Περιβάλλον-πλαίσιο Ανάλυσης Συμμόρφωσης Πολιτικών Λειτουργίας Υπηρεσιοκεντρικών Συστημάτων

Abstract

Στην παρούσα διπλωματική εργασία αναπτύσσεται ένα περιβάλλον - πλαίσιο (framework) το οποίο έχει σαν σκοπό α) τη μοντελοποίηση επιχειρησιακών πολιτικών συμμόρφωσης (bussiness compliance policies) Υπηρεσιοκεντρικών συστημάτων και β) τον έλεγχο συμβατότητας του συστήματος με αυτές τις πολιτικές συμμόρφωσης. Συγκεκριμένα, αναλυτές συστημάτων θα μπορούν να μοντελοποιήσουν πολιτικές συμμόρφωσης χρησιμοποιώντας αντικειμενοστραφή μεταμοντέλα (ΜΟF), ενώ ο έλεγχος συμβατότητας γίνεται με αλγορίθμους που αναλύουν τα αρχεία καταγραφής γεγονότων κατά την λειτουργία του συστήματος και τα συνδυάζουν με αυτές τις πολιτικές συμμόρφωσης, ώστε να εξαχθεί η πιθανότητα ότι το παρόν σύστημα τις επαληθεύει . Σε πιο τεχνικό επίπεδο, το Υπηρεσιοκεντρικό Σύστημα αποτελείται από ένα σύνολο υπηρεσιών ιστού (web - services) που ενορχηστρώνονται χρησιμοποιώντας τη γλώσσα BPEL, παράγοντας έτσι ολοκληρωμένες επιχειρησιακές λογικές. Η ανάπτυξη των web-services γίνεται στο περιβάλλον Netbeans. Οι υπηρεσίες παρατάσσονται στον Glassfish Server. Κατά το σενάριο λειτουργίας του συστήματος που προτείνεται, θεωρούμε την ύπαρξη ενός περιβάλλοντος παρακολούθησης, το οποίο παράγει αρχεία καταγραφής γεγονότων (log files). Τα αρχεία καταγραφής γεγονότων αναλύονται και φιλτράρονται ανάλογα με το "προφίλ παρακολούθησης" που επιθυμεί ο χρήστης. Τα δεδομένα που εξάγονται από τη διαδικασία αυτή μετατρέπονται σε μορφή λογικής πρώτης τάξης και δημιουργούν μια λογική βάση δεδομένων με κατηγορήματα, που σχετίζονται με τις ζητούμενες πολιτικές συμμόρφωσης.Τέλος, χρησιμοποιώντας τεχνικές λογικού συμπερασμού, που βασίζονται στις θεωρίες Markov Logic Networks και Markov Logic Learning, μπορούμε να απαντήσουμε σε ερωτήματα που αφορούν στο ποσοστό που ικανοποιείται η ζητούμενη πολιτική συμμόρφωσης. Τα αποτελέσματα που παράγονται μέσω του εργαλείου Alchemy, το οποίο υλοποιεί τη διαδικασία του λογικού συμπερασμού, βασίζονται α) σε ένα γράφο αλληλεπίδρασης κατηγορημάτων, τα οποία αναφέρονται στη σχετική βιβλιογραφία ως Markov Logic Networks και β) στην αυξητική μάθηση του συστήματος για τον προσδιορισμό των ποσοστών και των πιθανοτήτων ικανοποιησιμότητας των κατηγορημάτων. Η χρήση ενός τέτοιου συμπερασματικού μηχανισμού, σε σχέση με απλές τεχνικές λογικής πρώτης τάξεως, μας διευκολύνει στο γεγονός ότι είναι δυνατόν να παράγουμε αποτελέσματα ακόμα και όταν δεν είναι πάντα διαθέσιμη σε όλο της το σύνολο η πληροφορία που χρειαζόμαστε για να εξακριβώσουμε την ορθή λειτουργία του συστήματος σε σχέση με τις πολιτικές συμμόρφωσης που έχουν τεθεί από τον χρήστη.