Lauréate prix de thèse 2018


 Gwendal Daniel

 Félicitation à la lauréate 2019 du prix de thèse INFORSID Gwendal Daniel

 

 

Gwendal a été sélectionnée pour sa thèse intitulée « Persistance, RequĂŞtage, et Transformation Efficaces de Grands Modèles »

Mots-clefsIDM - Passage à l'échelle - Requêtage de Modèle - Transformation de Modèle - NoSQL - OCL - Gremlin.

Résumé : L'IngĂ©nierie DirigĂ©e par les Modèles (IDM) est une mĂ©thode de dĂ©veloppement logicielle ayant pour but d’amĂ©liorer la productivitĂ© et la qualitĂ© logicielle en utilisant les modèles comme artefacts de premiers plans durant le processus dĂ©veloppement. Dans cette approche, les modèles sont typiquement utilisĂ©s pour reprĂ©senter des vues abstraites d’un système, manipuler des donnĂ©es, valider des propriĂ©tĂ©s, et sont finalement transformĂ©s en ressources applicatives (code, documentation, tests, etc). Bien que les techniques d’IDM aient montrĂ© des rĂ©sultats positifs lors de leurs intĂ©grations dans des processus industriels, les Ă©tudes montrent que la mise Ă  l’échelle des solutions existantes est un des freins majeurs Ă  l’adoption de l’IDM dans l’industrie. Ces problĂ©matiques sont particulièrement importantes dans le cadre d’approches gĂ©nĂ©ratives, qui nĂ©cessitent des techniques efficaces de stockage, requĂŞtage, et transformation de grands modèles typiquement construits dans un contexte mono-utilisateur. Plusieurs solutions de persistance, requĂŞtage, et transformations basĂ©es sur des bases de donnĂ©es relationnelles ou NoSQL ont Ă©tĂ© proposĂ©es pour amĂ©liorer le passage Ă  l’échelle, mais ces dernières sont souvent basĂ©es sur une seule sĂ©rialisation model/base de donnĂ©es, adaptĂ©e Ă  une activitĂ© de modĂ©lisation particulière, mais peu efficace pour d’autres cas d’utilisation. Par exemple, une sĂ©rialisation en graphe est optimisĂ©e pour calculer des chemins de navigations complexes, mais n’est pas adaptĂ©e pour accĂ©der Ă  des valeurs atomiques de manière rĂ©pĂ©tĂ©e. De plus, les frameworks de modĂ©lisations existants ont Ă©tĂ© initialement dĂ©veloppĂ©s pour gĂ©rer des activitĂ©s simples, et leurs APIs n’ont pas Ă©voluĂ© pour gĂ©rer les modèles de grande taille, limitant les performances des outils actuels. Dans cette thèse nous prĂ©sentons une nouvelle infrastructure de modĂ©lisation ayant pour but de rĂ©soudre les problèmes de passage Ă  l’échelle en proposant (i) un framework de persistance permettant de choisir la reprĂ©sentation bas niveau la plus adaptĂ©e Ă  un cas d’utilisation, (ii) une solution de requĂŞtage efficace qui dĂ©lègue les navigations complexes Ă  la base de donnĂ©es stockant le modèle, bĂ©nĂ©ficiant de ses optimisations bas niveau et amĂ©liorant significativement les performances en terme de temps d’exĂ©cution et consommation mĂ©moire, et (iii) une approche de transformation de modèles qui calcule directement les transformations au niveau de la base de donnĂ©es. Nos solutions sont construites en utilisant des standards OMG tels que UML et OCL, et sont intĂ©grĂ©es dans les solutions de modĂ©lisations majeures telles que ATL ou EMF.


Actualités


Envoyer un message à la communauté


X (anciennement Twitter)

Participer Ă  la diffusion du hashtag
#Inforsid2024

Site web réalisé à partir du template conçu par Séverine Rubin du laboratoire LS2N LS2N