CN111581104A - 一种基于DevOps研发运营一体化的度量方法 - Google Patents
一种基于DevOps研发运营一体化的度量方法 Download PDFInfo
- Publication number
- CN111581104A CN111581104A CN202010394142.6A CN202010394142A CN111581104A CN 111581104 A CN111581104 A CN 111581104A CN 202010394142 A CN202010394142 A CN 202010394142A CN 111581104 A CN111581104 A CN 111581104A
- Authority
- CN
- China
- Prior art keywords
- data
- development
- measurement
- devops
- metrology
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000691 measurement method Methods 0.000 title claims abstract description 34
- 230000010354 integration Effects 0.000 title claims abstract description 24
- 238000012827 research and development Methods 0.000 title description 19
- 238000005259 measurement Methods 0.000 claims abstract description 74
- 238000011161 development Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims abstract description 8
- 238000004140 cleaning Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 14
- 238000007726 management method Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000011160 research Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 abstract 1
- 238000012384 transportation and delivery Methods 0.000 description 8
- 230000007547 defect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013070 change management Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3604—Software analysis for verifying properties of programs
- G06F11/3612—Software analysis for verifying properties of programs by runtime analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明提出了一种基于DevOps研发运营一体化的度量方法，涉及度量方法领域。一种基于DevOps研发运营一体化的度量方法，包含如下步骤：将不同度量方法存储到度量模型中，从而选择其中的所述度量方法；从数据源中采集度量数据，清洗并存储所述度量数据；分析所述度量数据以提取特征数据作为度量元数据；根据所述数据源存储所述度量元数据，并根据选择的所述度量方法分析已存储的所有所述度量元数据，得到所述度量数据的发展趋势和异常分析。本发明能够快速、完整的收集和分析，从而满足目前DevOps实践中全面的度量需求，其能够度量软件研发团队、个体角色、以及软件***甚至业务目标，并快速、完整的收集和分析，客观展示相关现状报告和趋势，从而作为组织管理者、产品经理、以及个体等角色的决策参考、及时甄别瓶颈问题的重要依据。
Description
技术领域
本发明涉及度量方法领域，具体而言，涉及一种基于DevOps研发运营一体化的度量方法。
背景技术
近年来随着DevOps、云计算、微服务、容器等理念的逐步落地和大力发展，机器越来越多，应用越来越多，服务内容越来越细微，应用运行基础环境越来多样化，比如容器、虚拟机和物理机。首先，面对如此复杂的场景，传统的度量方法重点大都是聚焦在软件项目管理、开发成本、软件质量、开发生产率(千行代码每人/月)等单个项目的度量。其次，在整个软件研发生命周期中，从需求、设计、开发、测试、部署、运行和维护等所有环节会产生大量的研发过程数据，这些数据应该以最高的速度反馈到不同角色的手中。而在以往，这些数据在产生出来之后便被遗弃或者被束之高阁，很少被使用，或者仅在部分企业中年终的时候才使用，使用的场景也无非是工作汇报、年度研发大数据展示等。面对当前复杂的业务场景、组织结构、个体差异、工作***台等因素，如何客观真实地度量软件研发团队、个体角色、以及软件***甚至业务目标一直很少有人提及。并且，对于分散在各处的研发大数据是否能够采用一套先进的方案快速、完整的收集和分析，我们需要探索怎样的度量模型才能更适合如此庞大繁杂的度量需求。
发明内容
本发明的目的在于提供一种基于DevOps研发运营一体化的度量方法，其能够度量软件研发团队、个体角色、以及软件***甚至业务目标，并且快速、完整的收集和分析，从而满足目前的度量需求。
本发明的实施例是这样实现的：
本申请实施例提供一种基于DevOps研发运营一体化的度量方法，包含如下步骤：将不同度量方法存储到度量模型中，从而选择其中的上述度量方法；从数据源中采集度量数据，清洗并存储上述度量数据；分析上述度量数据以提取特征数据作为度量元数据；根据上述数据源存储上述度量元数据，并根据选择的上述度量方法分析已存储的所有上述度量元数据，得到上述度量数据的发展趋势和异常分析。
相对于现有技术，本发明的实施例至少具有如下优点或有益效果：
1、本发明通过不同度量方法分别对软件开发团队、个体角色和业务目标进行分析，除了可以展示传统的度量方向，如软件项目管理、开发成本、软件质量、开发生产率(千行代码每人月)等单个项目的度量，也可以展示DevOps、云计算、微服务、容器等新技术的大力发展后对于研发效能，研发质量，研发速度，研发健康度等内容的度量指标，满足在不同场景下使用，提高了人们的工作效率；
2、通过从数据源中采集、清洗和存储度量数据，面对当前复杂的业务场景、组织结构、个体差异、工作***台等因素，本方法可以客观真实地度量软件研发团队、个体角色、以及软件***、和业务目标的度量指标和可视化展示，并且便于通过大数据保存度量数据的分析记录，从而提高了度量分析结果的准确性；
3、本发明对于分散在企业各处的研发大数据能够采用一套先进的方案快速、完整的收集和分析展示；
4、本发明将整个软件研发生命周期中，从需求，设计，开发，测试，部署，运行，维护等所有环节会产生大量的研发过程数据进行加工处理后，以最高的速度反馈到不同角色的手中，形成问题发生、快速探测、快速反馈和快速解决的良性闭环的效果；
5、根据当前的度量元数据和曾保存的度量元数据综合分析，便于快速、完整的收集和分析度量数据，通过提取度量数据的特征数据，从而将特征数据作为度量元数据进行保存，得到度量数据的发展趋势和异常分析，适合庞大繁杂的软件研发企业内部度量需求，也适合各个企业IT内部***或者团队的度量。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例1基于DevOps研发运营一体化的度量方法的流程示意图；
图2为本发明实施例1中绘制工程师画像的示意图；
图3为本发明实施例2绘制团队画像的示意图；
图4为本发明实施例3绘制***画像的示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包含……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在本申请的描述中，需要说明的是，术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
在本申请的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。
实施例1
请参阅图1，图1所示为本申请实施例提供的基于DevOps研发运营一体化的度量方法的流程示意图。其中，基于DevOps研发运营一体化的度量方法，包含如下步骤：将不同度量方法存储到度量模型中，从而选择其中的度量方法；从数据源中采集度量数据，清洗并存储度量数据；分析度量数据以提取特征数据作为度量元数据；根据数据源存储度量元数据，并根据选择的度量方法分析已存储的所有度量元数据，得到度量数据的发展趋势和异常分析。
可选的，通过度量模型选择合适的度量方法时，首先需要明确度量目的，从而选择合适的度量方法。可选的，度量模型分别包含用于个人、团队和***的度量方法。可选的，还可以通过分析所有保存的度量元数据对异常分析进行风险评估。其中可选的，综合分析所有保存的度量元数据时，通过保存的度量数据查找对应的度量元数据。度量方法通过发现度量元数据的一定规律，发现度量数据的发展趋势，并且通过已存储的度量元数据便于快速查找到异常数据，满足了人们对度量技术的需求。
分析度量数据和度量元数据可以通过处理器实现，处理器可以是一种集成电路芯片，具有信号处理能力。该处理器可以是通用处理器，包括中央处理器(CentralProcessing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解，图1所示的基于DevOps研发运营一体化的度量方法仅为示意，基于DevOps研发运营一体化的度量方法还可包括比图1中所示更多或者更少的步骤或组件，或者具有与图1所示不同的配置。图1中所示的各步骤可以采用硬件、软件或其组合实现。
当度量方法用于个人时，如图2所示，以基于DevOps研发运营一体化的度量方法绘制工程师画像为例，将工程师的个人相关数据作为数据源采集工程师的度量数据。其中，数据源可以包含工程师的专业知识、能力、经验和工作能力中的一种或多种。从而根据度量数据分析出工程师的特征数据作为度量元数据，比如：管理经验、爱好和代码数据。其中，代码数据包含代码质量数据、代码问题数据和代码提交数据。可选的，该工程师以往的度量数据包含工程师行为轨迹、研发过程数据、代码分析数据、编程现场数据和编程协作数据中的一种或多种。根据该工程师以往的度量数据提取出的特征数据作为度量元数据，比如：关键人才、多元领域、技术创新、发明专利和研发数据。根据以往的度量元数据和当前的度量元数据可以分析出工程师未来的度量数据，比如潜能、管理、技术专家、专业知识、工作动力、经营和能力。从而预测出该工程师未来的发展趋势，发掘潜力型员工，为管理储备人才。同时，可以通过工程师以往的研发过程数据、代码分析数据、编程现场数据和编程协作数据等代码相关的数据，以及工程师当前的代码质量数据、问题数据和代码提交数据等代码数据进行代码缺陷检测，从而自动纠正代码缺陷、补全或产生关联代码。
可选的，度量数据可以包含业务指标、应用指标、***软件监控指标、***指标、研发过程指标、流水线指标、角色行为数据、研发协同数据、外协数据、人力资源管理数据中的一种或多种。通过各种类型的度量数据可以建立不同的度量模型，从而根据度量方法分析度量元数据以得到不同度量数据的发展趋势，并分析出度量元数据的异常和评估其风险。
可选的，应用指标可以包含可用性、异常、吞吐量、响应时间、当前等待笔数、资源占用率、请求量、日志大小、性能、队列深度、线程数、服务调用次数、访问量和服务可用性中的一种或多种。其中，当前等待笔数可以理解为当前需要排队处理的业务量。
可选的，业务指标可以包含大额流水、流水区域、流水明细、请求笔数、响应时间和响应笔数中的一种或多种。
可选的，***指标可以包含CPU负载、内存负载、磁盘负载、网络IO、磁盘IO、tcp连接数和进程数中的一种或多种。
可选的，数据源可以包含产品目标数据、项目数据、需求管理、代码数据、测试数据、构建数据、部署数据、运维数据、监控数据、开发人员数据、测试人员数据、运维人员数据和基础设计环境数据中的一种或多种。
可选的，度量数据可以是通过文件***、索引***、消息队列、数据库、数据仓库和数据湖中的一种或多种进行存储。
可选的，度量数据的清洗可以包含清洗异常数据、作弊数据和测试数据中的一种或多种。
可选的，度量数据可以通过MapReduce、日志检索、特征提取、样本提取、指标计算、趋势预测、异常分析和风险预估的一种或多种进行分析，以提取所述特征数据。其中，MapReduce通过对数据集的大规模操作分发给网络上的每个节点实现可靠性，每个节点会周期性的返回它所完成的工作和最新的状态。如果一个节点保持沉默超过一个预设的时间间隔，主节点记录下这个节点状态为死亡，并把分配给这个节点的数据发到别的节点。
可选的，度量数据通过驾驶舱报表、质量月报、月报年报、PC端、移动端和通知订阅中的一种或多种进行展示。其中，驾驶舱报表常用文本、图片、表格和统计图四类组件将业务数据的关键指标表示出来，可以直观的监测运营情况，并对异常的关键指标进行及时预警和挖掘分析。
实施例2
本申请实施例与实施例1不同的是，当度量方法用于团队画像时，请参阅图3，以基于DevOps研发运营一体化的度量方法绘制团队画像为例，当团队中包含多个实施例1中的工程师时，通过实施例1中的步骤进行各个工程师的度量数据分析和预测，从而总结成团队画像。团队图像主要依据团队中每个人员的数据，结合团队承接项目的相关数据，产生一个团队的画像。
可选的，度量数据可以包含交付效能、交付质量、交付速度、业务价值、健康度、成熟度等几类中的一种或多种。交付效能类数据可以通过研发生产率、生产稳定性、迭代速度、人均功能点产出等指标表现。交付质量类数据可以通过需求质量、技术债务率、千行代码缺陷率、开发/集成测试/***测试/生产缺陷逃逸率、缺陷趋势、上线变更失败率、严重生产事故数、用户发现缺陷占比、***/应用宕机时长等指标表现。交付速度类数据可以通过需求交付周期、需求完成度、需求响应率、需求在各个阶段的停留时长、吞吐量、缺陷平均诊断/修复/恢复时长、构建(编译/单测/扫描)速度、上线变更时长等指标表现。业务价值类数据可以通过用户价值产出率、净推荐值、功能采纳率、需求上线返工率、需求流动效率等指标表现。健康度类数据可以通过开发/测试环境生成时长、红灯(开发测试等问题)修复时长、过程符合度等指标表现。成熟度会通过上述各类指标按照度量模型进行综合计算得出。
实施例3
本申请实施例与实施例1不同的是，当度量方法用于***画像时，请参阅图4，以基于DevOps研发运营一体化的度量方法绘制软件开发的***画像为例。结合软件开发生命周期中的需求阶段，比如开发，门禁，测试，发布，投产等阶段涉及到的相关过程和工具链，抽取版本控制数据，变更管理数据，持续集成和构建数据，测试相关数据，质量门禁数据，部署流水线、环境管理数据，数据库变更相关数据，以及***运行相关数据及业务数据，共同构成一个软件***的相关数据以采集度量数据。其中，项目A的图像和项目B的图像重合显示，为了便于区分，将项目A和项目B的图像分别标示。
可选的，***画像类的数据可以包含开发管理、需求活动、版本控制、需求变更管理、代码质量管理、持续集成、测试分层策略、自动化测试、部署和发布管理、持续交付流水线、测试数据管理、数据库变更管理、事件和变更管理等数据中的一种或多种。
可选的，***画像类的数据可以包含或复用团队画像数据中的一种或多种。
可选的，***指标可以包含CPU负载、内存负载、磁盘负载、网络IO、磁盘IO、tcp连接数和进程数中的一种或多种。
综上所述，本实施例基于DevOps研发运营一体化的度量方法通过度量模型存储不同的度量方法，满足了在不同使用环境使用；通过选择合适的度量方法，明确度量目标，从而便于区分不同数据源的度量；通过从数据源中采集、清洗和存储度量数据，便于通过大数据对度量数据进行完整的记录；通过度量数据提取特征数据以作为度量元数据，并根据定量数据保存度量元数据，便于查找和分析度量元数据，提高数据度量的准确性；通过度量方法对各数据源的度量元数据进行分析，从而得到度量数据的发展趋势，并通过所有内容的规律分析其中异常的内容，满足了度量技术的数据分析需求。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
方法中所示的功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种基于DevOps研发运营一体化的度量方法，其特征在于，包含如下步骤：将不同度量方法存储到度量模型中，从而选择其中的所述度量方法；从数据源中采集度量数据，清洗并存储所述度量数据；分析所述度量数据以提取特征数据作为度量元数据；根据所述数据源存储所述度量元数据，并根据选择的所述度量方法分析已存储的所有所述度量元数据，得到所述度量数据的发展趋势和异常分析。
2.如权利要求1所述的一种基于DevOps研发运营一体化的度量方法，其特征在于，所述度量数据包含业务指标、应用指标、***软件监控指标、***指标、研发过程指标、流水线指标、角色行为数据、研发协同数据、外协数据、人力资源管理数据中的一种或多种。
3.如权利要求2所述的一种基于DevOps研发运营一体化的度量方法，其特征在于，其中，所述应用指标包含可用性、异常、吞吐量、响应时间、当前等待笔数、资源占用率、请求量、日志大小、性能、队列深度、线程数、服务调用次数、访问量和服务可用性中的一种或多种。
4.如权利要求2所述的一种基于DevOps研发运营一体化的度量方法，其特征在于，其中，所述业务指标包含大额流水、流水区域、流水明细、请求笔数、响应时间和响应笔数中的一种或多种。
5.如权利要求2所述的一种基于DevOps研发运营一体化的度量方法，其特征在于，其中，所述***指标包含CPU负载、内存负载、磁盘负载、网络IO、磁盘IO、tcp连接数和进程数中的一种或多种。
6.如权利要求1或2所述的一种基于DevOps研发运营一体化的度量方法，其特征在于，所述数据源包含产品目标数据、项目数据、需求管理、代码数据、测试数据、构建数据、部署数据、运维数据、监控数据、开发人员数据、测试人员数据、运维人员数据和基础设计环境数据中的一种或多种。
7.如权利要求1所述的一种基于DevOps研发运营一体化的度量方法，其特征在于，所述度量数据是通过文件***、索引***、消息队列、数据库、数据仓库和数据湖中的一种或多种进行存储。
8.如权利要求1所述的一种基于DevOps研发运营一体化的度量方法，其特征在于，所述度量数据的清洗包含清洗异常数据、作弊数据和测试数据中的一种或多种。
9.如权利要求1所述的一种基于DevOps研发运营一体化的度量方法，其特征在于，所述度量数据通过MapReduce、日志检索、特征提取、样本提取、指标计算、趋势预测、异常分析和风险预估的一种或多种进行分析，以提取所述特征数据。
10.如权利要求1所述的一种基于DevOps研发运营一体化的度量方法，其特征在于，所述度量数据通过驾驶舱报表、质量月报、月报年报、PC端、移动端和通知订阅中的一种或多种进行展示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010394142.6A CN111581104A (zh) | 2020-05-11 | 2020-05-11 | 一种基于DevOps研发运营一体化的度量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010394142.6A CN111581104A (zh) | 2020-05-11 | 2020-05-11 | 一种基于DevOps研发运营一体化的度量方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111581104A true CN111581104A (zh) | 2020-08-25 |
Family
ID=72122967
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010394142.6A Pending CN111581104A (zh) | 2020-05-11 | 2020-05-11 | 一种基于DevOps研发运营一体化的度量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111581104A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112465363A (zh) * | 2020-12-03 | 2021-03-09 | 合肥天源迪科信息技术有限公司 | 一种任务管理平台及方法 |
| CN112559645A (zh) * | 2020-12-25 | 2021-03-26 | 中国农业银行股份有限公司 | 一种海量运维数据的处理方法及装置 |
| CN113065737A (zh) * | 2021-02-04 | 2021-07-02 | 上海金融期货信息技术有限公司 | 一种基于DevOps的效能度量方法和*** |
| CN113204334A (zh) * | 2021-05-25 | 2021-08-03 | 郭淙苌 | 一种基于git的软件研发效能度量*** |
| CN113222300A (zh) * | 2021-06-15 | 2021-08-06 | 中国银行股份有限公司 | 产品改造数据的处理方法、装置、可读介质以及设备 |
| CN113780986A (zh) * | 2021-08-26 | 2021-12-10 | 济南浪潮数据技术有限公司 | 一种用于软件研发过程的度量方法、***、设备和介质 |
| CN114546838A (zh) * | 2022-01-27 | 2022-05-27 | 杭州博盾习言科技有限公司 | DevOps中的项目质量评估方法、装置、电子设备及存储介质 |
| US11847539B2 (en) | 2021-07-08 | 2023-12-19 | International Business Machines Corporation | Deploy build blocks and analyze build bottleneck |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008036921A2 (en) * | 2006-09-21 | 2008-03-27 | Impact Technologies, Llc | Systems and methods for predicting failure of electronic systems and assessing level of degradation and remaining useful life |
| US20160335260A1 (en) * | 2015-05-11 | 2016-11-17 | Informatica Llc | Metric Recommendations in an Event Log Analytics Environment |
| CN107423911A (zh) * | 2017-08-02 | 2017-12-01 | 中国科学院上海高等研究院 | 软件成功度评价方法/***、计算机可读存储介质及设备 |
| CN108595983A (zh) * | 2018-04-24 | 2018-09-28 | 许昌学院 | 一种基于硬件安全隔离执行环境的硬件架构、及应用上下文完整性度量方法 |
| CN110569197A (zh) * | 2019-09-12 | 2019-12-13 | 中国工程物理研究院计算机应用研究所 | 一种用于软件可信性评估的可信证据分析与度量方法 |
-
2020
- 2020-05-11 CN CN202010394142.6A patent/CN111581104A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008036921A2 (en) * | 2006-09-21 | 2008-03-27 | Impact Technologies, Llc | Systems and methods for predicting failure of electronic systems and assessing level of degradation and remaining useful life |
| US20160335260A1 (en) * | 2015-05-11 | 2016-11-17 | Informatica Llc | Metric Recommendations in an Event Log Analytics Environment |
| CN107423911A (zh) * | 2017-08-02 | 2017-12-01 | 中国科学院上海高等研究院 | 软件成功度评价方法/***、计算机可读存储介质及设备 |
| CN108595983A (zh) * | 2018-04-24 | 2018-09-28 | 许昌学院 | 一种基于硬件安全隔离执行环境的硬件架构、及应用上下文完整性度量方法 |
| CN110569197A (zh) * | 2019-09-12 | 2019-12-13 | 中国工程物理研究院计算机应用研究所 | 一种用于软件可信性评估的可信证据分析与度量方法 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112465363A (zh) * | 2020-12-03 | 2021-03-09 | 合肥天源迪科信息技术有限公司 | 一种任务管理平台及方法 |
| CN112465363B (zh) * | 2020-12-03 | 2024-04-16 | 合肥天源迪科信息技术有限公司 | 一种任务管理平台及方法 |
| CN112559645A (zh) * | 2020-12-25 | 2021-03-26 | 中国农业银行股份有限公司 | 一种海量运维数据的处理方法及装置 |
| CN113065737A (zh) * | 2021-02-04 | 2021-07-02 | 上海金融期货信息技术有限公司 | 一种基于DevOps的效能度量方法和*** |
| CN113204334A (zh) * | 2021-05-25 | 2021-08-03 | 郭淙苌 | 一种基于git的软件研发效能度量*** |
| CN113222300A (zh) * | 2021-06-15 | 2021-08-06 | 中国银行股份有限公司 | 产品改造数据的处理方法、装置、可读介质以及设备 |
| US11847539B2 (en) | 2021-07-08 | 2023-12-19 | International Business Machines Corporation | Deploy build blocks and analyze build bottleneck |
| CN113780986A (zh) * | 2021-08-26 | 2021-12-10 | 济南浪潮数据技术有限公司 | 一种用于软件研发过程的度量方法、***、设备和介质 |
| CN113780986B (zh) * | 2021-08-26 | 2024-02-27 | 济南浪潮数据技术有限公司 | 一种用于软件研发过程的度量方法、***、设备和介质 |
| CN114546838A (zh) * | 2022-01-27 | 2022-05-27 | 杭州博盾习言科技有限公司 | DevOps中的项目质量评估方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111581104A (zh) | 一种基于DevOps研发运营一体化的度量方法 | |
| Zhang et al. | Visual analytics for the big data era—A comparative review of state-of-the-art commercial systems | |
| US20200366564A1 (en) | Continuous data sensing of functional states of networked computing devices to determine efficiency metrics for servicing electronic messages asynchronously | |
| US20190188616A1 (en) | Risk simulation and assessment tool | |
| US20170109657A1 (en) | Machine Learning-Based Model for Identifying Executions of a Business Process | |
| US11321327B2 (en) | Intelligence situational awareness | |
| US20170109676A1 (en) | Generation of Candidate Sequences Using Links Between Nonconsecutively Performed Steps of a Business Process | |
| CN105868373B (zh) | 电力业务信息***关键数据处理方法及装置 | |
| CN107908550B (zh) | 一种软件缺陷统计处理方法及装置 | |
| US20170109668A1 (en) | Model for Linking Between Nonconsecutively Performed Steps in a Business Process | |
| US20170109667A1 (en) | Automaton-Based Identification of Executions of a Business Process | |
| US8095514B2 (en) | Treemap visualizations of database time | |
| US20170109636A1 (en) | Crowd-Based Model for Identifying Executions of a Business Process | |
| US20190228353A1 (en) | Competition-based tool for anomaly detection of business process time series in it environments | |
| US20170109638A1 (en) | Ensemble-Based Identification of Executions of a Business Process | |
| CA3170083C (en) | Systems and methods for project and program management using artificial intelligence | |
| Hammad et al. | Provenance as a service: A data-centric approach for real-time monitoring | |
| Feitosa et al. | The evolution of design pattern grime: An industrial case study | |
| CN114303134A (zh) | 用于维护视觉一致性的方法、装置和计算机可读介质 | |
| US20220230121A1 (en) | Modeling Expectation Mismatches | |
| Özdağoğlu et al. | Monitoring the software bug‐fixing process through the process mining approach | |
| US20170109637A1 (en) | Crowd-Based Model for Identifying Nonconsecutive Executions of a Business Process | |
| Chircu et al. | Visualization and machine learning for data center management | |
| CN114500316B (zh) | 一种物联网设备巡检方法和*** | |
| EP4174740A1 (en) | Generating efficiency metrics for knowledge workers |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20221021 Address after: 100000 Room 2199, Floor 2, No. 11, Shixing East Street, Shijingshan District, Beijing Applicant after: Beijing Huayou Technology Co.,Ltd. Address before: 2206, Block A, Wangjing Fangheng International Center, Chaoyang District, Beijing 100102 Applicant before: Lei Tao |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200825 |
|
| RJ01 | Rejection of invention patent application after publication |