http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
박성옥(Sung-Og Park),노경주(Kyoung-Ju Noh),이문근(Moon-Kun Lee) 한국정보과학회 1999 정보과학회논문지(B) Vol.26 No.12
본 논문은 절차 중심 소프트웨어를 객체 지향 소프트웨어로 재/역공학하기 위한 다단계 절차 중 첫 절차인 객체 추출 절차에 대하여 기술한다. 사용한 객체 추출 방법은 전처리, 기본 분할 및 결합, 정제 결합, 결정 및 통합의 다섯 단계로 이루어진다 : 1) 전처리 과정에서는 객체 추출을 위한 FTV(Function, Type, Variable) 그래프를 생성/분할 및 클러스터링하고, 2) 기본 분할 및 결합 단계에서는 다중 객체 추출을 위한 그래프를 생성하고 생성된 그래프의 정적 객체를 추출하며, 3) 정제 결합 단계에서는 동적 객체를 추출하며, 4) 결정 단계에서는 영역 모델링과 다중 객체 후보군과의 유사도를 측정하여 영역 전문가가 하나의 최적합 후보를 선택할 수 있는 측정 결과를 제시하며, 5) 통합 단계에서는 전처리 과정에서 분리된 그래프가 여러 개 존재할 경우 각각의 처리된 그래플 통합한다. 본 논문에서는 클러스터링 순서가 고정된 결정론적 방법을 사용하였으며, 가능한 경우의 수에 따른 다중 객체 후보, 객관적이고 의미가 있는 객체 추출 방법으로의 정제와 결정, 영역 모델링을 통한 의미적 관점에 기초한 방법 등을 사용한다. 이러한 방법을 사용함으로써 전문가는 객체 추출 단계에서 좀더 다양하고 객관적인 선택을 할 수 있다. This paper presents an object extraction process, which is the first phase of a methodology to transform procedural software to object-oriented software. The process consists of five steps: the preliminary, basic clustering & inclusion, refinement, decision and integration. In the preliminary step, FTV(Function, Type, Variable) graph for object extraction is created, divided and clustered. In the clustering & inclusion step, multiple graphs for static object candidate groups are generated. In the refinement step, each graph is refined to determine dynamic object candidate groups. In the decision step, the best candidate group is determined based on the highest similarity to class group modeled from domain engineering. In the final step, the best group is integrated with the domain model. The paper presents a new clustering method based on static clustering steps, possible object candidate grouping cases based on abstraction concept, a new refinement algorithm, a similarity algorithm for multiple n object and m classes, etc. This process provides reengineering experts an comprehensive and integrated environment to select the best or optimal object candidates.
박성옥(Sung-Og Park),이문근(Mun-Kun Lee) 한국정보과학회 2000 한국정보과학회 학술발표논문집 Vol.27 No.2Ⅰ
절차지향 프로그램으로부터 객체지향 프로그램으로 재공학 과정은 여러 단계를 거친다. 재공학은 객체 추출, 클래스 추출, 상속성 추출, 지속성 추출, 코드생성, 테스트등의 과정을 거친다. 변환 과정을 정당화하기 위해 테스트 단계에서 두 프로그램의 의미적 동일성이 검증되어야 한다. 이러한 검증과정이 없이는 변환이 무의미하다. 본 논문에서는 두 프로그램의 의미적 동일성의 의미와 검증에 대한 방법론을 제안한다.
정양재(Yang-jae jeong),박성옥(Sung-og Park),이문근(Moon-kun Lee) 한국정보과학회 2000 한국정보과학회 학술발표논문집 Vol.27 No.1A
다양한 실행경로가 존재하는 실시간 시스템을 이해하기 위해 정적 정보와 함께 동적 정보의 이해가 필요하다. 본 논문은 매개언어 SRL을 사용하여 정적 정보와 동적 정보를 모두 표현할 수 있는 방법을 제안했다. SRL을 통해 표현된 정적 정보와 동적 정보를 많은 시스템 이해 도구에 사용될 수 있다. 또한 동적 정보를 얻기 위한 방법으로 실제 시스템이 아닌 가상기계를 통한 가상실행을 수행함으로 안전성이 중요한 시스템을 검증이전에 위험부담 없이 검사할 수 있다.
절차지향 SW로부터의 클래스와 상속성 추출에 관한 연구
최정란(Joeng-ran Choi),박성옥(Sung-og Park),이문근(Moon-kun Lee) 한국정보과학회 2000 한국정보과학회 학술발표논문집 Vol.27 No.1A
절차지향 SW를 객체지향 SW로 변환하면 SW 유지 · 보수 비용을 수 절감할 수 있으며, 시스템에 새로운 요구를 수용할 수 있게 되는 등 많은 장점을 가지게 된다. 본 논문은 객체지향 SW로 변환과정 중 필요한 클래스와 상속성 추출 방법을 제안하였다. 클래스와 상속성 추출 때 관계를 고려한 의미적인 방법을 제시하였으며 영역 모델과의 비교시 의미적이며 통계적인 방법을 사용하였다. 논문에서 제안한 방법을 사용함으로써 영역 전문가에게 다양한 선택 기회를 제공할 수 있어 의미 있는 코드 생성에 도움을 줄 수 있다.
절차지향 소프트웨어로부터 클래스와 상속성 추출 (pp.612-628)
최정란(Jeong-ran Choi),박성옥(Sung-og Park),이문근(Moon-kun Lee) 한국정보과학회 2001 정보과학회논문지 : 소프트웨어 및 응용 Vol.28 No.9
본 논문은 절차지향 소프트웨어로부터 클래스와 상속성을 추출하기 위한 방법론을 제안한다. 본 논문에서 제안한 방법론은 모든 경우의 객체 후보군으로부터 정의된 클래스 후보군과 그들의 상속성을 생성하여 클래스 후보군과 영역 모델 사이의 관계성과 유사 정도를 가지고 최고 또는 최적의 클래스 후보군을 선택하는데 초점을 둔다. 클래스와 상속성 추출 방법론은 다음과 같은 두드러진 특징을 가지고 있다: 정적(속성)과 동적(메소드)인 클러스터링 방법을 사용하고, 클래스 후보군의 경우는 추상화에 초점을 두며, m개의 클래스 후보군과 n개의 클래스 후보 사이의 상속 관계의 유사도 측정 즉, 2차원적 유사도 측정은 m개의 클래스 후보와 n개의 클래스 후보 사이의 전체 그룹에 대한 유사도를 구하는 수평적 측정과 클래스 후보군들에서 상속성을 가진 클래스의 집합과 영역 모델에서 같은 클래스 상속성을 가진 클래스 집합 사이의 유사도를 위한 수직적 측정방법이 있다. 이러한 방법론은 최고 또는 최적의 클래스 후보군을 선택하기 위해 재공학 전문가에게 광범위하고 통합적인 환경을 제시하고 있다. This paper presents a methodology to extract classes and inheritance relations from procedural software. The methodology is based on the idea of generating all groups of class candidates, based on the combinatorial groups of object candidates, and their inheritance with all possible combinations and selecting a group with the best or optimal combination of candidates with respect to the degree of relativity and similarity between class candidates in the group and classes in a domain model. The methodology has innovative features in class and inheritance extraction: a clustering method based on both static (attribute) and dynamic (method) clustering, the combinatorial cases of grouping class candidate cases based on abstraction, a signature similarity measurement for inheritance relations among n class candidates or m classes, two-dimensional similarity measurement, that is, the horizontal measurement for overall group similarity between n class candidates and m classes, and the vertical measurement for specific similarity between a set of classes in a group of class candidates and a set of classes with the same class hierarchy in a domain model, etc. This methodology provides reengineering experts with a comprehensive and integrated environment to select the best or optimal group of class candidates.