.png){kind=icon}
返回
An Intelligent Multi-Class XGBoost-Based Model for Optimizing DevOps Continuous Integration and Continuous Deployment Failure Prediction
.png){kind=icon}
OA
AI
DOI：10.3390/info17020178.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现代软件开发从根本上依赖于敏捷方法论和DevOps实践以促进加速软件交付。持续集成和持续部署（CI/CD）是其中最关键的DevOps实践之一，其成功执行需要重点关注。因此，本研究提出了一种基于多类XGBoost的模型以改进CI/CD失败预测的性能。所提出的模型使用包含来自多个不同编程语言开发项目的广泛构建信息的综合TravisTorrent数据集进行了训练和测试。实验结果表明，所提出的模型在性能上相较于SVM和随机森林模型实现了近18%的统计学显著提升。除性能改进外，本研究采用了SHAP（SHapley Additive exPlanations）分析来解释模型的决策过程，揭示了按重要性降序排列的最具影响力特征依次为构建日志状态、构建持续时间、构建开始时间、仓库中的提交数量以及仓库年龄。这种可解释性增强了所提出模型的可信赖性和透明度。
Keyword:
continuous integration
continuous deployment
DevOps practices
CI/CD failure prediction
期刊
I
IF:
2.9
论文数:
861
被引数:
9.8K
机构
引用论文
On the prediction of continuous integration build failures using search-based software engineering
PREAI
分享收藏Enhancing DevOps Efficiency through AI-Driven Predictive Models for Continuous Integration and Deployment Pipelines通过AI驱动的预测模型增强持续集成和部署流水线的DevOps效率
PREAI
分享收藏Kolawole, I.; Fakokunde, A. Machine learning algorithms in DevOps: Optimizing software development and deployment workflows with precision. Int. J. Res. Publ. Rev. 2025, 2582, 7421. [Google Scholar] [CrossRef]Kolawole, I.; Fakokunde, A. 机器学习算法在DevOps中的应用：精确优化软件开发和部署工作流程。Int. J. Res. Publ. Rev. 2025, 2582, 7421. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏XGBoostProceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
OAAI
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
OAAI分享收藏分享收藏
查看更多内容