Logiciel CHAOSS

Le logiciel CHAOSS applique des métriques et des modèles pour collecter et visualiser la santé communautaire open source.

Présentation du logiciel et cas d'utilisation

Augur et GrimoireLab sont tous deux d'excellents outils pour vous aider à obtenir des informations significatives sur la santé des projets et des écosystèmes open source, mais ils adoptent tous deux des approches très différentes. En raison de ces différences, l’un d’eux pourrait être un meilleur choix en fonction de ce que vous devez faire.

Les particularités de GrimoireLab sont que vous pouvez l'utiliser pour :

  • obtenez une vue agrégée de votre activité de développement logiciel sur une grande variété de canaux (par exemple, référentiels, listes de diffusion, outils de chat, wikis) et créez un lieu central pour l'exploration de données à travers les sources afin de donner un sens à ces informations pour votre contexte particulier.
  • appliquez un grand nombre de visualisations existantes et prédéfinies pour repérer les tendances et surveiller en permanence la santé de vos projets et écosystèmes open source et personnalisez ces visualisations à l'aide de requêtes OpenSearch pour explorer des données intéressantes.
  • voir GrimoireLab en action dans le Tableau de bord CHAOSS.

Les caractéristiques distinctives d'Augur sont que vous pouvez l'utiliser pour :

  • concentrez-vous sur les données des plates-formes GitHub et GitLab, qui peuvent s'étendre à des dizaines de milliers de référentiels, et utilisez la base de données relationnelle d'Augur comme outil d'ingénierie de données pour écrire des requêtes personnalisées qui explorent des questions complexes ou imprévues tout en effectuant des recherches approfondies.
  • explorez les données sur la conformité, la sécurité, les dépendances et les sujets logiciels associés pour mieux comprendre les risques potentiels associés à un projet open source, en plus d'utiliser des visualisations pour en savoir plus sur la santé de la communauté.
  • voir Augur en action en utilisant 8Noeud.

Alors que n’importe qui peut utiliser l’un ou l’autre outil pour obtenir des informations significatives :

  • Les data scientists, les chercheurs et autres analystes de données pourraient être plus à l'aise pour écrire des requêtes personnalisées à l'aide de la base de données relationnelle d'Augur pour des recherches approfondies.
  • Les responsables de communauté, les équipes d'ingénierie/produit ou les chefs de projet pourraient apprécier la facilité de détection des tendances à l'aide des visualisations de GrimoireLab dans divers cas d'utilisation.

Cet aperçu ne contient que quelques-uns des nombreux scénarios qui pourraient amener quelqu'un à utiliser les outils CHAOSS. Ce sont deux outils complexes dotés de nombreuses caractéristiques et fonctionnalités qui ne peuvent pas être résumées de manière adéquate en quelques points. De plus, chaque projet open source est unique et les besoins en données sur les projets et les écosystèmes open source peuvent varier considérablement. Bien que nous espérons que le résumé ci-dessus puisse vous aider à sélectionner l'outil adapté à vos besoins, nous vous encourageons à explorer plus en détail les avantages et fonctionnalités supplémentaires ci-dessous avant de faire une sélection finale.

Plus d'avantages et de fonctionnalités

Augure

  • Les données sont collectées de manière incrémentielle et incluent tous les messages et validations associés aux problèmes, aux demandes d'extraction et aux révisions de demandes d'extraction, y compris les données historiques. Cette collection à grande vitesse a été testée sur jusqu'à 100,000 XNUMX référentiels, permettant d'évaluer divers écosystèmes logiciels open source.
  • La collecte et l'analyse vont au-delà du décompte des activités pour inclure les informations sur la couverture des licences et le type de licence, la complexité des logiciels basés sur COCOMO et le coût des données de remplacement par projet et fichier, l'analyse des dépendances logicielles, la mesure de la dépendance. LibAnnéeset les informations persistantes de la carte de score OpenSSF des séries chronologiques.
  • La compréhension de la santé communautaire est étendue grâce à la détection automatique d'activités inhabituelles en effectuant une analyse d'apprentissage automatique en linguistique informatique et une détection d'anomalies de contribution.
  • Les utilisateurs peuvent explorer des questions complexes ou imprévues tout en effectuant des recherches approfondies à l'aide de la base de données relationnelle ou de l'API d'Augur pour écrire des requêtes personnalisées.
  • Augur inclut des visualisations de données via une interface extensible construite à l'aide d'outils familiers aux data scientists (par exemple, Dash et Plotly) sur lesquels 8Noeud est développé.

Pour plus de détails, visitez le Dépôt Augur.

Laboratoire Grimoire

  • Les données sont produites de manière cohérente pour des rapports clairs et des informations fiables. Les données sont collectées à partir de plus de 30 sources de données, y compris des données historiques. La collecte de données incrémentielle permet des mises à jour plus rapides. La qualité des données est garantie grâce à des méthodes cohérentes de prévention de la dégradation des données.
  • Les données brutes sont enrichies pour fournir des informations plus approfondies et permettre une analyse allant au-delà du simple décompte des événements. Par exemple, l'analyse de l'oignon identifie les contributeurs principaux, réguliers et occasionnels au fil du temps. Les mesures d'attraction et de rétention identifient les contributeurs qui ont récemment rejoint un projet et ceux qui sont devenus inactifs.
  • Des solutions de création de tableaux de bord sont fournies en plus des données pour explorer les données et créer des visualisations et des tableaux de bord personnalisés partageables avec des liens et des données en direct.
  • Des interfaces de gestion et des API sont disponibles pour mettre à jour les affiliations organisationnelles et dédupliquer les contributeurs.
  • L'accès aux données est disponible à trois niveaux : (1) Interface utilisateur pour explorer et partager les données ; (2) Interface de gestion pour créer des visualisations et des tableaux de bord, et pour gérer les affiliations ; (3) Interface de données via l'API OpenSearch vers des données brutes et enrichies pour une analyse personnalisée dans différents outils tels que Jupyter Notebooks.
  • L'analyse du réseau permet de découvrir les relations et les interconnexions entre les projets, les référentiels, les contributeurs et les organisations.
  • La confidentialité des données est intégrée pour prendre en charge un fonctionnement conforme au RGPD.

Pour plus de détails, visitez le Site du GrimoireLab.

Les commentaires et suggestions sur cette page peuvent être faits ici : https://github.com/chaoss/website/blob/main/Software/software.md.