Zeek项目中ZAM测试集成CI系统的技术实践
2025-06-01 02:21:35作者:裴锟轩Denise
在网络安全监测领域,Zeek作为一款高性能的网络流量分析框架,其7.0版本中引入了ZAM(Zeek Abstract Machine)执行引擎。本文将深入探讨如何将ZAM测试有效集成到持续集成(CI)系统中的技术实践。
ZAM测试现状与挑战
ZAM作为Zeek的新型执行引擎,虽然已在7.0版本中发布可供广泛使用,但实际上面临着测试覆盖率不足的问题。通过ASAN(AddressSanitizer)构建运行btest -a zam命令时,主分支中的某些测试会出现内存泄漏问题。
主要技术挑战体现在:
- 功能开发与测试同步性问题:当向Zeek脚本添加新功能时,ZAM实现需要时间追赶,可能导致测试暂时失败
- 内存安全问题:ASAN构建暴露的内存泄漏需要针对性解决
- 测试策略选择:如何在CI系统中合理部署ZAM测试
CI集成方案设计
针对上述挑战,我们设计了分阶段的CI集成方案:
1. 渐进式测试策略
采用"may-fail"模式的夜间构建方案,包含以下关键要素:
- 使用UBSAN(UndefinedBehaviorSanitizer)和ASAN构建
- 执行
btest -a zam测试套件 - 可选地包含外部测试
- 允许测试暂时失败而不阻塞主流程
2. 同步开发机制
为确保ZAM实现与脚本功能的同步:
- 建立功能开发与ZAM实现的关联机制
- 对每个PR(Pull Request)要求相应的ZAM扩展
- 设置合理的宽限期处理暂时性测试失败
技术实现细节
在实际技术实现中,我们重点关注:
-
内存安全处理:
- 通过ASAN构建识别内存泄漏
- 建立专门的内存问题追踪流程
- 针对ZAM特有的内存管理机制进行优化
-
测试环境配置:
- 隔离的测试环境构建
- 资源分配优化,特别是针对ZAM的性能特性
- 测试结果收集与分析管道
-
失败处理机制:
- 智能测试结果分类
- 预期失败与意外失败的区分处理
- 自动化的失败通知与跟踪
实践效果与经验
通过实施上述方案,我们获得了以下实践经验:
-
平衡开发速度与质量:
- "may-fail"模式为ZAM开发提供了必要的灵活性
- 同时确保了问题能够被及时发现和跟踪
-
内存安全提升:
- 定期ASAN测试帮助发现了潜在的内存问题
- 建立了更健壮的内存管理实践
-
开发流程优化:
- 促进了ZAM实现与主开发的同步
- 提高了开发者对ZAM兼容性的重视
未来发展方向
基于当前实践,我们规划了以下改进方向:
- 逐步将"may-fail"测试提升为强制性测试
- 扩展测试覆盖范围,包括更多边缘场景
- 优化ZAM测试性能,减少CI资源消耗
- 开发更智能的测试结果分析工具
通过持续改进ZAM的CI测试实践,我们正在为Zeek用户提供更可靠、更高性能的执行引擎选择,同时维护框架整体的代码质量与稳定性。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue08- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
575
3.89 K
Ascend Extension for PyTorch
Python
396
474
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
359
219
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
902
704
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.39 K
786
昇腾LLM分布式训练框架
Python
122
148
React Native鸿蒙化仓库
JavaScript
312
364
暂无简介
Dart
814
200
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
124
161
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
93
161