МЕТОД ВИЗНАЧЕННЯ ЦІЛЬОВИХ ПОКАЗНИКІВ ПРОДУКТИВНОСТІ ПРОГРАМНОГО ЗАБЕЗПЕЧЕННЯ

Анотація

Розробка методів визначення цільових показників для вимірювання рівня якості, надійності продуктивності програмного забезпечення є одним з актуальних напрямів в галузі інформаційних технологій та, зокрема, в програмній інженерії. Серед відомих методів можна виділити метод збалансованих показників управління, SMART-методики тощо. Методологія GIST (Goals, Ideas, Step-Projects, Tasks) – це метод продуктового планування, розроблений І. Гіладом, колишнім продакт-менеджером Google. Вона спрямована на зменшення накладних витрат на управління, підвищення швидкості розробки та створення продуктів, які краще відповідають потребам ринку та їхній предметній області. Визначення цільових показників продуктивності є актуальним питанням для сучасних DevOps-команд. Вони часто опиняються між двома крайнощами — надмірним збиранням тисяч часових рядів, що збільшує витрати та шум в інформаційних повідомленнях щодо виявлення зменшення продуктивності, і навпаки — браком даних для своєчасного виявлення регресії продуктивності. Наявні «легкі» чек-листи (Four Golden Signals, RED/USE тощо) спрощують старт, але залишаються статичними й не враховують бізнес-цілі, критичність сервісу та стадію життєвого циклу. У статті запропоновано удосконалити метод GIST (Goal Impact Stage Template) для вимірювання продуктивності програмного забезпечення (GISTSP). Мета досліджень — створити й оцінити метод формування цільових показників на основі методології вибору метрик GIST. Такий метод здатний за кілька кроків генерувати мінімальний, але достатній і обґрунтований набір показників для конкретного сервісу. Запропонований метод ґрунтується на 4-рядному «паспорті сервісу» та бібліотеці шаблонів Core + Plus-метрик. Використовуючи правило «додай тільки те, що справді потрібно», GISTSP автоматично генерує конфігурацію Prometheus/Grafana й алерт-правила. Експериментальне порівняння з відомими методами Four GS, RED/USE та AWS W-A виконані на чотирьох стендах (Web-API, Queue, Stream, Batch). Результати показали, що покриття необхідних показників зросло з 78 % до 92 %; добовий обсяг даних скоротився на 60 %; час налаштування зменшився у 4 рази, при цьому міра виявлення регресії не погіршилася. Результати дослідження свідчать про те, що GISTSP забезпечує баланс між простотою старту та гнучкістю, необхідною для різних бізнес-цілей і середовищ.