A Multi-Platform Specification Language and Dataset for the Analysis of DevOps Pipelines
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
To meet market demand for products that are delivered faster, while also delivering high-quality products, businesses are seeking to streamline and accelerate the design, development, and delivery process. The DevOps methodology addresses automation and faster delivery processes. Platforms such as GitHub, GitLab, Bitbucket, Azure DevOps, and Jenkins are commonly used to specify automation pipelines. With the proliferation of these platforms, it has become more difficult to analyze pipelines across individual platforms. An analysis environment that abstracts from individual platforms and can understand several pipeline dialects could address these issues. In this paper, we present a language and an Xtext-based editor for the analysis of multi-platform pipeline specifications that covers dialects from the GitHub Actions, GitLab, BitBucket, Bamboo, Circle CI, and Azure DevOps platforms. Furthermore, we present a heterogeneous dataset of automation pipelines from different platforms. We conducted a systematic analysis of existing pipeline specifications before defining the multi-platform language, and we mined and preprocessed 42,106 pipelines from open-source projects such as GitHub and Software Heritage for validation. According to our results, the proposed editor successfully parsed 40,160 pipelines after applying minor pre-processing. Based on a random sample of the remaining 1,946 pipelines, these pipelines were not parsed successfully due a malformed pipeline specification, or the files being intended for other purposes. The proposed analysis environment including language, editor, and dataset paves the way for further cross-platform analysis of automation pipelines. To demonstrate a use case for the analysis environment, we identify five distinct pipeline specification patterns from the successfully parsed pipelines to better understand common pipeline usage.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle