TU Darmstadt / ULB / TUbiblio

Incremental Model Synchronization with Precedence-Driven Triple Graph Grammars

Lauder, Marius (2012)
Incremental Model Synchronization with Precedence-Driven Triple Graph Grammars.
Technische Universität Darmstadt
Dissertation, Erstveröffentlichung

Kurzbeschreibung (Abstract)

Triple Graph Grammars (TGGs) are a rule-based technique with a formal background for specifying bidirectional model transformation and, hence, can be applied to transform a given model into another and vice versa. In practice, models are either created from scratch by using a single input model, or incrementally synchronized by propagating changes between integrated models.

The outstanding property of incremental model synchronization is that in average only small portions of the whole model have to be retransformed as mostly only a subset of a model has been changed.

Hence, we have the opportunity to (i) improve efficiency of model transformations and (ii) to retain as much information as possible. Regarding information preserving capabilities, this offers the chance to qualitatively improve the results of model transformations. This is because additional model content (e.g., model elements or user specific decision during the actual transformation process), which is not covered by the model transformation itself, will be mostly retained.

In practical scenarios, unidirectional rules for incremental forward and incremental backward transformation are automatically derived from the specified TGG rules, and the overall transformation process is governed by a control algorithm. Current incremental approaches either have a runtime complexity that depends on the size of related models and not on the number of changes and their affected elements, or do not pursue formalization to give reliable predictions regarding the expected results, or impose such restrictions on the language of TGGs that the remaining expressiveness is not capable of certain real-world scenarios.

For these reasons, the aim of this thesis is to develop a novel approach to incremental model synchronization with TGGs that (i) is efficient regarding the number of changes, (ii) retains as much information as possible, (iii) complies with important formal properties, and (iv) is expressive enough for real-world scenarios.

Therefore, we introduce an incremental model synchronization algorithm for TGGs, which employs a static analysis on TGG specifications to efficiently determine the range of influence of model changes at runtime and, thus, to regard only these elements for synchronization.

Together with further improvements and critical discussions we will be able to show that this approach is a suitable means for complex model synchronization tasks.

Typ des Eintrags: Dissertation
Erschienen: 2012
Autor(en): Lauder, Marius
Art des Eintrags: Erstveröffentlichung
Titel: Incremental Model Synchronization with Precedence-Driven Triple Graph Grammars
Sprache: Englisch
Referenten: Schürr, Prof. Dr. Andy ; Giese, Prof. Dr. Holger
Publikationsjahr: 28 November 2012
Ort: Darmstadt
Datum der mündlichen Prüfung: 11 Februar 2013
URL / URN: http://tuprints.ulb.tu-darmstadt.de/3352
Kurzbeschreibung (Abstract):

Triple Graph Grammars (TGGs) are a rule-based technique with a formal background for specifying bidirectional model transformation and, hence, can be applied to transform a given model into another and vice versa. In practice, models are either created from scratch by using a single input model, or incrementally synchronized by propagating changes between integrated models.

The outstanding property of incremental model synchronization is that in average only small portions of the whole model have to be retransformed as mostly only a subset of a model has been changed.

Hence, we have the opportunity to (i) improve efficiency of model transformations and (ii) to retain as much information as possible. Regarding information preserving capabilities, this offers the chance to qualitatively improve the results of model transformations. This is because additional model content (e.g., model elements or user specific decision during the actual transformation process), which is not covered by the model transformation itself, will be mostly retained.

In practical scenarios, unidirectional rules for incremental forward and incremental backward transformation are automatically derived from the specified TGG rules, and the overall transformation process is governed by a control algorithm. Current incremental approaches either have a runtime complexity that depends on the size of related models and not on the number of changes and their affected elements, or do not pursue formalization to give reliable predictions regarding the expected results, or impose such restrictions on the language of TGGs that the remaining expressiveness is not capable of certain real-world scenarios.

For these reasons, the aim of this thesis is to develop a novel approach to incremental model synchronization with TGGs that (i) is efficient regarding the number of changes, (ii) retains as much information as possible, (iii) complies with important formal properties, and (iv) is expressive enough for real-world scenarios.

Therefore, we introduce an incremental model synchronization algorithm for TGGs, which employs a static analysis on TGG specifications to efficiently determine the range of influence of model changes at runtime and, thus, to regard only these elements for synchronization.

Together with further improvements and critical discussions we will be able to show that this approach is a suitable means for complex model synchronization tasks.

Alternatives oder übersetztes Abstract:
Alternatives AbstractSprache

Tripelgraphgrammatiken (TGGen) sind ein regelbasierter und formal fundierter Modelltransformationsansatz. Im praktischen Einsatz werden Modelle typischerweise entweder vollständig aus einem Eingabemodell abgeleitet oder Änderungen werden inkrementell in ein anderes Modell propagiert.

Die herausragende Eigenschaft der inkrementellen Modellsynchronisation ist, dass im Durchschnitt nur ein Teil des gesamten Modells bei der Transformation betrachtet werden muss.

Konsequenzen hieraus sind, dass zum einen Modelltransformationen effizienter werden und zweitens, dass so viele Informationen wie möglich erhalten bleiben. Der Erhalt von Informationen verbessert Modelltransformationen qualitativ, da zusätzlicher Modellinhalt, der nicht durch die angewandte Modelltransformation abgedeckt wird, erhalten bleiben kann. Dies können zum einen zusätzliche Modellelemente sein, oder zum anderen nutzerspezifische Entscheidungen während des Transformationsprozesses, die ohne Informationserhalt wieder manuell eingebracht werden müssen.

In der Praxis werden unidirektionale Regeln zur inkrementellen Vorwärts- bzw. Rückwärtspropagierung automatisch aus der TGG-Spezifikation abgeleitet und von einem sog. Kontrollalgorithmus verwendet. Aktuelle TGG-Ansätze haben teilweise schon eine Laufzeitkomplexität, die nur von der Anzahl der geänderten und deren abhängigen Elemente beeinflusst wird, sind aber nicht oder nur teilweise formalisiert, oder schränken die Ausdrucksmächtigkeit so ein, dass realistische Szenarios zum Teil nicht mehr abdeckbar sind.

Deshalb verfolgt diese Arbeit das Ziel einen neuen Ansatz für die inkrementelle Modellsynchronisation mit TGGen zu etablieren. Anforderungen an diesen Ansatz sind, dass er (i) effizient arbeitet (Komplexität abhängig von der Anzahl der Änderungen und deren Abhängigkeiten), (ii) so viele Informationen wie möglich während der Transformation erhält, (iii) wichtige formale Eigenschaften erfüllt und (iv) ausreichend Ausdrucksmächtigkeit besitzt, um auch für komplexe Szenarien anwendbar zu sein.

Es wird ein inkrementeller Kontrollalgorithmus präsentiert, der die Ergebnisse einer statischen Analyse von TGG-Spezifikationen nutzt, um den Einflussbereich von Modelländerungen zu erkennen und darauf aufbauend nur diese Elemente während der Synchronisierung zu betrachten. %Dieser vorgestellte Algorithmus erfüllt beweisbar alle oben genannten Anforderungen. Mit weiteren Verbesserungsvorschlägen und kritischen Diskussionen wird sich zeigen, dass der hier vorgestellte Ansatz ein passendendes Mittel ist, um Modelle inkrementell zu synchronisieren.

Deutsch
Freie Schlagworte: Tripelgraphgrammatik, TGG, Modellsynchronisation, Modell, Transformation, Präzedenz, Graphgrammatik, Inkrementell, eMoflon, Algorithmus, Formale Eigenschaften
Schlagworte:
Einzelne SchlagworteSprache
Triple Graph Grammar, TGG, Model Synchronization, Model, Transformation, Precedence, Graph Grammar, Incrementel, eMoflon, Algorithm, Formal PropertiesEnglisch
URN: urn:nbn:de:tuda-tuprints-33520
Sachgruppe der Dewey Dezimalklassifikatin (DDC): 000 Allgemeines, Informatik, Informationswissenschaft > 004 Informatik
Fachbereich(e)/-gebiet(e): 18 Fachbereich Elektrotechnik und Informationstechnik > Institut für Datentechnik > Echtzeitsysteme
18 Fachbereich Elektrotechnik und Informationstechnik
Zentrale Einrichtungen
18 Fachbereich Elektrotechnik und Informationstechnik > Institut für Datentechnik
Exzellenzinitiative
Exzellenzinitiative > Graduiertenschulen > Graduate School of Computational Engineering (CE)
Exzellenzinitiative > Graduiertenschulen
Hinterlegungsdatum: 31 Mär 2013 19:55
Letzte Änderung: 22 Sep 2016 08:05
PPN:
Referenten: Schürr, Prof. Dr. Andy ; Giese, Prof. Dr. Holger
Datum der mündlichen Prüfung / Verteidigung / mdl. Prüfung: 11 Februar 2013
Schlagworte:
Einzelne SchlagworteSprache
Triple Graph Grammar, TGG, Model Synchronization, Model, Transformation, Precedence, Graph Grammar, Incrementel, eMoflon, Algorithm, Formal PropertiesEnglisch
Export:
Suche nach Titel in: TUfind oder in Google
Frage zum Eintrag Frage zum Eintrag

Optionen (nur für Redakteure)
Redaktionelle Details anzeigen Redaktionelle Details anzeigen