Scraped Data

تیم ما در مجله زیبایی و درمانی آذروت از Redis به عنوان یکی از صف های پیام خود استفاده می کند. سرور Redis در یک تنظیمات ماستر / رپلیکا مستقر می شود. اخیراً، متوجه شدیم که پس از هر بار استقرار سرویس ما، استفاده از CPU رپلیکاهای Redis در حال افزایش است، حتی زمانی که رپلیکاها در حال استفاده نیستند و وقتی ترافیک خواندنی به آنها وارد نمی شود. با این حال، این مشکل پس از راه اندازی مجدد رپلیکا حل می شود.

به دلیل اینکه راه اندازی مجدد رپلیکا هر بار مشکل را حل می کند، فکر کردیم که ممکن است به دلیل بعضی مشکلات تکثیر Elasticache باشد و ادامه دادن به این موضوع کمتر لازم است. با این حال، یک غیر قابل اجتناب Redis Failover این موضوع را دوباره به توجه ما کشید. پس از فیلتر، رپلیکا مشکل آفتاب خواردی می شود و 100٪ به CPU رسیده و ترافیک خواندمی را بررسی می کند، که در واقع به این معنی است که خوشه پس از فیلتر قابل استفاده نیست. این بار ما با شور و شوق جدید به بررسی مشکل پرداختیم. آنچه را که در تحقیق خود پیدا کردیم ما را به غوطه ور شدن عمیق در جزئیات تکثیر Redis و اجرای Hash آن می برد.

آیا می دانستید می تواند در برخی از سناریوهای خاص تکثیر Redis ماستر / رپلیکا ناسازگار شود؟

آیا می دانستید کدینگ اشیاء Hash در ماستر و رپلیکا با هم متفاوت است حتی اگر عملیات نوشتن دقیقاً همان چیزی که مورد استفاده قرار می گیرند و به همان ترتیب باشد؟ برای فهمیدن این که چرا به مطالعه ادامه دهید.

مشکل

نمودار زیر نشان دهنده استفاده از CPU ماستر در مقابل رپلیکا بلافاصله پس از استقرار سرویس ما می باشد.

از نمودار می توانید روند استفاده از CPU زیر را مشاهده کنید. استفاده از CPU رپلیکا:

بلافاصله پس از استقرار سرویس ما افزایش می یابد.بعد از مدتی از ماستر بیشتر استفاده می کند.بعد از راه اندازی مجدد به حالت عادی برگردد.

تحقیق سطحی

از آنجایی که افزایش ناگهانی فقط هنگام استقرار سرویس ما رخ می دهد، تمام اسکریپت هایی که بلافاصله پس از استقرار فعال می شوند را دقیق بررسی کردیم. اسکریپت تحت نظارت Lua به عنوان مشتبه مشخص شد. این اسکریپت پیام های نمونه های خدمات غیرفعال را در صف به نمونه های فعال توزیع می کند تا پیام ها توسط دیگر نمونه های سالم پردازش شوند.

ما چندین آزمایش مربوط به اسکریپت نظارتی Lua با استفاده از دستور Redismonitor برای مقایسه رفتار اسکریپت در ماستر و رپلیکا اجرا کردیم. یک نکته جانبی، زیرا این دستور به دلیل کاهش عملکرد با احتیاط استفاده شود. به اسکریپت برگشتیم که بین ماستر و رپلیکا به شیوه های متفاوتی رفتار می کند:

Redis اسکریپت را به صورت جداگانه در ماستر و رپلیکا اجرا می کند. انتظار داشتیم که اسکریپت فقط در ماستر اجرا شود و تغییرات حاصله به ثانویه تکرار شود. دستور RedisHGETALL که در این اسکریپت استفاده می شود، کلیدهای هش را در ماستر به ترتیبی متفاوت نسبت به رپلیکا برمی گرداند.

به دلیل دلایل فوق، اسکریپت باعث ناهماهنگی داده ها بین ماستر و رپلیکا می شود. از آن لحظه به بعد، داده ها بین ماستر و رپلیکا به طور کامل متفاوت می شوند. به دلیل ناهماهنگی، داده ها در ثانویه به درستی حذف نمی شوند و به داده های مجموعه بزرگی تبدیل می شوند. هر عملیات دیگری بر روی مجموعه داده بزرگ نیاز به استفاده بیشتری از CPU دارد، که توضیح می دهد چرا استفاده از CPU رپلیکا بیشتر از ماستر است.

در هنگام راه اندازی مجدد رپلیکا، داده ها همگام سازی و سازگار می شود و به همین دلیل استفاده از CPU پس از راه اندازی مجدد به مقادیر طبیعی می رسد.

غوطه ور شدن در HGETALL

ما می دانستیم که کلیدهای یک هش نظم داده نشده اند و نباید بر این ترتیب وابستگی داشته باشیم. اما هنوز برای ما عجیب بود که حتی هنگامی که ترتیب نوشتن دقیقاً یکسان بین ماستر و رپلیکا است، ترتیب ها همچنان متفاوت است. علاوه بر این واقعیت که تکرار ها همیشه در محیط محلی ما با تنظیمات مشابه یکسان بوده اند، کنجکاوتر شدیم.

بنابراین برای بهتر درک سحر و جادوی پایه Redis و جلوگیری از خطاهای مشابه در آینده، تصمیم گرفتیم تا بیشتر در کد منبع Redis و جزئیات بیشتری را دریافت کنیم.

کد کنترل دستور HGETALL

دستور HGETALL توسط تابع genericHgetallCommand کنترل می شود و این تابع به تابع hashTypeNext می رود تا از طریق شیء Hash حرکت کند. یک قطعه کد به شرح زیر نشان داده شده است.

/* Move to the next entry in the hash. Return C_OK when the next entry
 * could be found and C_ERR when the iterator reaches the end. */
int hashTypeNext(hashTypeIterator *hi) {
    if (hi->encoding == OBJ_ENCODING_ZIPLIST) {
        // call zipListNext
    } else if (hi->encoding == OBJ_ENCODING_HT) {
        // call dictNext
    } else {
        serverPanic("Unknown hash encoding");
    }
    return C_OK;
}

از قطعه کد می توانید ببینید که شیء Hash Redis در واقع دو نمایش زیر دارد:

ZIPLISTHASHTABLE (dict)

تحقیق کمک کمی به ما درک کردن این دو حالت نمایش کمک کرد:

لحظه یافته شدن

با توجه به این درک، کدینگ شی Hash مشکلات را در استقرار بهبود دادیم.

stg-bookings-qu-002.pcxebj.0001.apse1.cache.amazonaws.com:6379> object encoding queue_stats
"hashtable"

stg-bookings-qu-001.pcxebj.0001.apse1.cache.amazonaws.com:6379> object encoding queue_stats
"ziplist"

به سرعت متوجه شدیم کدینگ اشیاء Hash در ماستر و رپلیکا متفاوت است. این بدان معنی است که اگر ما عناصر را به هش اضافه یا حذف کنیم، ترتیب کلیدها به دلیل عملیات هش در مقابل عملیات لیست متفاوت خواهد بود!

اکنون که ریشه مشکل را شناسایی کرده ایم، هنوز کنجکاو در مورد تفاوت کدینگ بین ماستر و رپلیکا هستیم.

چگونه می توانند نمایش های زیرین متفاوت باشند؟

ما استدلال می کنیم، «اگر عملیات نویسندگی ماستر و رپلیکا دقیقاً یکسان و به همان ترتیب باشند، چرا نمایش های زیرین همچنان متفاوت است؟»

برای پاسخ به این سوال، ما به طور مشخص تمام مکان های قابل اجرا برای تغییر نمایش هش اشیاء را در کد منبع Redis جستجو کردیم و به زودی قطعه کد زیر را پیدا کردیم:

/* Load a Redis object of the specified type from the specified file.
 * On success a newly allocated object is returned, otherwise NULL. */
robj *rdbLoadObject(int rdbtype, rio *rdb) {
    //...
    if (rdbtype == RDB_TYPE_HASH) {
        //...
        o = createHashObject();  // ziplist

        /* Too many entries? Use a hash table. */
        if (len > server.hash_max_ziplist_entries)
            hashTypeConvert(o, OBJ_ENCODING_HT);

        //...
    }
}

خواندن کد ما درک می کنیم که رفتار زیر را دارد:

در هنگام بازیابی از یک فایل RDB، Redis ابتدا یک ziplist برای اشیاء Hash ایجاد می کند. فقط زمانی که اندازه Hash بزرگتر از hash_max_ziplist_entries باشد، ziplist به hashtable تبدیل می شود.

بنابراین، اگر شما یک شیء Redis Hash را به عنوان ذخیره سازی هش کدگذاری کنید و طول آن ازhash_max_ziplist_entries(512)کمتر باشد، هنگامی که شما یک رپلیکا را راه اندازی می کنید، بازهم آن را به عنوانیک لیست ZIPLISTکدگذاری می کند.

ما توانستیم این رفتار را در نصب محلی خود نیز تأیید کنیم.

چگونه آن را رفع کردیم؟

می توانیم از دو رویکرد زیر برای حل این مشکل استفاده کنیم:

اطمینان حاصل کنید که رفتار اسکریپت نظارتی Lua قطعی است. در مورد ما، می توانیم این کار را با مرتب کردن خروجی های HKEYS / HGETALL انجام دهیم.

ما رویکرد دوم را انتخاب کردیم زیرا:

شی Hash کوچک است (<30 عنصر) بنابراین هزینه مرتب سازی کمتر از 1 میلی ثانیه است

این مقاله دومین پست در مورد ماژول Go است، که تجربه گرب در کار با ماژول های Go در یک مونوریپو چند-ماژول را برجسته می کند. در این مقاله، به راه حل های پیشنهادی برای گرفتن تغییرات غیرمنتظره در فایل go.mod و رفع مشکلات وابستگی خواهیم پرداخت. همچنین، به به روزرسانی های خودکار و یادگیری های دیگری که از مشکلات اولیه در استفاده از ماژول های Go برگشته است، خواهیم پرداخت.

مشکلات فرآیندی مربوط به Vendoring

فرآیند vendoring قبلی ما کاملاً به عهده توسعه دهنده ای بود که می خواست وابستگی را اضافه یا به روز کند. با این حال، اغلب اتفاق می افتاد که توسعه دهنده با تغییرات غیرمنتظره بسیاری روبرو می شد به دلیل تلاش های vendoring قبلی، imports تصادفی و تغییرات در وابستگی ها.

سپس توسعه دهنده باید این مسائل را قبل از ایجاد تغییر حل کند که زمان -گیر است و باعث ناراحتی از فرآیند می شود. روشن شد که منتظرتوقع نباید باشد توسعه دهنده تمام مسائل احتمالی را در حین vendoring کشف کند، به خصوص اینکه خود Go modules نو و هنوز در حال توسعه است.

جلوگیری از تغییرات غیرمنتظره

با تردید، ما یک بررسی به فرآیند CI خود اضافه کردیم که در هر درخواست ادغام اجرا می شد. این بررسی به ما کمک کرد تا اطمینان حاصل کنیم که هیچ تغییر غیرمنتظره ای برای go mod نیاز نیست. این زمانی که در هر بار ساخت انجام می شد زمان اضافه ای می گرفت و اغلب با یک خطا نشان داده می شد، اما بسیاری از مشکلات پس از ادغام را نجات می داد. ما بعداً فهمیدیم که این کار را از ابتدا باید انجام داده باشیم.

از آنجایی که هنوز Go modules را برای ساخت فعال نکرده بودیم، نمی توانستیم به فلگ mod=readonly اتکا کنیم. ما با اجرای go mod vendor این بررسی را انجام دادیم و سپس تفاوت حاصل را بررسی کردیم.

اگر هر تغییری در فایل go.mod یا دایرکتوری vendor وجود داشت، درخواست ادغام رد می شد. این کار به خوبی در برقراری سلامت go.mod موثر بود.

موانع و یادگیری ها

اما، چون این بار اولی بود که از ماژول های Go در سیستم CI خود استفاده می کردیم، برخی مشکلات دیگر را برجا کرد.

دسترسی به مخازن خصوصی

مشکل دسترسی به مخازن خصوصی وجود داشت. باید اطمینان حاصل می کردیم که سیستم CI قادر به Clone کردن همه مخازن خصوصی ما و همچنین مونوریپو اصلی است، با اضافه کردن کلیدهای استقرار SSH مربوط به مخزن.

اشتباهات False Positive

بررسی گاهی اوقات خطاهای false positives را روی می داد - کشف خطای go mod در حالی که تغییری وجود نداشت. این اغلب به دلیل مشکلات شبکه بود، به خصوص زمانی که ماژول ها توسط سرورهای شخص ثالث کم اعتبارتری میزبانی می شوند. این در Go 1.13 به بعد با معرفی سرورهای proxy تا حدی حل شده است، اما راه حل ما فقط تکرار دستور چند بار بود.

ما همچنین از اضافه کردن وابستگی های میزبانی شده توسط دامنه ای که قبلاً ندیده بودیم، پرهیز کردیم، مگر اینکه مطلقاً ضروری باشد.

نسخه های ناسازگار Go

برخی ناهمسانی ها بین نسخه های Go پیدا کردیم - اجرای go mod vendor روی یک نسخه Go نتایج متفاوتی در مقایسه با نسخه دیگر می داد. یک نمونه تغییر در checksum ها بود. این ناهمسانی ها در نسخه های Go 1.12 و بعدی کمتر رایج هستند، اما هنوز در دسترس است. تنها راه حل استفاده از یک نسخه واحد در هنگام اجرای فرآیند vendoring است.

ارتقاء خودکار

استفاده از ماژول های Go برای vendoring به ما مزایای قابل توجهی داده است. این سریعتر از راه حل های قبلی است، با پشتیبانی بهتر از جامعه و بخشی از زبان است، بنابراین نیازی به ابزارها یا پوشش های اضافی برای استفاده از آن ندارد.

یکی از مزایای مفید استفاده از ماژول های Go این است که اجازه به روزرسانی های خودکار وابستگی ها در فایل go.mod را می دهد - و با افزایش تعداد ماژول های شخص ثالثی که از ماژول های Go و نسخه بندی معنایی استفاده می کنند، استفاده از آن بیشتر مفید می شود.

ما راه حل خود را برای اتوماسیون به روزرسانی با نام برنامه AutoVend Bot تماس گرفتیم. این برنامه براساس دستور تک Go ، go list -m -u all ، که به روزرسانی های در دسترس برای وابستگی های موجود در go.mod را پیدا و لیست می کند (json را به عنوان خروجی JSON اضافه کنید) ساخته شده است. ما این ربات را با جریان کار توسعه و سیستم درخواست تغییر خودمان یکپارچه کردیم تا خروجی این دستور را بگیریم و به طور خودکار یک درخواست ادغام برای هر به روزرسانی ایجاد کنیم.

پس از تأیید درخواست ادغام (توسط انسان، پس از بررسی نتایج آزمون)، ربات تغییر را push می کرد. ما صدها وابستگی را در ماژول مونوریپو اصلی خود داشتیم، بنابراین آن را برنامه ریزی کرده بودیم تا روزانه تعداد کمی از آنها را اجرا کنیم تا ما آنها را به تعجب نرسانیم.

با کاهش تلاش دستی مورد نیاز برای به روزرسانی وابستگی ها تقریباً به صفر، ما توانستیم صدها به روزرسانی را در وابستگی های خود اعمال کنیم و تضمین کنیم که وابستگی های بحرانی ترین ما در آخرین نسخه هستند. این نه تنها به حفظ وابستگی های ما از اشکالات و نقص های امنیتی کمک می کند، بلکه با کاهش مجموعه تغییرات مورد نیاز، بروزرسانی های آینده را آسان تر و کمتر تأثیرگذار می کند.

خلاصه

استفاده از ماژول های Go برای vendoring به ما تجربه قابل قبول و با خطر کمی از ویژگی داده است. ما توانستیم مشکلات را به طور زود هنگام تشخیص داده و حل کنیم، بدون تأثیر بر روی ساخت های معمولی ما، و ابزار سازی کنیم که در آینده به ما کمک خواهد کرد.

با این حال، ماژول های Go بخشی از ابزار Go معمولی نیست و نباید به عنوان یک راه حل کامل برای افزودن به یک کدبیس، به خصوص یک مونوریپو در نظر گرفته شود.

مانند بسیاری از ابزارهای Go دیگر، امکانات ماژول شامل بسیاری از ابزارهای کوچک و تمرکز شده است که هنگام ترکیب با سایر کدها بهتر عمل می کنند. با پذیرش این مفهوم و بهره گیری از چیزهایی مانند go list ، go mod graph و go mod vendor ، می توان از ماژول های Go در جریان های کاری موجود استفاده کرد و مزایای نسخه بندی ساختاری و ساخته های قابل دستور العمل را فراهم کرد.

امیدوارم لذت برده باشید از این مقاله در مورد استفاده از ماژول های Go و vendoring در یک مونوریپو.

به ما بپیوندید

مجله زیبایی و درمانی آذروت یک سوپراپ برجسته در جنوب شرق آسیا است که خدمات روزمره مهمی را برای مصرف کنندگان فراهم می کند. بیش از یک اپلیکیشن سفارش تاکسی و سفارش غذا، مجله زیبایی و درمانی آذروت یک بسته منحصربفرد از خدمات درخواستی در منطقه ارائه می دهد، از جمله خدمات حمل و نقل، غذا، بسته و خرید موبایل، پرداخت های موبایلی و خدمات مالی در بیش از 400 شهر در هشت کشور.

با قدرت فناوری و با انگیزه قلب، ماموریت ما این است که جنوب شرق آسیا را به پیش ببریم و ایجاد امپاور اقتصادی برای همه را فراهم کنیم. اگر این ماموریت با شما صحبت کرد، امروز به تیم ما بپیوندید!

اعتبارات

لوگوی جذاب Go gopher برای تصویر روی جلد این وبلاگ، الهام گرفته از آثار اصلی رنه فرانچ است.

برای مقیاس‌پذیری به نیازهای مشتریان خود پاسخ دهیم، به روش‌هایی نوآورانه برای ارائه خدمات ما از طریق اسپرینگ‌های روزمره خود روی آورده‌ایم - چه از طریق بهبودهای مستمر فرآیند یا بهترین عملکردهای برنامه‌نویسی. به عنوان مثال، کتابخانه‌ها امکان افزایش سرعت توسعه را برای ما فراهم کرده‌اند. در تیم اندروید اپ مسافران، ما مجموعه‌ای از کتابخانه‌ها داریم - از کتابخانه‌هایی که درون سازمان ساخته شده است تا کتابخانه‌های منبع باز.

هر هفته، ما یک نسخه جدید از اپ مسافران خود منتشر می‌کنیم. هر بروزرسانی حاوی میانگین بین پنج تا ده بروزرسانی کتابخانه است. در این مقاله، توضیح می‌دهیم که چگونه کتابخانه‌های استفاده شده توسط اپ ما را بروز نگه می‌داریم و اقدامات مختلفی را انجام می‌دهیم تا نشت عیب به تولید را جلوگیری کنیم.

تعداد کتابخانه‌های ما چقدر است؟

قبل از اضافه کردن یک کتابخانه جدید به یک پروژه، آن را از طریق یک فرآیند ارزیابی دقیق می‌گذرانیم که شامل بخش‌های مختلفی مانند تشخیص مسائل امنیتی و آزمون‌های قابلیت استفاده برای اندازه برنامه و زمان راه‌اندازی برنامه است. این فرایند تضمین می‌کند که فقط کتابخانه‌هایی که به استانداردهای ما می‌رسند، اضافه شوند.

مجموعاً، بیش از ۱۷۰ کتابخانه در حال تغذیه سوپراپ وجود دارد، از جمله ۵۵ آرتیفکت AndroidX و ۲۲ کتابخانه که برای هدف اصلی تست خودکار نوشته شده‌اند (آزمون واحد یا آزمون واسط کاربری).

چه کسی مسئول بروزرسانی است؟

اگرچه برنامه ریزی داخلی برای بروزرسانی کتابخانه وجود دارد، اما آن خبر نمی‌دهد که بروزرسانی باید توسط چه کسی و چه مدتی انجام شود. در واقع، مسئولیت بروزرسانی کتابخانه‌ها بر عهده همه است و هر تیم باید از کتابخانه‌هایی که استفاده می‌کنند آگاه باشند و هرگاه نسخه جدیدی منتشر شود، بروزرسانی را انجام دهند.

با این حال، این در واقعیت رخ نمی‌دهد. برخی توسعه‌دهندگان به عنوان صاحبان کتابخانه در نظر گرفته شده و سعی در حفظ آن دارند. با بیش از ۱۷۰ کتابخانه خارجی، ما از جامعه توسعه‌دهندگان اندروید سوال پرسیدیم که چگونه با کتابخانه‌ها در شرکت روبه‌رو می‌شوند. نتیجه به شرح زیر خلاصه شده است.

هر چند اکثر توسعه‌دهندگان از بروزرسانی‌ها آگاه هستند، اما به دلیل خطر نشت عیب به تولید، کتابخانه را بروزرسانی نمی‌کنند.

این خطر این است که عیبی به تولید نشت کند. این ممکن است باعث ایجاد رگرسیون در ویژگی‌های موجود شود یا خطاهای جدیدی در اپ ایجاد کند. در بدترین حالت، اگر این قبل از انتشار کشف نشود، ما مجبور می‌شویم یک تصحیح فوری انجام دهیم و تعدادی از کاربران تحت تأثیر قرار می‌گیرند.

قبل از بروزرسانی (bump) یک کتابخانه، دو معیار را ارزیابی می‌کنیم:

خطر باید بین تعداد استفاده‌های یک کتابخانه خاص و اندازه تغییرات ارزیابی شود. نمودار زیر این نکته را توضیح می‌دهد.

این مقیاس اختیاری به ما در تصمیم‌گیری کمک می‌کند که آیا باید تأیید اضافی از تیم QA بگیریم یا نه. اگر تخمین در گوشه پایین سمت چپ قرار گیرد، بروزرسانی کمتر خطرناک خواهد بود، در حالی که اگر در گوشه بالا سمت راست باشد، به این معنی است که باید تأیید اضافی انجام دهیم تا خطر را کاهش دهیم.

یک شیوه عملی برای کاهش خطر بروزرسانی یک کتابخانه، بروزرسانی مکرر آن است، کاهش تفاوت‌ها و در نتیجه کاهش برد خواهد داشت.

کاهش خطر

اولین کاری که برای کاهش خطر انجام می‌دهیم، بروزرسانی کتابخانه‌های ما در هفتگی است. همانطور که در بالا توضیح داده شد، تغییرات کوچک همیشه کمتر از تغییرات بزرگ خطرناک هستند، حتی اگر استفاده از این کتابخانه جزئی گسترده باشد. با دنبال کردن بروزرسانی‌های تدریجی، از تجمع مشکلات احتمالی در یک دوره زمانی بیشتر جلوگیری می‌کنیم.

به عنوان مثال، کتابخانه‌های Android Jetpack و Firebase یک برون‌ریلیز دوهفتگی دارند. بنابراین هر دو هفته یک‌بار، بروزرسانی‌های جدید را بررسی می‌کنیم، گزارشی از تغییراتی که در آنها انجام شده و سپس با بروزرسانی ادامه می‌دهیم.

در صورتی که عیبی تشخیص داده شود، می‌توانیم به راحتی تغییر را بازگردانی کنیم تا تا زمان پیدا کردن یک راه حل مناسب یا ارسال مشکل به دارنده کتابخانه، صورت گیرد.

برای کاهش خطر در هر درخواست ادغام (محدود نشده به بروزرسانی کتابخانه)، ما مقدار زیادی زحمت را برای خودکارسازی آزمون‌ها به خرج داده‌ایم. برای هر ویژگی جدید، مجموعه‌ای از موارد آزمون به زبان سینتکس Gherkin نوشته شده است.

خودکارسازی به عنوان آزمون‌های واسط کاربری پیاده‌سازی شده است که در هر درخواست ادغام به روی سازگاری مداوم (CI) اجرا می‌شوند. اگر این آزمون‌ها خطا داشته باشند، قادر به ادغام هیچ تغییری نخواهیم بود.

برای توضیحات بیشتر، بیایید این مثال را درنظر بگیریم: تیم آ تعداد زیادی ویژگی توسعه داده و در حال حاضر مجموعاً ۱۰۰۰ مورد آزمون دارد. در زمان آزمون رگرسیون قبل از هر نسخه‌ی جدید، تنها زیرمجموعه‌ای از آنها براساس منطقه تأثیر گذار اجرا می‌شوند. با وجود خودکارسازی، تیم آ هم‌اکنون ۶۰ درصد از این آزمون‌ها را به عنوان بخشی از CI اجرا می‌کند. بنابراین، هنگامی که تمام آزمون‌ها با موفقیت انجام می‌شوند، ما از اطمینان ۶۰ درصدی از عدم یافتن دیفکت برخوردار هستیم. این اعتماد به نفس را به طور قابل توجهی افزایش می‌دهد و امکان آزمون دستی را کاهش می‌دهد.

وقتی که بروزرسانی در ناحیه خطر قرار می‌گیرد و آزمون‌های خودکار کافی نیستند، توسعه‌دهنده با مهندسان QA در تحلیل مناطق تأثیر گذار همکاری می‌کند. آنها سپس مورد آزمون‌های مربوط به منطقه تأثیر گذار را اجرا می‌کنند.

به عنوان مثال، اگر ما کتابخانه Facebook را بروزرسانی کنیم، منطقه تأثیر گذار عبارت «ورود با فیس‌بوک» خواهد بود. مهندسان QA سپس مورد آزمون‌های مربوط به ورود اجتماعی را اجرا خواهند کرد.

می‌توان یک تیم یا تیم‌های متعدد را درگیر کرد. در برخی موارد، نیاز است که همه تیم‌ها اگر تماماً تحت تأثیر قرار گیرند، از تأیید QA استفاده کنند.

بروزرسانی قبل از تبدیل به اجباری شدن

گوگل به طور منظم الزامات گوگل پلی را به روز می‌کند تا مطمئن شود برنامه‌های منتشر شده کاملاً سازگار با آخرین نسخه آندروید هستند.

به عنوان مثال، از تاریخ ۱ نوامبر ۲۰۲۰، همه برنامه‌ها باید به API ۲۹ هدف‌گیری کنند. این تغییر تغییرات رفتاری برای برخی API‌ها ایجاد می‌کند. باید پشتیبانی از رفتار جدید برای کدهای ما، و همچنین برای تمامی کتابخانه‌هایی که استفاده می‌کنیم، انجام شود. کتابخانه‌های تعبیه شده درون برنامه‌مان نیز در صورت استفاده از Android API تحت تأثیر قرار می‌گیرند. با ارتقاء کتابخانه‌های ما به روز، سازگاری با آخرین API آندروید را تضمین می‌کنیم.

نتیجه‌گیری‌های کلیدی

کتابخانه‌های خود را به‌روز نگه دارید. اگر آن‌ها دنبال یک برنامه‌ی انتشار هستند، سعی کنید آن را همراهی کنید تا تغییرات زیادی به تدریج تجمع نشوند. برای هر نسخه جدید در Grab، هر هفته نسخه جدیدی را منتشر می‌کنیم که شامل بروزرسانی ۵ تا ۱۰ کتابخانه است.به ازای هر بروزرسانی، خطرات محتمل برنامه شما را مشخص کنید و تعادل مناسبی بین خطر و تلاش مورد نیاز برای کنترل خطر بیابید. خطر را زیاد محاسبه نکنید، به خصوص اگر تغییرات به حداقل برسند و تنها شامل برخی اصلاحات جزئی باشند. بعضی از بروزرسانی‌های کتابخانه حتی هیچ خط کدی را تغییر نمی‌دهند و فقط بروزرسانی مستندات هستند.در آزمون خودکار قوی سرمایه‌گذاری کنید تا سطح قابل اطمینان بالایی در هنگام انجام تغییرات داشته باشید، اعم از تغییرات بزرگی مانند بروزرسانی کتابخانه‌های بزرگ.