Ключевые слова
метрики DORA
фреймворк SPACE
закон Гудхарта
анализ данных Git-репозиториев
система контроля версий
ролевое разграничение доступа
парная визуализация показателей
приватность данных
bus factor
REST API
Как цитировать
Аннотация
рассмотрена задача автоматизированной диагностики процессов разработки программного обеспечения на основе данных систем контроля версий. Показано, что существующие инструменты инженерной аналитики преимущественно реализуют сценарий управленческого контроля производительности сотрудников, что в силу закона Гудхарта приводит к деградации собираемых показателей и сопротивлению команд. Предложена архитектура информационной системы, в которой защита приватности участников и противодействие закону Гудхарта являются не дополнительной функцией, а условием реализации программного интерфейса: ролевая сегрегация видимости данных реализована на уровне REST API по принципу защиты в глубину и возвращает отказ доступа на уровне сервиса, а не маскирует данные в пользовательском интерфейсе. В качестве методологической основы использованы исследовательская модель DORA в актуальной пятиметричной редакции и фреймворк SPACE как принцип многомерности диагностики. Описаны состав измеряемых метрик и алгоритмы их расчета на основе инкрементально собираемых данных GitLab: время прохождения изменений, частота развертываний, доля неудачных изменений, декомпозированное время жизни запроса на слияние, распределение размеров запросов на слияние и показатель устойчивости команды Bus Factor по модулям кодовой базы. Реализован минимально жизнеспособный продукт системы с тремя ролевыми дашбордами, парной визуализацией показателей скорости и качества, прозрачностью алгоритмов расчета, экспортом отчетов и развертыванием средствами docker-compose, пригодным для сценариев локализации обрабатываемых данных. Результаты применимы для диагностики процессов разработки в командах, использующих GitLab.
Благодарности
Литература
Forsgren N., Kersten M. DevOps Metrics. Communications of the ACM. 2018;61(4):44–48. DOI: 10.1145/3159169.
Forsgren N., Storey M.-A., Maddila C., Zimmermann T., Houck B., Butler J. The SPACE of Developer Productivity: There’s More to It than You Think. ACM Queue. 2021;19(1):20–48. DOI: 10.1145/3454122.3454124.
Strathern M. ’Improving Ratings’: Audit in the British University System. European Review. 1997;5(3):305–321.
Яцук С. Н., Еловой С. Г. Аналитическая платформа для оценки эффективности разработки GITALPHA. Труды НИИСИ РАН. 2026;16(1):49–52.
Bacchelli A., Bird C. Expectations, Outcomes, and Challenges of Modern Code Review. Proc. 35th Int. Conf. on Software Engineering (ICSE). 2013:712–721. DOI: 10.1109/ICSE.2013.6606617.
McIntosh S., Kamei Y., Adams B., Hassan A. E. An Empirical Study of the Impact of Modern Code Review Practices on Software Quality. Empirical Software Engineering. 2016;21(5):2146–2189.
Gousios G., Pinzger M., van Deursen A. An Exploratory Study of the Pull-Based Software Development Model. Proc. 36th Int. Conf. on Software Engineering (ICSE 2014). 2014:345–355.
Beller M., Bacchelli A., Zaidman A., Juergens E. Modern Code Reviews in Open-Source Projects: Which Problems Do They Fix? Proc. 11th Working Conf. on Mining Software Repositories (MSR). 2014:202–211.
Avelino G., Passos L., Hora A., Valente M. T. A Novel Approach for Estimating Truck Factors. Proc. 24th IEEE Int. Conf. on Program Comprehension (ICPC). 2016:1–10.
Jabrayilzade E., Evtikhiev M., Tu¨zu¨n E., Kovalenko V. Bus Factor in Practice. Proc. 44th Int. Conf. on Software Engineering: Software Engineering in Practice (ICSE-SEIP). 2022:97–106.
Rigby P. C., Bird C. Convergent Contemporary Software Peer Review Practices. Proc. 2013 9th Joint Meeting on Foundations of Software Engineering (ESEC/FSE). 2013:202–212.
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.