Herausforderungen: Anwendungen und Datenbanken haben ihre eigene Logik und einzigartigen Eigenschaften. Damit Testdaten in diesen Kontexten nützlich sind, müssen sie Produktionsmerkmale widerspiegeln, wie z.B:
- Auswahlbedingungen (Geschäftsregeln)
- Spaltenattribute und Transformationen
- Inter-Feld/Schlüssel-Beziehungen (referentielle Integrität)
- Wertebereiche und spaltenübergreifende Berechnungen
Auch Testdaten zur Produktionsqualität müssen diese Attribute aufweisen:
- Typ - korrekte Spalten-/Feldwerte und Formate
- Breite - Werte mit aktuellen (und zukünftigen) Bereichen
- Häufigkeit - realistische Muster des Auftretens von Werten
- Tiefe - Volumina, die Skalierbarkeitsprobleme ansprechen
In einer schnelllebigen DevOps- und Continuous Integration (CI)/ Continuous Deployment (CD)-Umgebung kann die Fähigkeit, konsistente und realistische Testsätze zu generieren und zu automatisieren, die in Format und Umfang sehr unterschiedlich sein können, eine große Herausforderung darstellen und Programmierer mit engen Lieferfristen ablenken.
Lösungen: Anwendungen, die mit realistischen Datenformaten und -mengen entwickelt werden, haben in der Produktion eher Aussicht auf Erfolg. Das IRI RowGen-Paket zur Erstellung von Testdaten verwendet Produktions-Metadaten, um benutzerdefinierte, synthetische Testsätze mit zufällig generierten Daten und/oder zufällig ausgewählten Daten aus Produktionsquellen zu erstellen.
Um die richtigen Volumen und Wertebereiche zu erzeugen, verwendet RowGen bedingte Auswahl- und Formatierungsparameter. RowGen verbessert den Realismus der Testdaten weiter durch referentielle Integrität, Häufigkeitsverteilungen und integrierte Transformations- und Formatierungsfunktionen. Beispielsweise können Sie Daten nach dem Zufallsprinzip auswählen und Bereiche aus Pools von realen Daten und gewichteten Zahlen (jeweils) angeben.
Für Continuous Integration und Continuous Deployment or Delivery (CI/CD)-Umgebungen kann RowGen Testdaten in jedem Schritt eines Entwicklungsprozesses synthetisieren, ohne auf die Bereitstellung von Daten aus einem anderen Schritt angewiesen zu sein. Darüber hinaus und auf einzigartige Weise können eingebettete Datentransformations-, Validierungs- und Formatierungsfunktionen gleichzeitig mit den generierten Daten im selben Skript ausgeführt werden! Dies kann inkrementelle Anwendungstests erleichtern, die Rückwärtskompatibilität und Vorwärtskompatibilität mit Ihren Produktionsversionen sicherstellen. Siehe diesen Anwendungsfall
BI Scout Marktübersicht
News
Weitere News-
Bitkom zur Fortschreibung der KI-Strategie des Bundes
-
Testdaten via Produktions-Metadaten für DevOps, DB, DV und ETL-Prototypen
-
Drei Herausforderungen auf der Reise zu nachhaltiger KI
-
Informatec gründet Spin-Off Consilix für Planung und Simulation
-
Bitkom: Verkehrsdaten sollen allen zur Verfügung stehen
-
Kommentar: „Was Big Data erst zum Riesen macht“
BI & Big Data Events
Aktuelle Beiträge
-
Die Trends für Data, BI & Analytics 2021
-
Die Bedeutung von Metadaten einfach erklärt
-
Die schnellsten Data- & Analytics-Projekte liefern den größten Geschäftsnutzen
-
Optimizing Performance, Throughput and Source Overhead when using Change Data Capture (CDC)
-
Change Data Capture (CDC) für Streaming Ingestion
-
Machine-Learning-Modelle zur Verwaltung und Skalierung von IoT-Daten