中国sonarqube教程-苏州华克斯信息

SonarSource简介

可靠性问题

这通常被称为潜在的 bug 或代码， 在运行时将不具有预期的行为。此类问题将所有与操作风险或运行时意外行为有关的内容分组。它通常采用可能导致业务中断的关键编程错误的形式。其中的一些问题将存在于简单的不符合jia做法的情况， 但大多数将通过对代码的深入分析和代码的符号执行来检测， 以了解程序中任何给的变量的状态。安全问题

这通常被称为程序中的漏洞或缺陷， 可能导致应用程序的使用方式与设计不同。这类问题将所有与程序有缺陷的事情进行分组， 这些漏洞可以被利用来使它的行为与它的设计不同。安全漏洞 (如 SQL 注入或跨站点脚本) 可能是由于编码和体系结构实践不佳造成的。这些问题在 CWE 和证书所维护的列表中有很好的记录

SonarSource 的产品和服务被世界各地的客户所使用。所有规模的组织都在使用来自 SonarSource 的产品和服务提高生产率， 降低风险， 终开发更好的软件。Silverpeas 已经能够实现新的功能和提高产品性能，代理商sonarqube教程， 这已导致赢得越来越多的客户。Silverpeas 是协作知识和内容管理的平台。写在爪哇， Silverpeas 出生于 1999年，sonarqube教程， 在黑暗时代的 J2EE。这是一个时代之前的框架， 当英雄编码没有测试或文件。结果是一个工作产品的支持下的混乱的定制框架， 是基于良好的想法， 但执行不。随着时间的推移， 由于在产品的早期就做出了短视的设计决策， 而且由于对其体系结构没有明确的愿景，中国sonarqube教程， 因此发展和维护代码变得越来越困难。技术债务 = 责任

这种情况使我们很难跟上创新的步伐， 保持市场的竞争力。使问题复杂化的是， 执行基本维护和实施新功能的高昂成本使得很难获得新客户。技术债务代表了一个太大的负债。够了在 2009年， Silverpeas 团队作出了一个激烈的决定: 现在是时候， 以现代化的架构和提高 Silverpeas 的代码质量。但他们需要确切地知道如何， 什么， 以及在哪里重构之前， 他们可以继续。"我们需要一个工具来支持我们的改变，" Silverpeas 软件建筑师米格尔 Moquillon 说。"SonarQube (当时的声纳) 被选中来帮助我们获得正确的， 这些问题。通过它的质量分析工具和它的统一和可定制的界面， 我们有信息， 以确定我们必须执行的任务， 以减少技术债务和提高代码的质量。这是我们的 GPS 在改善 Silverpeas 的道路上。SONARQUBE 保持技术债务控制

Silverpeas 团队在 Silverpeas 的现代化过程中选择了 SonarQube 这一关键角色， 部分原因是它是开源的， 就像 Silverpeas 一样， 易于扩展， 但 SonarQube 也提供了一些功能 Moquillon 说， 团队发现引人注目的:统一和集中的仪表板"一个统一和集中的仪表板， 其中呈现代码的主要质量指标: 一目了然是什么出错了， 什么是改进了， 很容易看到。简单的导航--"一种简单的方法来导航到相关代码的不同指标: 很容易找到需要操作的代码部分."强大的报告-"在时间的指标演变的迹象: 我们可以估计我们的代码改进的努力。更好的软件质量已导致越来越多的客户赢得

SonarSource 的解决方案有助于 Silverpeas 的成功，代理商sonarqube教程， 通过对关键问题提供持续和快速的反馈以及如何解决它们的建议。工作从坚实基地它的代码质量改进给它， Silverpeas 团队已经能够实现新的功能， 并提高产品的鲁棒性和性能， 这已导致赢得越来越多的客户。今天， Silverpeas 团队致力于将其软件质量保持在 SonarQube 的轨道上。Moqillon 说， Silverpeas 团队对 SonarQube 有信心， 因为 "这是一个开源项目， 如 Silverpeas， 因此， 我们是确保其演变和质量。他赞扬 SonarQube 的定期发布时间表、易用性、易于安装以及与现有开发基础结构 (如连续集成服务器詹金斯) 和构建系统 Maven 等集成的易用性。现在， SonarQube 分析运行每晚 Silverpeas 的35.1万行代码， 由詹金斯触发的后期生成行动。开发人员和经理定期检查结果， 并采取行动解决问题的集体努力， 以维护和进一步提高 Silverpeas 的软件质量。

代码质量是一个不断增长的市场， 它是分析师对其大规模采用和大量投资回报的雷达。

认知的复杂性提供了一个新的衡量如何硬编码是理解-一个开发商的直觉正确的。白皮书本文描述了认知的复杂性， 提出了一种新的度量方法， 以地测量法的相对理解。在这样做的时候， 它解决了这个领域中圈复杂度的缺点。圈复杂度使用数学模型来评估方法， 对测试所需的工作量进行精que测量， 但不准确地测量需要了解它们的工作量。认知的复杂性打破了使用数学模型评估软件可维护性的实践。它从由圈复杂度所设置的先例开始， 但使用人工判断来评估结构应如何计算， 并决定应将哪些内容添加到整个模型中。结果是， 它产生了方法复杂性评分， 使程序员对可维护性的相对评估比以前的模型更公平。