نقش متقابل مهندسی نرم‌ افزار مدل ‌رانده و سکوی توسعه‌ کم‌ کد

در چند سال اخیر، «سکوهای توسعه‌ی کم‌کد» هم در جلب‌توجه بازار و هم دانشگاه بوده‌ایم. سکوهای کم‌کد، سکوهای توسعه‌ی برنامه‌های کاربردی به‌صورت بصری هستند که معمولاً روی ابر اجرا می‌شوند و نیاز به کدنویسی دستی را کاهش می‌دهند. همچنین، توسط توسعه‌دهندگان غیرحرفه‌ای با دانش محدود در برنامه‌نویسی مورد استفاده قرار می‌گیرند. در این مقاله، ابتدا ویژگی‌های سکوهای شناخته شده مورد بررسی قرار می‌گیرد تا مزایای این رویکرد بررسی شود. با توجه به این‌که سکوهای کم‌کد در بسیاری از اهداف و ویژگی‌ها با رویکردهای مهندسی مدل‌رانده مشترک هستند، لازم است جایگاه سکوی کم‌کد در مقایسه با این رویکردها مورد بررسی قرار گیرد و نقاط ضعف و قوت هر دو مشخص شود. یکی از دلایل استقبال از سکوی کم‌کد استفاده از رایانش ابری است، که اکثر رویکردهای مهندسی مدل‌رانده از آن بی‌بهره بوده‌اند. بنابراین، در این مقاله به بررسی راهکارهای استفاده از رایانش ابری در مهندسی مدل‌رانده جهت کاربرد این رویکردها برای ایجاد سکوهای کم‌کد می‌پردازیم و این موضوع را روی یک مطالعه موردی برای زبان مدل‌سازی قرارداد هوشمند پیاده می‌کنیم.

mutual roles of model-driven software engineering and low-code development platform

software engineering is an engineering system that aims to educate, research, and apply methods to develop applications for increasing software productivity and quality and reducing the cost and production time (kung, 2013). one of the software engineering methods that has received attention in recent years is using low-code development platforms (lcdp) (alamin et.al, 2023). lcdps use a graphical user interface to develop software instead of traditional programming. these types of platforms are suitable tools for organizational companies to reduce development costs and time to market (tisi et al., 2020). increasing the level of abstraction in order to reduce the cost of development is exactly the same goal that model-driven software engineering (mdse) pursues. mdse is an approach in software engineering where models are used not only as documentation but also for automatic code generation (brambilla et al., 2017). the mdse methodology has matured and its best practices can be used for the new field of lcdp (verbruggen and snoeck, 2023). at the same time, lcdp has been of great interest in the last few years, and migrating from model-driven engineering to cloud spaces to create lcdps can be applicable and appropriate (ruscio et al., 2022).