Systemdesign

Die grundlegende Untersuchung des Systemdesigns besteht im Verständnis der Komponenten und ihrer Wechselwirkungen untereinander. ^{[ 1 ]}

Systemdesign findet in einer Vielzahl von Bereichen Anwendung, darunter Luftfahrt ^{[ 2 ]} , Nachhaltigkeit ^{[ 3 ],} Computer-/Softwarearchitektur ^{[ 4 ]} und Soziologie ^{[ 5 ] .}

Wenn man unter dem umfassenderen Begriff der Produktentwicklung versteht, dass „die Perspektiven von Marketing, Design und Fertigung zu einem einzigen Ansatz der Produktentwicklung verschmilzt“ ^{[ 6 ]} , dann ist Design der Akt, aus den Marketinginformationen das Design des herzustellenden Produkts zu entwickeln.

Im Rahmen der Produktentwicklung umfasst Systemdesign die Definition und Entwicklung von Systemen, wie Schnittstellen und Daten , für ein elektronisches Steuerungssystem, um vorgegebene Anforderungen zu erfüllen . Systemdesign kann als Anwendung der Systemtheorie auf die Produktentwicklung betrachtet werden . Es bestehen Überschneidungen mit den Disziplinen Systemanalyse , Systemarchitektur und Systemtechnik . ^{[ 7 ] [ 8 ] [ 9 ]}

Das physikalische Design bezieht sich auf die eigentlichen Eingabe- und Ausgabeprozesse des Systems. Dies wird dahingehend erläutert, wie Daten in das System eingegeben, verifiziert/authentifiziert, verarbeitet und angezeigt werden. Im Rahmen des physikalischen Designs werden die folgenden Anforderungen an das System festgelegt.

1. Eingabeanforderung
2. Ausgabeanforderungen
3. Speicheranforderungen
4. Verarbeitungsanforderungen
5. Systemsteuerung und Datensicherung oder -wiederherstellung. ^{[ 10 ]}

Anders ausgedrückt, lässt sich der physische Teil des Systemdesigns im Allgemeinen in drei Teilaufgaben unterteilen:

1. Benutzeroberflächendesign
2. Datendesign
3. Prozessdesign

Die Gestaltung der Gesamtstruktur eines Systems zielt darauf ab, ein skalierbares, zuverlässiges und effizientes System zu schaffen. Dienste wie Google, Twitter, Facebook, Amazon und Netflix sind Beispiele für groß angelegte, verteilte Systeme. Folgende Aspekte sind dabei zu berücksichtigen:

1. Funktionale und nicht-funktionale Anforderungen
2. Kapazitätsabschätzung
3. Nutzung von relationalen und/oder NoSQL -Datenbanken
4. Vertikale Skalierung, horizontale Skalierung, Sharding
5. Lastverteilung
6. Primär-Sekundär- Replikation
7. Cache und CDN
8. staatenlose und staatenbehaftete Server
9. Geo-Routing des Rechenzentrums
10. Nachrichtenwarteschlange, Publish-Subscribe-Architektur
11. Überwachung und Protokollierung von Leistungskennzahlen
12. Automatisierung erstellen, testen, konfigurieren und bereitstellen
13. Auffinden eines einzigen Ausfallpunktes
14. API- Ratenbegrenzung
15. Service-Level-Vereinbarung

Die Entwicklung von Systemen für maschinelles Lernen konzentriert sich auf den Aufbau skalierbarer, zuverlässiger und effizienter Systeme, die Modelle des maschinellen Lernens (ML) integrieren, um reale Probleme zu lösen. ML-Systeme erfordern eine sorgfältige Planung von Datenpipelines, Modelltraining und Bereitstellungsinfrastruktur. Sie werden häufig in Anwendungen wie Empfehlungssystemen , Betrugserkennung und der Verarbeitung natürlicher Sprache eingesetzt .

Zu den wichtigsten Komponenten, die beim Entwurf von ML-Systemen berücksichtigt werden sollten, gehören:

1. Problemdefinition: Definieren Sie das Problem, die Datenanforderungen und die Bewertungskriterien klar. Erfolgskriterien umfassen häufig Genauigkeit, Latenz und Skalierbarkeit. ^{[ 11 ]}
2. Datenpipeline: Erstellen Sie automatisierte Pipelines zum Sammeln, Bereinigen, Transformieren und Validieren von Daten. ^{[ 12 ]}
3. Modellauswahl und -training: Wählen Sie geeignete Algorithmen (z. B. lineare Regression , Entscheidungsbäume , neuronale Netze ) und trainieren Sie die Modelle mithilfe von Frameworks wie TensorFlow oder PyTorch .
4. Bereitstellung und Betrieb: Trainierte Modelle werden mithilfe skalierbarer Architekturen wie containerisierten Diensten (z. B. Docker und Kubernetes ) in Produktionsumgebungen bereitgestellt . ^{[ 13 ]}
5. Überwachung und Wartung: Die Modellleistung sollte kontinuierlich überwacht, das Modell bei Bedarf neu trainiert und Datenabweichungen behoben werden. ^{[ 14 ]}

Die Entwicklung eines ML-Systems erfordert ein ausgewogenes Verhältnis zwischen Genauigkeit, Latenz, Kosten und Wartbarkeit, wobei gleichzeitig Skalierbarkeit und Zuverlässigkeit gewährleistet werden müssen. Diese Disziplin überschneidet sich mit MLOps , einem Set von Praktiken, das die Entwicklung und den Betrieb von Machine-Learning-Systemen vereint, um eine reibungslose Bereitstellung und ein effektives Lebenszyklusmanagement sicherzustellen.

• Bentley, Lonnie D. ; Dittman, Kevin C. ; Whitten, Jeffrey L. (2004) [1986]. Systemanalyse- und Entwurfsmethoden .
• Churchman, C. West (1971). Die Gestaltung von Forschungssystemen: Grundlegende Konzepte von Systemen und Organisation . New York: Basic Books. ISBN 0-465-01608-1Die
• Gosling, William (1962). Die Gestaltung von technischen Systemen . New York: Wiley.
• Hawryszkiewycz, Igor T. (1994). Einführung in die Systemanalyse und den Systementwurf . Prentice Hall PTR.
• Levin, Mark S. (2015). Modulares Systemdesign und -bewertung . Springer.
• Maier, Mark W.; Rechtin, Eberhardt (2000). Die Kunst der Systemarchitektur (2. Aufl.). Boca Raton: CRC Press.
• JH Saltzer , DP Reed , DD Clark (1. November 1984). „End-to-end arguments in system design“ ( PDF) . ACM Transactions on Computer Systems . 2 (4): 277–288 . doi : 10.1145/357401.357402 . ISSN  0734-2071 . S2CID  215746877. Wikidata  Q56503280 .
• Whitten, Jeffrey L. ; Bentley, Lonnie D. ; Dittman, Kevin C. (2004). Grundlagen der Systemanalyse und -entwurfsmethoden .

• Entwurf interaktiver Systeme . Kurs von Chris Johnson, 1993
• [1] Kurs von Prof. Birgit Weller, 2020