| Abstract |
Šajā pētījumā tiek izmantots mākslīgais intelekts un ML, lai risinātu CI/CD
cauruļvada problēmas. Lai atrisinātu problēmas, kas saistītas ar izvietošanas
neveiksmēm, ierīču dīkstāvēm un neefektīviem atgriešanas procesiem. CI/CD paātrina
programmatūras programmu izlaidumus, taču ir neaizsargāts pret nepareizu
konfigurāciju, kļūdām un ierobežotu kļūdu atklāšanu. Tradicionālā reaktīvā taktika
ierobežo izstrādi un palielina darbības izmaksas manuālas reģistrēšanas un
atkļūdošanas dēļ. Šajā rakstā ierosināta ar ML darbināma platforma, kas paredz
izvietošanas katastrofas, izmantojot vēsturiskus CI/CD žurnālus, automatizē reāllaika
kļūdu paziņojumus un sniedz mākslīgā intelekta virzītas izvēles vadlīnijas, lai atrisinātu
šo neefektivitāti. Prognozējošā analītika un pārdomāta automatizācija, lai proaktīvi
pārvaldītu CI/CD metodes, uzlabo DevOps komandu izvietošanas uzticamību un darba
plūsmas veiktspēju, sniedzot ievērojamu ieguldījumu šajā nozarē. Iegūti seni kļūdu stili
no Jenkins, GitHub Actions un AWS CloudWatch CI/CD žurnāliem, veikta to
pirmapstrāde un kvalificēta loģistiskā regresija, XGBoost, Autoencoder un Isolation
Forest sīkrīku iepazīšanas modeļi. Šie modeļi tika novērtēti, izmantojot precizitātes,
atsaukšanas un F1 rādītājus. Izvēlētais modelis tika izvietots, izmantojot Flask/FastAPI,
un integrēts CI/CD infrastruktūrā, lai robotizēti atgrieztos pie spēcīgas versijas
pārmērīgas neveiksmes iespējamības gadījumā. Turklāt mākslīgā intelekta virzītas
norādes palīdzēja DevOps komandām optimizēt izvietošanas metodes un cauruļvadu
uzticamību.Šajā apskatā tiek izmantota reālās pasaules žurnāla informācija, lai
novērtētu ierīču apgūšanas modeļus, īpaši XGBoost un loģistisko regresiju, CI/CD
cauruļvada kļūdu prognozēšanai. XGBoost pārspēja loģistisko regresiju visos
prognozēšanas mērķos ar 98,63% kļūdu koeficientu un 91,10% kļūdu prioritātes
noteikšanas precizitāti. Tā labi klasificēja pārmērīgas un kafijas nopietnības kļūdas un
pēkšņas izvietošanas katastrofas. Klases nelīdzsvarotības un žurnālu stilu pārklāšanās
dēļ ir grūti paredzēt aizsardzības ievainojamības ar 53,42% precizitāti un kļūdu
ietekmes reģionus ar 41,78% precizitāti. Lai klasificētu būtiskākos drošības
apdraudējumus un vispārējās veiktspējas problēmas, ir nepieciešama precīzāka
funkciju inženierija, statistikas papildināšana un hibrīda modelēšana. Modeļa spēja
5
klasificēt problēmu nopietnību padara to piemērotu ražošanas izvietojumiem, tomēr tā
negatīvā vispārējā veiktspēja dažādās jomās liecina par metodēm, kā uzlabot CI/CD
cauruļvadu uzticamību un DevOps lēmumu pieņemšanu.
Maģistra darbā ir 101 lappuse, 39 attēli, 29 tabulas un 25 literatūras avoti. |
