Research on the Application of Machine Learning Techniques to Discover Domain Knowledge in Relational Database Schemas
Stankevičius, Tadas |
Slotkienė, Asta | Recenzentas / Rewiewer |
Darbo gynimo komisijos pirmininkas / Thesis Defence Board Chairman | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member |
Technologinės inovacijos daro reikšmingą poveikį programinės įrangos inžinerijos raidai. Viena iš ryškiausių šiuolaikinių krypčių - mašininis mokymasis. Vis daugiau organizacijų analizuoja galimybes pereiti prie šiuolaikiškesnių sistemų, atsisakant pasenusių technologinių sprendimų. Tarp šiuolaikinių architektūrinių principų ypač svarbus tampa modulinis bei mikroservisais pagrįstas sistemų kūrimo būdas, kuriame dažnai taikomas domenais paremtas dizainas (DDD). Migracijos iš senų sistemų į naujas procesas yra sudėtingas, reikalaujantis išteklių ir planavimo. Šiame darbe siūlomas metodas, skirtas palengvinti migracijos procesą, automatizuojant domenų žinių išgavimą iš reliacinių duomenų bazių struktūrų. Metodas apima penkis pagrindinius etapus: duomenų bazės struktūros transformavimą į grafą, metaduomenų surinkimą, grafo klasterizavimą naudojant atsitiktinio vaikščiojimo algoritmą kartu su gradiento didinimo ir „k-means” optimizavimu, objektų klasifikavimą pagal nustatytas euristikas bei domenų konteksto žemėlapio prototipo generavimą. Tyrime pasitelkti viešai prieinami duomenų rinkiniai ir atlikti eksperimentai parodė metodo veiksmingumą - stabiliai teigiama ARI metrika rodo, kad siūlomas metodas gali būti naudingas domenų identifikavimo užduotyse. Be to, rezultatai atskleidžia potencialą šį metodą taikyti kaip bendrą reliacinių duomenų bazių analizės įrankį.
Technological innovation continues to influence the evolution of software development, with machine learning emerging as a significant driver of change. At the time of this study, an increasing number of companies and organizations are evaluating the transition from legacy systems to more modern alternatives. Among contemporary architectural paradigms, modular and microservice-based system design, often grounded in Domain-Driven Design (DDD), is gaining prominence. However, the migration from legacy systems to new architectures remains a complex and time-intensive undertaking. This thesis proposes a method aimed at facilitating this process by extracting domain knowledge embedded in the relational database structures of legacy systems. The method comprises five primary steps: transforming the database schema into an undirected graph, collecting relevant metadata, clustering the graph using a random walk algorithm enhanced by gradient-boosted k-means optimization, classifying entities according to predefined heuristics, and constructing a prototype domain context map. Empirical evaluation using publicly available datasets demonstrates the efficacy of the proposed approach. The consistently positive Adjusted Rand Index (ARI) scores observed in clustering results indicate the presence of meaningful structural knowledge. Moreover, the findings suggest that the method has broader applicability as a general-purpose tool for the analysis of relational database systems.