宽此规则。在这种情况下,业务系统可直接与其他业务系统中包含的元素交互或直接依赖于这些元素。在这种情况下,正式详细指定必须在业务系统边界上提供的概念上的服务就不那么重要,因为就服务用户将要绑定的包含元素而言,最终那些服务是随在业务系统中包含的元素一起提供的。 这种变体将业务系统更多地视为封装(构造)机制,而不是概念。
 
该内容完成时,本质上业务系统在执行期间在是不存在的,也就是说,这和业务操作的情况一样,因为它的概念上的服务由所包含的元素直接提供。既便如此,这也仍然表示带有资源所有权的真正业务组织边界。
 
业务系统设计是否合理的标准:
 
业务系统的名称反映了它在业务中的角色和用途吗  
业务系统提供了一组明确的职责吗  
这些职责与业务系统的角色和用途一致吗  
这些职责之间是相关(逻辑上相关)的吗  
业务系统清楚地将其职责的规范与职责的实现分离了吗  
业务系统之外的任何参与方以某种方式(除了使用预定义的职责之外)与业务系统进行了交互吗  
业务系统直接依赖于其他业务系统内的任何元素吗  
业务系统内的元素以某种方式实现了所有职责吗  
业务系统内部结构的更改对其外界有影响吗  
业务系统的数目看起来合理吗  
       在任何一层都不应超过 12 个。

 

本文转自肖勇 51CTO博客,原文链接:http://blog.51cto.com/xiaoyong/248324 ,如需转载请自行联系原作者

相关文章
|
14天前
|
运维 Cloud Native 持续交付
深入理解云原生架构及其在现代企业中的应用
随着数字化转型的浪潮席卷全球,企业正面临着前所未有的挑战与机遇。云计算技术的迅猛发展,特别是云原生架构的兴起,正在重塑企业的IT基础设施和软件开发模式。本文将深入探讨云原生的核心概念、关键技术以及如何在企业中实施云原生策略,以实现更高效的资源利用和更快的市场响应速度。通过分析云原生架构的优势和面临的挑战,我们将揭示它如何助力企业在激烈的市场竞争中保持领先地位。
|
5天前
|
监控 安全 API
使用PaliGemma2构建多模态目标检测系统:从架构设计到性能优化的技术实践指南
本文详细介绍了PaliGemma2模型的微调流程及其在目标检测任务中的应用。PaliGemma2通过整合SigLIP-So400m视觉编码器与Gemma 2系列语言模型,实现了多模态数据的高效处理。文章涵盖了开发环境构建、数据集预处理、模型初始化与配置、数据加载系统实现、模型微调、推理与评估系统以及性能分析与优化策略等内容。特别强调了计算资源优化、训练过程监控和自动化优化流程的重要性,为机器学习工程师和研究人员提供了系统化的技术方案。
110 77
使用PaliGemma2构建多模态目标检测系统:从架构设计到性能优化的技术实践指南
|
10天前
|
机器学习/深度学习 人工智能 并行计算
【AI系统】Kernel 层架构
推理引擎的Kernel层负责执行底层数学运算,如矩阵乘法、卷积等,直接影响推理速度与效率。它与Runtime层紧密配合,通过算法优化、内存布局调整、汇编优化及调度优化等手段,实现高性能计算。Kernel层针对不同硬件(如CPU、GPU)进行特定优化,支持NEON、AVX、CUDA等技术,确保在多种平台上高效运行。
61 32
|
10天前
|
存储 机器学习/深度学习 人工智能
【AI系统】计算图优化架构
本文介绍了推理引擎转换中的图优化模块,涵盖算子融合、布局转换、算子替换及内存优化等技术,旨在提升模型推理效率。计算图优化技术通过减少计算冗余、提高计算效率和减少内存占用,显著改善模型在资源受限设备上的运行表现。文中详细探讨了离线优化模块面临的挑战及解决方案,包括结构冗余、精度冗余、算法冗余和读写冗余的处理方法。此外,文章还介绍了ONNX Runtime的图优化机制及其在实际应用中的实现,展示了如何通过图优化提高模型推理性能的具体示例。
38 4
【AI系统】计算图优化架构
|
12天前
|
存储 人工智能 监控
【AI系统】推理系统架构
本文深入探讨了AI推理系统架构,特别是以NVIDIA Triton Inference Server为核心,涵盖推理、部署、服务化三大环节。Triton通过高性能、可扩展、多框架支持等特点,提供了一站式的模型服务解决方案。文章还介绍了模型预编排、推理引擎、返回与监控等功能,以及自定义Backend开发和模型生命周期管理的最佳实践,如金丝雀发布和回滚策略,旨在帮助构建高效、可靠的AI应用。
70 15
|
11天前
|
运维 Cloud Native 持续交付
云原生技术深度探索:重塑现代IT架构的无形之力####
本文深入剖析了云原生技术的核心概念、关键技术组件及其对现代IT架构变革的深远影响。通过实例解析,揭示云原生如何促进企业实现敏捷开发、弹性伸缩与成本优化,为数字化转型提供强有力的技术支撑。不同于传统综述,本摘要直接聚焦于云原生技术的价值本质,旨在为读者构建一个宏观且具体的技术蓝图。 ####
存储 人工智能 自然语言处理
43 6
|
12天前
|
机器学习/深度学习 人工智能 API
【AI系统】昇腾异构计算架构 CANN
本文介绍了昇腾 AI 异构计算架构 CANN,涵盖硬件层面的达·芬奇架构和软件层面的全栈支持,旨在提供高性能神经网络计算所需的硬件基础和软件环境。通过多层级架构,CANN 实现了高效的 AI 应用开发与性能优化,支持多种主流 AI 框架,并提供丰富的开发工具和接口,助力开发者快速构建和优化神经网络模型。
29 1
|
15天前
|
机器学习/深度学习 人工智能 前端开发
【AI系统】AI 编译器基本架构
本文承接前文关于AI编译器发展的三个阶段,深入探讨通用AI编译器架构。文章首先回顾现有AI编译器架构,如PyTorch的转换流程及优化策略,然后介绍理想化的通用AI编译器架构,涵盖从前端接收多框架模型输入到后端生成特定硬件代码的全过程。重点解析了编译器的中间表达IR、前端与后端优化技术,以及现有AI编译器全栈产品的层次结构,为读者提供了全面的技术概览。
20 2
|
11天前
|
机器学习/深度学习 人工智能 调度
【AI系统】推理引擎架构
本文详细介绍了推理引擎的基本概念、特点、技术挑战及架构设计。推理引擎作为 AI 系统中的关键组件,负责将训练好的模型部署到实际应用中,实现智能决策和自动化处理。文章首先概述了推理引擎的四大特点:轻量、通用、易用和高效,接着探讨了其面临的三大技术挑战:需求复杂性与程序大小的权衡、算力需求与资源碎片化的矛盾、执行效率与模型精度的双重要求。随后,文章深入分析了推理引擎的整体架构,包括优化阶段的模型转换工具、模型压缩、端侧学习等关键技术,以及运行阶段的调度层、执行层等核心组件。最后,通过具体的开发流程示例,展示了如何使用推理引擎进行模型的加载、配置、数据预处理、推理执行及结果后处理。
31 0