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
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
405
3.14 K
Ascend Extension for PyTorch
Python
226
251
暂无简介
Dart
672
159
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++
663
319
🎉 (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
1.21 K
657
React Native鸿蒙化仓库
JavaScript
262
325
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
220
仓颉编译器源码及 cjdb 调试工具。
C++
135
868