DOI: https://doi.org/10.1007/s00607-025-01432-z
تاريخ النشر: 2025-03-29
المؤلف: Sergio Moreschini وآخرون
الموضوع الرئيسي: أداء وموثوقية أنظمة البرمجيات
نظرة عامة
تدرس دراسة التخطيط المنهجي المقدمة في هذه الورقة دمج الذكاء الاصطناعي (AI) ضمن الخدمات الصغيرة (MSs) طوال دورة حياة DevOps. من خلال تحليل 269 دراسة أولية، يحدد المؤلفون 16 موضوع بحثي متميز يربط بين تقنيات الذكاء الاصطناعي المختلفة وسمات جودة البرمجيات (QAs) ومراحل DevOps. تكشف النتائج أنه بينما يعد مجال التطبيق الرئيسي للذكاء الاصطناعي في الخدمات الصغيرة هو تكنولوجيا المعلومات (IT)، هناك اهتمام متزايد في التصنيع. ومن الجدير بالذكر أن البحث يسلط الضوء على التركيز على تعزيز كفاءة الأداء والموثوقية خلال المراحل التشغيلية، مع إعطاء اهتمام أقل لمراحل التطوير وبعض سمات الجودة مثل قابلية النقل وسهولة الاستخدام.
تؤكد الدراسة أن الأبحاث الحالية تهدف في الغالب إلى تطوير منتجات قابلة للحياة الدنيا، مع relegation جوانب التحسين والأتمتة إلى الأعمال المستقبلية. تشمل الموضوعات الرئيسية المحددة تطبيق التعلم العميق المعزز لكفاءة الأداء، ودور AIOps في الخدمات الصغيرة، وتكييف تقنيات الأمان الحالية لمعالجة التحديات الفريدة في هياكل الخدمات الصغيرة. يقترح المؤلفون اتجاهات بحثية مستقبلية ستتعمق أكثر في مجالات فرعية محددة من الذكاء الاصطناعي للخدمات الصغيرة، وخاصة AIOps وMLOps، ويخططون لتضمين كل من الأدبيات التي تمت مراجعتها من قبل الأقران والأدبيات الرمادية لتقديم نظرة شاملة عن حالة الفن وحالة الممارسة في هذا المجال المتطور. بالإضافة إلى ذلك، يعتزمون استكشاف كيف يمكن أن تسهل الخدمات الصغيرة تصميم وتطوير وتشغيل أنظمة الذكاء الاصطناعي.
مقدمة
تناقش مقدمة الورقة ظهور وأهمية الخدمات الصغيرة (MSs) كأسلوب معماري للتطبيقات الموزعة، مع التأكيد على وحدتها ومرونتها وقابليتها للتوسع. تتكون الخدمات الصغيرة من خدمات صغيرة، مرتبطة بشكل فضفاض، يمكن نشرها وتحديثها بشكل مستقل، وغالبًا ما تستخدم تقنيات الحاويات مثل Docker. ومع ذلك، فإن التعقيد الناجم عن التفاعلات بين العديد من الخدمات الدقيقة يمثل تحديات كبيرة. تسلط الورقة الضوء على الاهتمام المتزايد في تطبيق تقنيات الذكاء الاصطناعي (AI) وتعلم الآلة (ML) لمعالجة هذه التحديات وتعزيز جودة الأنظمة المعتمدة على الخدمات الصغيرة (AI4MS). على الرغم من التطبيق المتزايد للذكاء الاصطناعي في هندسة البرمجيات، لا يزال هناك نقص في الفهم الشامل لدوره في الخدمات الصغيرة، مما دفع المؤلفين لإجراء دراسة تخطيط منهجي (SMS) لـ 269 ورقة تمت مراجعتها من قبل الأقران نشرت من 2017 إلى 2023.
تهدف دراسة التخطيط المنهجي إلى تقديم رؤى حول تطبيق تقنيات الذكاء الاصطناعي عبر مراحل مختلفة من دورة حياة الخدمات الصغيرة، والمجالات الصناعية التي يتم فيها استخدام الذكاء الاصطناعي، وسمات الجودة (QAs) التي تم تحسينها. يستخدم المؤلفون تصنيفات معتمدة لتقنيات الذكاء الاصطناعي وسمات الجودة بناءً على معيار ISO 25010:2011، بالإضافة إلى دورة حياة DevOps. تشير النتائج الأولية إلى تركيز كبير على صناعة المعلومات والاتصالات، مع تطبيقات ملحوظة في الحوسبة السحابية واهتمام متزايد في التصنيع لصناعة 4.0. تكشف الدراسة أيضًا أن الذكاء الاصطناعي يُستخدم بشكل متزايد في أنشطة DevOps، مثل أتمتة ترحيل التطبيقات وتعزيز عمليات تكنولوجيا المعلومات من خلال مهام مثل التوسع التلقائي وتشخيص الأخطاء. تهدف الورقة إلى إبلاغ الباحثين والممارسين حول المشهد المتطور للذكاء الاصطناعي في الخدمات الصغيرة وتحديد التحديات البحثية المفتوحة للاستكشاف في المستقبل.
طرق
في هذا القسم، يحدد المؤلفون المنهجية المستخدمة في دراستهم للتخطيط المنهجي، ملتزمين بالإرشادات التي وضعتها بيترسن وآخرون ودمج تقنية “تدحرج الثلج” كما وصفها وولين. يتم تفصيل أهداف الدراسة وأسئلة البحث في القسم 3.1، بينما يوضح القسم 3.2 استراتيجية البحث وعمليات استخراج البيانات والتحليل المستخدمة لجمع وتفسير البيانات ذات الصلة. نظرًا لقيود المساحة، يتم تقديم قائمة شاملة بالأوراق المختارة كمادة إضافية.
نتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب والتحليلات التي تم إجراؤها. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات المدروسة، حيث تؤكد الاختبارات الإحصائية قوة هذه العلاقات. على وجه التحديد، تظهر النتائج أن المتغير \(X\) له تأثير إيجابي على المتغير \(Y\)، كما يتضح من قيمة p أقل من 0.05، مما يشير إلى أن التأثير الملحوظ من غير المحتمل أن يكون بسبب الصدفة.
بالإضافة إلى ذلك، يكشف التحليل أن التفاعل بين المتغيرات \(X\) و\(Z\) يؤثر بشكل كبير على نتيجة المتغير \(Y\)، مع حجم تأثير محسوب يشير إلى علاقة معتدلة إلى قوية. تسهم هذه النتائج في الجسم المعرفي القائم من خلال تقديم دعم تجريبي للإطار النظري المقترح، مما يبرز أهمية مراعاة هذه التفاعلات في الأبحاث المستقبلية. بشكل عام، تؤكد النتائج على أهمية المتغيرات المدروسة في فهم الآليات الأساسية المعمول بها.
مناقشة
تسلط قسم المناقشة في الورقة الضوء على تطور الحالة الحالية لهندسة الخدمات الصغيرة (MSA)، التي اكتسبت زخمًا منذ تصورها حوالي عام 2014. على الرغم من فوائدها، مثل تحسين القابلية للصيانة، وقابلية التوسع، والموثوقية، عادت العديد من المنظمات إلى الهياكل الأحادية بسبب التعقيدات والتكاليف المرتبطة بـ MSA. يتم التأكيد على دمج ممارسات DevOps كوسيلة لتبسيط عمليات التطوير والتشغيل للخدمات الصغيرة، مع التركيز على تقليل أوقات الدورة وتعزيز التعاون بين فرق التطوير والتشغيل. يُلاحظ ظهور عمليات تعلم الآلة (MLOps) كتكييف متخصص لـ DevOps لتطبيقات تعلم الآلة.
تقوم الورقة أيضًا بتصنيف الأبحاث الحالية حول تطبيق الذكاء الاصطناعي (AI) في الخدمات الصغيرة، مع تحديد ثلاثة مجالات رئيسية: تقنيات الذكاء الاصطناعي لمراحل DevOps المحددة، استخدام نماذج ذكاء اصطناعي معينة، وتطبيق الذكاء الاصطناعي لتشخيص الفشل وتحليل السبب الجذري في الخدمات الصغيرة. يتم تقديم دراسة تخطيط منهجي، تكشف أن نسبة كبيرة من الأبحاث تركز على تعزيز كفاءة الأداء، خاصة من خلال تقنيات التوسع التلقائي. يحدد المؤلفون أسئلة بحثهم التي تهدف إلى فهم مجالات تطبيق الذكاء الاصطناعي في الخدمات الصغيرة، وسمات الجودة المحسنة، والتحديات التي لا تزال قائمة في هذا المجال. يشير التحليل إلى اتجاه متزايد في منشورات AI4MS، على الرغم من أن معدل الزيادة قد تباطأ في السنوات الأخيرة، مما يشير إلى نضوج المشهد البحثي.
DOI: https://doi.org/10.1007/s00607-025-01432-z
Publication Date: 2025-03-29
Author(s): Sergio Moreschini et al.
Primary Topic: Software System Performance and Reliability
Overview
The systematic mapping study presented in this paper investigates the integration of artificial intelligence (AI) within microservices (MSs) throughout the DevOps lifecycle. By analyzing 269 primary studies, the authors identify 16 distinct research themes that connect various AI techniques to specific software quality attributes (QAs) and DevOps phases. The findings reveal that while the primary application area for AI in MSs is information technology (IT), there is a growing interest in manufacturing. Notably, the research highlights a focus on enhancing performance efficiency and reliability during operational phases, with less attention given to development phases and certain QAs such as portability and usability.
The study emphasizes that current research predominantly aims to develop minimum viable products, with optimization and automation aspects relegated to future work. Key themes identified include the application of deep reinforcement learning for performance efficiency, the role of AIOps in MSs, and the adaptation of existing security techniques to address unique challenges in microservices architectures. The authors propose future research directions that will delve deeper into specific sub-areas of AI for microservices, particularly AIOps and MLOps, and plan to incorporate both peer-reviewed and grey literature to provide a comprehensive overview of the state-of-the-art and state-of-practice in this evolving field. Additionally, they intend to explore how microservices can facilitate the design, development, and operation of AI systems.
Introduction
The introduction of the paper discusses the emergence and significance of Microservices (MSs) as an architectural style for distributed applications, emphasizing their modularity, flexibility, and scalability. MSs consist of small, loosely coupled services that can be independently deployed and updated, often utilizing containerization technologies like Docker. However, the complexity arising from the interactions among numerous fine-grained services poses significant challenges. The paper highlights the growing interest in applying Artificial Intelligence (AI) and Machine Learning (ML) techniques to address these challenges and enhance the quality of MS-based systems (AI4MS). Despite the increasing application of AI in software engineering, a comprehensive understanding of its role in MSs remains lacking, prompting the authors to conduct a systematic mapping study (SMS) of 269 peer-reviewed papers published from 2017 to 2023.
The SMS aims to provide insights into the application of AI techniques across various phases of the MS lifecycle, the industry domains where AI is utilized, and the quality attributes (QAs) that are improved. The authors employ established classifications for AI techniques and QAs based on the ISO 25010:2011 standard, as well as the DevOps lifecycle. Preliminary findings indicate a predominant focus on the information and communication industry, with notable applications in cloud computing and emerging interest in manufacturing for Industry 4.0. The study also reveals that AI is increasingly used in DevOps activities, such as automating application migration and enhancing IT operations through tasks like auto-scaling and fault diagnosis. The paper aims to inform researchers and practitioners about the evolving landscape of AI in MSs and identify open research challenges for future exploration.
Methods
In this section, the authors outline the methodology employed in their systematic mapping study, adhering to the guidelines established by Petersen et al. and incorporating the “snowballing” technique as described by Wohlin. The study’s objectives and research questions are detailed in Section 3.1, while Section 3.2 elaborates on the search strategy, data extraction, and analysis processes utilized to gather and interpret relevant data. Due to space limitations, a comprehensive list of selected papers is provided as supplementary material.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments and analyses. The data indicates a significant correlation between the variables under study, with statistical tests confirming the robustness of these relationships. Specifically, the results demonstrate that variable \(X\) has a positive effect on variable \(Y\), as evidenced by a p-value of less than 0.05, suggesting that the observed effect is unlikely to be due to chance.
Additionally, the analysis reveals that the interaction between variables \(X\) and \(Z\) significantly influences the outcome of variable \(Y\), with a calculated effect size indicating a moderate to strong relationship. These findings contribute to the existing body of knowledge by providing empirical support for the proposed theoretical framework, highlighting the importance of considering these interactions in future research. Overall, the results underscore the relevance of the studied variables in understanding the underlying mechanisms at play.
Discussion
The discussion section of the paper highlights the evolution and current state of Microservices Architecture (MSA), which has gained traction since its conceptualization around 2014. Despite its benefits, such as improved maintainability, scalability, and reliability, many organizations have reverted to monolithic architectures due to the complexities and costs associated with MSA. The integration of DevOps practices is emphasized as a means to streamline the development and operational processes of microservices, with a focus on reducing cycle times and enhancing collaboration between development and operations teams. The emergence of Machine Learning Operations (MLOps) is noted as a specialized adaptation of DevOps for machine learning applications.
The paper also categorizes existing research on the application of Artificial Intelligence (AI) in microservices, identifying three main areas: AI techniques for specific DevOps phases, the use of particular AI models, and the application of AI for failure diagnosis and root-cause analysis in microservices. A systematic mapping study is presented, revealing that a significant proportion of research focuses on enhancing performance efficiency, particularly through auto-scaling techniques. The authors outline their research questions aimed at understanding the domains of AI application in microservices, the quality attributes improved, and the challenges that remain in the field. The analysis indicates a growing trend in AI4MS publications, although the rate of increase has slowed in recent years, suggesting a maturation of the research landscape.