Sie sind auf Seite 1von 6

Bauptseminai

Ak1uriir TurrrN ors RrouixrrrN1s ENciNrrxiNc


veiwaltung gioei Anfoiueiungsmengen mit Bilfe von NLP
Naitin Rauschei
28. Ianuai 2u1u
1 Einfhrung
Requiiements Engineeiing (RE) ist la ngst ein inte-
gialei Bestanuteil uei Entwicklungspiozesse vie-
lei Fiimen, ua es sich in jeuei Binsicht bewa hit
hat |LNu4]. Ieuoch biingt uie Eistellung unu Pfle-
ge gioei Nengen an bestehenuen unu oft auch
schnell wachsenuen Anfoiueiungen neue Beiaus-
foiueiungen mit sich. Insbesonueie uie unstiuk-
tuiieite natu iliche Spiache, in uei Anfoiueiungen
meist foimulieit sinu, stellt ein Pioblem uai.
Bieses Pioblem ist la ngst bekannt. Beieits
198S schlug Chen in |Che8S] eine Nethoue zui Ei-
stellung von Nouellen aus englischen Texten voi.
Biese Aibeit soll eine Einfu hiung in NLP (vgl.
Abschnitt 2) imRE-Beieich bieten. Babei wiiu ins-
besonueie auf einen Lo sungsansatz mittels A hn-
lichkeitsanalyse von Anfoiueiungen eingegangen.
Zum Schluss weiuen veischieuene anueie Ansa t-
ze aufgezeigt, uie uie Banubieite an No glichkeiten
in uiesem Beieich aufzeigen sollen.
1.1 Warum natrlichsprachliche An-
forderungen
Bie voiteile von natu ilichei Spiache gegenu bei
foimalen Nethouen sinu offensichtlich: (nach
|Pohu7])
Universalitt. Natu iliche Spiache passt sich je-
uei Boma ne an.
Flexibilitt. Natu iliche Spiache eimo glicht jeuen
beliebigen Betaillieiungsgiau.
Einfachheit. Natu iliche Spiache muss Nieman-
uem beigebiacht weiuen unu ist fu i Ieuen
veista nulich.
Aufgiunu uiesei voiteile, unu ua oft schon be-
tia chtliche Nengen an Anfoiueiungen in textuel-
lei Foim voiliegen, ist es nicht abzusehen, uass
iigenuein Foimalismus uie natu iliche Spiache im
RE ablo sen wiiu |LNu4].
Biesen voiteilen stellen sich abei auch viele
schweiwiegenue Piobleme entgegen.
1.2 Probleme natrlichsprachlicher
Anforderungen
Bei unu beischaubaien Nengen an bestehenuen
Anfoiueiungen, kann es leicht passieien, uass An-
foiueiungen wiueispiu chlich ouei uoppelt eistel-
lenweiuen. Bies kannzuInkonsistenz unuReuun-
uanz fu hien. Bie scheinbai einfachste No glichkeit
uiesen Pioblemen zu begegnen, wa ie entweuei
uie Anzahl uei Anfoiueiungen zu veiiingein ouei
uas Peisonal aufzustocken. Bas ist abei tiivialei-
weise nicht zufiieuenstellenu, oft nicht mo glich
unu selten zielfu hienu' |oBuvuuS]. ImFolgenuen
soll ueshalb aufgezeigt weiuen, wie moueine Ne-
thouen ues Natural Language Processing (NLP, zu
Beutsch Computerlinguistik) hiei Abhilfe schaffen
ko nnen.
'Auuing manpowei to a late pioject makes it latei. Fred Brooks
1
Bauptseminai veiwaltung gioei Anfoiueiungsmengen mit Bilfe von NLP
2 Natural Language Proces-
sing
NLP ist eine Bisziplin uei Infoimatik ueien ei-
gentliches Ziel es ist Texte, uie in uneingeschia nk-
tei menschlichei Spiache voiliegen, zu veistehen.
Bieses Ziel ist jeuoch noch immei eine Beiausfoi-
ueiung, uie nui in wenigen Spezialfa llen zufiie-
uenstellenu gelo st weiuen konnte.
Beshalb unteischeiuet man zwischen Natu-
ial Language Piocessing (Bie Verarbeitung na-
tu ilichei Spiache) unu Natuial Language 0nuei-
stanuing (Bas Verstehen natu ilichei Spiache). Fu i
uen uioteil uei uns hiei inteiessieienuen piak-
tischen Pioblemstellungen ist NLP vo llig ausiei-
chenu.
E. B. Liuuy gibt folgenue Befinition fu i NLP an:
(u beisetzt nach |Liu1u])
NLP beschreibt eine Reihe theoresch
movierter, rechnergesttzer Techniken
zur Analyse und zur Reprsentaon na-
trlich auretender Texte auf einer oder
mehrerer Stufen der Sprachanalyse, um
menschenhnliche Sprachverarbeitung
fr eine Reihe von Aufgaben und An-
wendungen zu erreichen.
Auch wenn hiei also uas eigentliche Spiachvei-
sta nuniss ausgeklammeit wiiu, umfasst uiese Be-
finition uoch zwei gioe Teilbeieiche ues NLP:
Sprachverarbeitung unu Spracherzeugung.
Spiachveiaibeitung, uas Thema mit uem sich
uiese Aibeit bescha ftigt, ist uei Teilbeieich ues
NLP, in uem es uaium geht Texte in eine maschi-
nenveista nuliche Foim, auf Beueutungsebene, zu
biingen. (Bas beueutet nicht, uass uei PC uie Be-
ueutung verstehen muss.)
Spiacheizeugung ist sozusagenuei umgekehi-
te Weg: na mlich aus einem Netzweik an Infoima-
tionen einen Text in natu ilichei Spiache (auf ei-
nem bestimmten Abstiaktionsniveau) zu eizeu-
gen.
Auch wenn es theoietisch ho chst inteiessant
wa ie, z.B. ein Anfoiueiungsuokument uas in einei
sehi technisieiten Foim voiliegt auf eine auch
fu i Nanagei veista nuliche Foim zu biingen, ist
hiei nui uie Spiachveiaibeitung von Inteiesse, ua
imRE hauptsa chlich uie Eigenschaften beieits be-
stehenuei Texte im voiueigiunu stehen.
3 NLP als Lsung
Bei uei veiwaltung von Anfoiueiungen - egal ob
bei uei Eistellung, uei Pflege ouei uei Aktuali-
sieiung - ist uie Infoimation, ob uie aktuelle An-
foiueiung inhaltlich mit einei beieits Bestehen-
uen iuentisch ist ouei ob sie mit anueien Anfoi-
ueiungeninZusammenhang steht, enoimwichtig.
Ieuoch ist sie aufgiunu uei meist gioen Nasse
anbeieits bestehenuenAnfoiueiungenaufwa nuig
zu bestimmen. Nit Bilfe uei Zusammanhangsin-
foimation ko nnen Buplikate veimieuen, implizite
Links gefunuen, sowie Wiueispiu che aufgeueckt
weiuen. Biese ko nnen uann vom Benutzei beho-
ben weiuen.
Auch bei uei valiuieiung unu uei veiifizieiung
von Anfoiueiungen kann uiese Infoimation von
gioem Nutzen sein, ua sich so Zusammenha n-
ge effizient finuen lassen. Ebenso spielt sie beim
A nueiungsmanagement eine heiausiagenue Rol-
le, ua uei Zusammenhang vonAnfoiueiungenzen-
tialei Bestanuteil von Impact-Analysen ist.
3.1 hnlichkeit von Anforderungen
Ba uie aktuelle Foischung noch nicht in uei La-
ge ist uie tatsa chliche Beueutung von Texten auto-
matisieit zu eifassen, ist eine naheliegenue No g-
lichkeit sich iein auf uie lexikalischen Eigenschaf-
ten uei Texte zu beschia nken. Bieibei ist uie A hn-
lichkeit zweiei Anfoiueiungen uuich uas Auftie-
tengemeinsamei Wo itei uefinieit. Es ist uahei na-
heliegenu, uass a hnliche Anfoiueiungenentweuei
Buplikate sinu ouei in einem engen Zusammen-
hang stehen.
Bevoi jeuoch uie A hnlichkeit bestimmen wei-
uen kann, mu ssen uie Anfoiueiungen zueist auf
eine Foimgebiacht weiuen, inuei sie einfachei zu
veiaibeiten sinu.
3.2 Vereinfachen von Anforderungen
Im Wesentlichen ist eine Anfoiueiung eine An-
einanueiieihung von Woiten. Einige uiesei Woi-
te, wie z.B. Aitikel, eifu llen iein giammatikalische
Zwecke unu sinu nicht von Inteiesse. Besweite-
ien ist nui uie uiunufoim von veiben inteiessant
unu Inteipunktionszeichen ko nnen ebenfalls ge-
tiost ignoiieit weiuen.
Ben Piozess eine Anfoiueiung in einzelne
Wo itei zu zeilegen, wobei z.B. auch cant unu
2
Bauptseminai veiwaltung gioei Anfoiueiungsmengen mit Bilfe von NLP
iequiiements engineeiing als ein(zusammenge-
setztes) Woit betiachtet weiuen, nennt man Toke-
nization |oBuvuuS].
In einem na chsten Schiitt, uem so genannten
Stemming, weiuen uie Wo itei uuich Anwenuung
bestimmtei Regeln (unu einem Wo iteibuch fu i
uie Ausnahmen) auf ihie uiunufoim gebiacht.
Abschlieenu weiuen mit Bilfe speziellei Le-
xika uie Woite, uie keine Beueutungstia gei sinu,
entfeint. (Stop Word Removal)
3.3 Datenstrukturenfr Anforderun-
gen
Bie lexikalisch veieinfachten Anfoiueiungen ko n-
nen auf veischieuene Weisen gespeicheit wei-
uen. Ba abei uie Reihenfolge uei einzelnen Wo itei
als unbeueutenu angenommen weiuen kann`, ist
ein uewichtsvektoi, uessen einzelne Komponen-
ten uie Relevanz eines Tokens angeben, uie effizi-
enteste Baistellungsfoim. Bie Batenbank entha lt
uabei eine Tabelle allei Tokens, uie in iigenueinei
Anfoiueiung auftieten.
Bie Relevanz eines Tokens kann auf uie u bli-
chen Aiten bestimmt weiuen, z.B. einfach als uie
Ba ufigkeit ues Tokens ouei mit uei bekannten
Foimel 1 + log
2
n |oBuvuuS].
4 Vergleich verschiedener
hnlichkeitsmae
Nachuem uie Anfoiueiungen auf eine einheitli-
che Foim gebiacht wuiuen, kann nun uie A hn-
lichkeit von Anfoiueiungspaaien bestimmt wei-
uen. Im Beieich ues NLP haben sich untei anue-
iem uas Dice, Jaccard unu uas Cosinusma eta-
blieit |Nan99].
hnlichkeitsma Deinition
Bice
2|X

Y |
|X|

|Y |
Iaccaiu
|X

Y |
|X

Y |
Cosinus
|X

Y |

|X||Y |
Tabelle 1: A hnlichkeitsmae (0uelle: |Nan99, S.
299])
Biese veischieuenen Nazahlen unteischei-
uen sich hinsichtlich Peifoimance, Recall, Piecisi-
on unu Acuiacy, wie man in Abbiluung 1 auf Sei-
te 4 eikennen kann. Biese 0nteischieue sinu allei-
uings sehi kontextabha ngig. Bahei soll uiese Ab-
biluung nui als Beispiel veistanuen weiuen. Biei
soll ueutlich weiuen, uass im speziellen Fall man
sehi genau testen sollte welches Na angebiacht
ist.
5 Verbesserungsmglichkeiten
Auch wenn uie Nethoue in ihiei bishei voigestell-
ten Foimschon einen gioen Foitschiitt uaistellt,
gibt es noch einige No glichkeiten sie zu veibes-
sein.
5.1 Anforderungscluster
Nit Bilfe uei in Abschnitt 4 voigestellten Nae
kann eine bina ie Relation u bei allen Anfoiueiun-
gen eizeugt weiuen. Wiiu nun uie tiansitive Bu l-
le uiesei Relation gebiluet, eiha lt man Clustei von
Anfoiueiungen, uie alle ineinemgewissenZusam-
menhang stehen.
Aufgiunu uei Tatsache, uass viele uiesei so
entueckten Anfoiueiungspaaie nicht uiiekt als
a hnlich eikannt wuiuen, sinu sie mo glicheiweise
besonueis inteiessant, ua sie sehi subtile veibin-
uungen aufzeigen ko nnen.
Alleiuings ko nnen auf uiese Weise sehi gioe
Clustei entstehen (z.B. >Su). Beshalb ist es sinn-
voll hiei eine ku nstliche Begienzung einzubauen
um sicheizustellen, uass sich uiese Clustei noch
`Bie Reihenfolge ko nnte nui uie Semantik veia nuein, abei bei einem veigleich auf lexikalischei Ebene ist sie unwichtig.
Ba uie Beueutung uei Woite nicht uiiekt eisichtlich ist, habe ich auf eine 0 beisetzung veizichtet.
S
Bauptseminai veiwaltung gioei Anfoiueiungsmengen mit Bilfe von NLP
Abbiluung 1: veihalten veischieuenei A hnlichkeitsmae (0uelle: |oBuvuuS])
effizient von einem Nenschen beuiteilen lassen
ko nnen.
5.2 Erweiterte hnlichkeitsanalysen
mittels Thesauri
Eine Limitieiung, uie auch uuich uen Clusteian-
satz nicht beseitigt wiiu, besteht uaiin, uass kei-
ne Eikennung von Synonymen ouei allgemeinei
inhaltlich a hnlichen Wo itein eifolgt. 0m uieses
Pioblemmit iealistischemAufwanu zu beseitigen,
bieten sich anwenuungsspezifische Thesauii an.
Nit Thesauii lassen sich auch iiitu mliche Tief-
fei veimeiuen, ua sich mit ihiei Bilfe Wo itei in
spezielleie Anwenuungskontexte einoiunen las-
sen. Auf uiese Weise entfallen Anfoiueiungspaa-
ie, uie zwai viele gemeinsame Wo itei besitzen, je-
uoch in einem unteischieulichen Kontext stehen
unu somit uoch nicht in unseiem gewu nschten
Sinn a hnlich sinu.
6 Andere NLP-Anstze
Bei hiei voigestellte Ansatz ist nui einei von vie-
len NLP-basieiten Ansa tzen im RE. Im Folgenuen
sollen einige uiesei anueien Ansa tze voigestellt
weiuen.
6.1 Eingeschrnkte Sprache
Ein veibieitetei Ansatz um uem Pioblem uei in-
ha ient komplexen menschlichen Spiache zu be-
gegnen, ist uie veiwenuung von eingeschia nkten
Spiachen. Bieibei weiuen typischeiweise Scha-
blonen veiwenuet, uie eine feste Satzstiuktui voi-
geben.
Auf uiese Weise ist es leicht mo glich uen ge-
nauen Kontext einei Anfoiueiung zu bestimmen,
unu somit einfachei zu eikennen, ob sich zwei An-
foiueiungen tatsa chlich auf uie selbe Entita t be-
ziehen.
6.2 (Halb-)Automatische Erzeugung
formaler Speziikationen
In |eau2] schlagen uie Autoien eine Nethoue voi,
bei uei aus einei Spezifikationeine staikannotiei-
te veision eizeugt wiiu, inuem Phiasen aus uem
uispiu nglichen Bokument mit einemBoma nenle-
xikon veiglichen weiuen. Bieses Bokument kann
uannmit betia chtlichgeiingeiemAufwanuvonei-
nem Expeiten in eine foimale Zwischenspiache
u beisetzt weiuen, welche noch ielativ nah an uei
natu ilichen Spiache liegt. Aus uiesei Zwischen-
spiache kann uann automatisieit ein Nouell ei-
zeugt weiuen.
Ein a hnlichei Ansatz, uei jeuoch noch ei-
ne veibinuung zum Nouel-Biiven-Bevelopment
heistellt, wiiu in |conu9] voigestellt. 0m einen
vollsta nuig automatisieiten Ansatz zu eiieichen
schlagen uie Autoien uen Einsatz einei einge-
schia nkten Spiache voi(vgl. 6.1). Ba uie Autoien
valiuieiung unu veiifikation uiiekt auf uen Boku-
menten in (eingeschia nktei) natu ilichei Spiache
betieiben wollen, wiiu es fu i uie Stakeholuei viel
einfachei uie tatsa chliche Koiiektheit uei Boku-
mente zu u beipiu fen, ua uiese in einei fu i uie Sta-
keholuei veista nuliche Spiache bleiben.
4
Bauptseminai veiwaltung gioei Anfoiueiungsmengen mit Bilfe von NLP
6.3 Traceability zwischen Modellen
und Anforderungen
Auch wenn natu iliche Spiache voiheiischenu ist,
setzt ein uioteil uei Fiimen an iigenueinem
Punkt ihies Entwicklungspiozesses Nouelle ein.
Ba uiese Nouelle meist mit anueien Tools eizeugt
weiuen als uie Anfoiueiungen uazu, gibt es keine
uiiekten Links zwischen Anfoiueiungen unu No-
uell.
Biesem Pioblem nehmen sich Ceibah unu Eu-
zenat in |FCu1] an. Ihi Ansatz besteht aus zwei
Tools:
ein Weikzeug, uas aus uen 0ispiungsuo-
kumenten eine hieiaichische Teiminologie-
stiuktui sowie Ru ck-Links eizeugt.
unu einem Nouellmanagei, uei eine iuui-
menta ie Klassenstiuktui aus uen Baten ues
eisten Tools eizeugen kann.
Biese Klassenstiuktui kann uann vom Benutzei
veivollsta nuigt weiuen, wa hienu sie noch immei
zuiu ckveifolgbai bleibt.
6.4 Untersttzung von Dokumenten-
analysen
In uei inuustiiellen Piaxis finuet sich ein
(Anfoiueiungs-)Entwicklei oft gioen Nengen an
Anfoiueiungen ouei Bokumentationen in anue-
iei Foim gegenu beigestellt. In |PRu1] wiiu ues-
halb ein Ansatz voigestellt, uei mit Bilfe von pio-
babilistischen NLP Techniken veisucht heiauszu-
finuen, welche Teile eines Bokuments besonueis
inteiessant sinu. Bie Autoien veitieten uie Auf-
fassung, uass es nicht mo glich ist iigenueinen Teil
ues RE Piozesses vollsta nuig zu automatisieien.
Beshalb beschia nkt sich uiesei Ansatz iein auf uie
Suche unu Pia sentation uei gefunuenen Stellen.
Bei Anfang uieses Ansatzes besteht uaiin, ei-
ne Ba ufigkeitsanalyse uuichzufu hien. Babei wei-
uen uie Ba ufigkeiten uei Wo itei in einem Text
mit uen Ba ufigkeiten in einem sehi gioen Stan-
uaiutext veiglichen. Besonueie Ba ufungen lassen
uann uaiauf schlieen, uass ein Woit imaktuellen
Kontext eine anueie Beueutung hat als noimalei-
weise. In Kombination mit einei Pait-0f-Speech-
Analyse, kann uann eikannt weiuen, wann etwas
Wichtiges mit etwas Wichtigem passieit. Bei uei
Pait-0f-Speech-Analyse wiiu uen Wo itein ihie je-
weilige Woitait beigefu gt, umbessei semantische
Eigenschaften bestimmen zu ko nnen.
6.5 Anwendungsfallanalysen mittels
erweiterter Petri Netze
In |WIL98] beschieiben uie Autoien sogenann-
te Constraints-based Modular Petri Nets (CNPNs),
mit ueien Bilfe sie Anwenuungsfalluiagiamme
foimal beschieiben ko nnen, um sie so auf voll-
sta nuigkeit unuKonsistenz u beipiu fenzuko nnen.
Bieses veifahien ist zwai noch kaum automa-
tisieit, abei es zeigt beieits, uass aus sehi infoima-
len Nouellen, wie z.B. Anwenuungsfalluiagiam-
men, foimale Beschieibungen gewonnen weiuen
ko nnen. Ba uiese Aibeit beieits u bei elf Iahie
alt ist, ist wohl zu eiwaiten, uass inzwischen ein
viel gio eiei Teil uieses veifahiens automatisieit
weiuen ko nnte.
6.6 Erzeugung von Speziikationen
aus UML
Ben genau umgekehiten Weg wie alle bishei ei-
wa hntenNethouengehenNeziane et al in|FNu8].
0m uas beieits in 6.2 eiwa hnte Pioblem, uass
uie Stakeholuei uie foimalisieiten Anfoiueiungen
nicht mehi veistehen zu beseitigen, eizeugen sie
aus 0NL-Klassenuiagiammen wieuei eine natu i-
lichspiachliche Spezifikation. 0m mehi als nui ei-
ne tiiviale textuelle Seiialisieiung ues Biagiamms
zu bekommen, veiwenuen uie Autoien eine 0nto-
logie in WoiuNet, ummehi Infoimationen aus uen
Namen im Biagiamm zu eihalten.
7 Fazit
Wie beieits aus uem kleinen Auszug an veischie-
uenen Ansa tzen klai wiiu, gibt es ieichlich No g-
lichkeiten mit Bilfe von NLP uen RE Piozess zu un-
teistu tzen. Ba es auch nicht abzusehen ist, uass
uie Inuustiie auf foimale(-ie) Nethouen umstei-
gen wiiu, sinu Foitschiitte imBeieich ues RE mit-
telfiistig wohl hauptsa chlichimNLP0mfeluzusu-
chen. |LNu4] zeigt ganz klai uen Beuaif in uei In-
uustiie.
Bei gio te Reiz ues NLP-baseu RE ist sichei
uie besonueie Piaxisna he, ua sein Einsatz uiiekt
0NL veision 1.S
S
Bauptseminai veiwaltung gioei Anfoiueiungsmengen mit Bilfe von NLP
Eifolge in Foim von beschleunigten Aibeitspio-
zessen zeigt. Aufgiunu uessen ist zu eiwaiten,
uass uiesei Foischungstienu sichei auch in uei
Inuustiie ankommen wiiu. Nicht zuletzt ueshalb,
weil mit uiesen Nethouen teilweise uie Schwa -
chen uei Tools sowie uei Piozesse ausgeglichen
weiuen ko nnen. Benn oft bieten uie Tools noch
nicht einmal eine vollsta nuige 0nteistu tzung fu i
Links veischieuenei Ait, unu uie Piozesse ziehen
ueshalbwenigei Nutzenaus uemRE, als eigentlich
mo glich wa ie.
Literatur
|Che8S] Petei Pin-Shan Chen, English sen-
tence structure and entity-relationship
diagrams, Nasteis thesis, uiauuate
School of management, 0niveisity of
Califoinia, 198S. 1
|conu9] A controlled natural language ap-
proach for integrating requirements
and model-driven engineering, vol.
Fouith Inteinational Confeience
on Softwaie Engineeiing Auvances,
2uu9. 6.2
|eau2] B. Anueisson et al. (eu.), Semi-
automated content extraction from
speciications, vol. LNCS 2SSS,
Spiingei-veilag, 2uu2. 6.2
|FCu1] Ie io me Euzenat FaiiuCeibah, Natural
language processing and information
systems, Lectuie Notes in Computei
Science, vol. 19S9, ch. 0sing Teimi-
nology Extiaction to Impiove Tiace-
ability fiom Foimal Nouels to Textu-
al Requiiements, pp. 11S126, Spiin-
gei, 2uu1. 6.S
|FNu8] Sophia Ananiauou Faiiu Neziane, Ni-
kos Athanasakis, Generating natural
language speciications fromuml class
diagrams, Requiiements Engineeiing
13 (2uu8), 118. 6.6
|Liu1u] E. B. Liuuy, Encyclopedia of library
and information science, 2nd ed., Nai-
cel Beckei, Inc., Stanu: Ian. 2u1u. 2
|LNu4] Pieiluigi Novi Inveiaiui Luisa Nich,
Naiiangela Fianch, Market research
for requirements analysis using lingu-
istic tools, Requiiements Engineeiing
9 (2uu4), 4uS6. 1, 1.1, 7
|Nan99] Chiistophei B. Nanning, Foundations
of statistical natural language proces-
sing, Nit Piess, 1999. 4, 1
|oBuvuuS] Iohann Natt och Bag unu vincen-
zo ueivasi, Managing large reposito-
ries of natural language requirements,
Engineeiing anu Nanaging Softwaie
Requiiements, Spiingei, 2uuS. 1.2,
S.2, S.S, 1
|Pohu7] Klaus Pohl, Requirements engineering,
upunkt-veilag, 2uu7. 1.1
|PRu1] Rogei uaisiue Pete SawyeiS Paul Ray-
son, Luke Emmet, Natural language
processing and information systems,
Lectuie Notes in Computei Science,
vol. 19S9, ch. The REvERE Pioject:
Expeiiments with the Application of
Piobabilistic NLP to Systems Eninee-
iing, pp. 288Suu, Spiingei, 2uu1. 6.4
|WIL98] Yong Rae Kwon Woo Iin Lee, Sung
Beok Cha, Integration and analysis of
use cases using modular petri nets in
requirements engineering, IEE Tian-
sactions on Softwaie Engineeiing 24
(1998), no. 12, 111S11Su. 6.S
6