微软推出可自动发现 bug 的 AI 工具
Finding and fixing bugs with deep learning - Microsoft Research
近期，微软研究人员推出一款基于生成对抗网络（GANs）的 AI 工具 BugLabs，能够自动识别、定位并修改 bug。
目前 BugLabs 的技能点主要加在 Python 中的常见 bug 检测，例如错误的关系运算、布尔运算和变量名。小范围的测试表明，BugLab 的成绩比其他检测器高出约30%，但误报率仍较高。
相比于基于规则的代码问题扫描工具，AI 工具更擅长根据代码语义进行推理、从注释、变量名等部分的自然语言中提取信息，从而发现逻辑方面的错误。
生成对抗网络提供了一种不需要大量标注训练数据的自监督学习方式，研究者称之为"捉迷藏式学习"。BugLab 中的两个模型——负责注入 bug 的 Selector 模型和负责找出 bug 的 Detector 模型共同训练，随着时间推移，Selector 将学会注入复杂度更高更隐蔽的 bug，而 Detector的 debug 能力也将得到提升。
延伸阅读：AI 如何理解代码？
为了更真实地模拟人类写 bug 和 debug，Selector 和 Detector 都需要学习更好地理解代码。在这篇 2018 年发表的论文中，微软研究人员分享了他们的思路。
程序代码有两条被理解的路径：一是编译为机器指令，使机器可理解、可执行，二是借助自然语言（名称、代码布局、注释等），来帮助其他开发者或是六个月后的开发者本人理解。微软研究者们试图教会 AI 辨别这两条路径是否存在冲突，进而定位潜在的 bug。
基于源码，可建构以变量、运算符、方法名为node、以语法和语义为edge的图，再将其应用于训练图神经网络，来执行检查变量误用和预测变量名称的任务。
语法Edge和语义Edge示例
GitLab 收购可观测性开源工具 Opstrace
近日，GitLab 宣布收购可观测性开源平台 Opstrace，以扩展其 DevOps 全周期能力。
Opstrace 成立于 2019 年初，是一个用于实现系统可观测性的开源平台，可以理解为 Datadog、Splunk 和 SignalFx 等工具的开源替代品。可观测性指在生产环境中解读软件系统的度量、日志、链路追踪信息，进而理解系统的内部状态与性能表现。GitLab 产品先前仅提供事故告警与管理功能，而 Opstrace 可观测方面的能力可以作为很好的补足，实现代码指导性检测，性能改进时洞察性能下降趋势，合并请求中审查环境的性能反馈，部署自动回滚，以及事故发生时快速探索和分流等能力。
本次收购也是 GitLab 今年 10 月提交 IPO 后的第一个收购动作。GitLab 希望将 Opstrace 集成为开箱即用的监控组件，与 GitLab 界面、数据、功能接通，提升开发人员的体验与生产力，降低事故率与修复时间。
延伸阅读：
https://zhuanlan.zhihu.com/p/28075841
可观测性中的度量（Metrics）日志（Logging）和链路追踪的区别和关联是什么？
一般来说，日志系统是对应用或者系统事件做记录，这些记录可以作为问题排查，取证的依据。
度量系统是对某些我们关注事件的聚合，当达到一定指标我们会设置告警，会设置自适应机制，会有容灾等等。
追踪系统则更关注请求的质量和服务可行性，是优化系统，排查问题的高阶方法。
活动
第十届 TOP100 全球软件案例研究峰会将于 2022 年 1 月 6-9 日在北京召开。TOP100 峰会旨在发现有案例教学意义的项目或方法论，甄选有学习价值的100+技术创新/研发管理实践，分享先进企业在本年度最值得总结、盘点的实践启示。
本届峰会将围绕数字化转型中的 6 大关键岗位角色、18 项专题，展开扎实、有深度的行业实践案例研究，给企业注入创新技术思维方式，为组织提供思考与帮助，提升竞争力。
在 TOP100 峰会中，每位讲师将进行一小时左右的梳理分享，参会者可以沉淀2021年的技术实践核心启示，预见2022的技术新趋势，将案例实践与项目经验结合到自己的实际工作中。
届时，思码逸企业版负责人郑润锦也将在峰会上进行分享，讨论如何在资源和时间紧张的情况下，快速搭建起度量基础设施，走出研发效能度量从“喊号子”到“迈步子的第一步。
本文由博客一文多发平台 OpenWrite 发布！
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
