Bilan des approches étudiées

Critères Hétérogé

néité ^Nbr. d’artefacts en entrée

Cardinalité Type de

représentation ^Technique de calcul ^Personnalisation ^Effort d’artefact ^{Type I.A}

Approches générale locale Pré. Post

AgreementMa

ker ^{Oui 2 ND m..n Ontologie SIM Non Définition du} seuil+Choix des heuristiques à utiliser

Définition des cardinalités

Ontologie Wordnet

AML Oui 2 ND 1..n Modèle SIM Non Choix des

heuristiques à utiliser, Ecriture des règles

Non Métamodèle Non

AMW Oui 2 ND 1..n Modèle CLS Oui Définition du

MMW, Choix des heuristiques à utiliser

Validation Métamodèle Non

DSMDiff Oui 2 ND Modèle SIM, SIG Non Non Non Modèle Non

ECL Oui 2 ND 1..1 Modèle CLS Oui Ecriture des règles Non Modèle Non

EMFCompare Oui 2 ND 1..1 Modèle SIM Non Choix des

heuristiques à utiliser ^{Non Modèle Non}

Falleri et al. Oui 2 ND 1..1 Modèle SIM Non non Non Métamodèle Non

Kompose Non 2 ND 1..n Modèle SIM, SIG Oui Ecriture des règles Non modèle Non

Matchbox Oui 2 ND 1..1 Modèle SIM Non Choix des

heuristiques à utiliser ^{Non Métamodèle Non}

RSA Oui 2 ND 1..1 Modèle SI Non Non Non Modèle Non

SAMT4MDE Oui 2 ND 1..1 Modèle SIM Non Définition du seuil Validation Métamodèle Non

SIDiff Non 2 ND 1..1 Modèle SIM Non Définition du seuil+

attribution des poids+personalisatio n de l’algorithme

Non Graphe Non

UMLDiff Non 2 ND 1..1 Modèle CLS Non Adapter l’algorithme Non Modèle Non

ND : Non-défini

I.A : Information Auxiliaire

Le Tableau III-1 résume l’évaluation des approches de mise en correspondance étudiées selon les critères identifiés dans la section précédente. L’étude de ces approches a permis de faire apparaître plusieurs limites.

Les auteurs d’AMW proposent un langage qui permet d’utiliser les transformations M2M pour comparer des modèles. Cependant, AMW n’est utilisable que lorsque les métamodèles source et cible sont similaires. Aussi, les concepteurs doivent étendre le métamodèle de manière à permettre la définition des types de relation, même pour les plus évidentes d’entre elles (exemple : similarité). Cette opération de mise en correspondance initialement faite manuellement, par l’intermédiaire d’un éditeur graphique, peut actuellement bénéficier d’un certain nombre d’heuristiques développées sous forme de librairies que le concepteur devra importer. Cependant, ces heuristiques sont uniquement à base de similarité structurelle.

Selon le même principe, EMFCompare permet de calculer les correspondances en se basant sur le principe de similarité. Le moteur de correspondance se fonde sur des heuristiques choisies par un utilisateur. Les éléments sont comparés suivant plusieurs métriques telles que la similarité de nom, de type de contenu et de relation. Dans le même contexte, SIDiff repose sur la similarité, mais un effort doit être fourni pour l’attribution des poids, la définition du seuil de similarité et la personnalisation de l’algorithme.

Dans SAMT4MDE, la mise en correspondance est réalisée en se basant uniquement sur la similarité. À la fin de la génération, un utilisateur intervient afin de valider les correspondances produites. Cette intervention peut être légère dans le cas d’un nombre peu élevé de correspondances à vérifier, mais risque d’être fastidieuse si le nombre de correspondances est élevé.

ECL est un langage qui permet la création d’un modèle de correspondance en exécutant une série de règles. Son utilisation est difficile car il requiert des compétences élevées et de gros efforts pour l’écriture des règles (les correspondances sont produites en exécutant une série de règles décrites en ECL). Il compare également les éléments de modèle un-à-un. En outre, pour exploiter ce résultat, le développeur doit ajouter des «sérialisateurs» afin de transformer les traces en un modèle de correspondance exploitable pour des opérations de type MDE, telle que la composition par exemple.

L’approche Kompose propose un processus de mise en correspondance qui doit être paramétré en définissant au niveau métamodèle des signatures spécifiques des opérateurs de mise en correspondance. À notre connaissance, cette approche ne s’applique qu’aux modèles homogènes. L’approche de J.R. Falleri consiste à réaliser deux transformations. La première permet d’obtenir l’équivalent en graphes des métamodèles d’entrée. La seconde permet d’obtenir via le mécanisme de SimilarityFlooding uniquement les correspondances avec comme type de relation une similarité structurelle. De la même façon, MatchBox consiste à transformer, tout d’abord, les modèles d’entrée en un modèle arborescent : AMC (SAP Auto Mapping Core). Le processus se poursuit en appliquant un ensemble de stratégies afin de produire le modèle de correspondance. L’inconvénient majeur de MatchBox est que c’est au développeur de définir les transformations vers le modèle AMC.

Il existe plusieurs approches qui réalisent la mise en correspondance en se basant sur des ontologies. Nous avons choisi d’étudier AggrementMaker comme représentant des travaux à base

Pavel Shvaiko et al. (Shvaiko et Euzenat, 2013), dans le contexte de l’alignement d’ontologies OAEI (Ontology Alignement Evaluation Initiative). L’avantage de l’utilisation des ontologies par rapport aux approches propres au domaine de la métamodélisation, est premièrement la puissance des méthodes syntaxiques et terminologiques pour la comparaison des chaînes de caractères et deuxièmement la possibilité d’avoir recours à des informations à partir de bases de connaissances telles que les dictionnaires, les thésaurus, etc. L’inconvénient de l’utilisation des ontologies est que les artefacts du domaine d’application doivent être définis conformément au domaine de l’ontologie. Autrement dit, une transformation vers le domaine des ontologies est nécessaire. En s’appuyant sur l’expressivité des ontologies, il est possible d’exprimer des correspondances complexes. Par exemple, un élément e1 est équivalent à l’intersection des éléments e2 et e3. L’inconvénient est qu’il n’est pas possible d’exprimer des types de relation autres que l’égalité et la similarité. Par exemple, il n’est pas possible d’exprimer qu’un élément correspond à l’agrégation de deux autres éléments. D’autres limitations telles que la restriction à un type de stratégie et la mise en correspondance au niveau TBox (équivalent à la notion de méta-élément) sont évoquées dans le paragraphe suivant.

D’autres inconvénients communs aux différentes approches peuvent être cités. Premièrement, en dehors du fait qu’il n’est pas prouvé que les approches qui s’appuient sur une transformation de modèle (ex : MatchBox, Falleri) ne ralentissent pas le processus de mise en correspondance, il n’est pas démontré qu’il n’existe pas une perte d’informations lors de cette transformation. Ce problème a été soulevé par les auteurs de MatchBox dans leur approche. Deuxièmement, les approches qui possèdent comme type d’artefact un (méta)modèle ne sont pas appropriées lorsque ces (méta)modèles ont une grande distance sémantique entre eux. Dans ce cas, selon (Kappel et al., 2007), la précision du résultat est très faible (généralement en dessous de 0,10). Le résultat est satisfaisant seulement quand il s’agit de métamodèles qui partagent les mêmes propriétés. Troisièmement, la mise en correspondance s’effectue entre méta-éléments (TBox en ontologie). Cependant ceci n’implique pas que leurs instances (Abox en ontologie) soient aussi en correspondance. Quatrièmement, le nombre d’artefacts en entrée est toujours de deux ce qui ne permet pas de créer des correspondances de cardinalité générale. Enfin, la majorité des approches visant l’automatisation, utilisent une mise en correspondance à base de similarité structurelle et n’exploitent pas d’autres types de relation tels que la similarité sémantique, la composition, la dépendance, etc.

Après avoir étudié les approches de mise en correspondance, nous étudions dans la section suivante les approches de composition de modèles.

III.3. Composition de modèles