Nano Hash - криптовалюты, майнинг, программирование

Настройте период утечки, чтобы он соответствовал спринтам

Я хотел бы настроить SonarQube Leak Period в соответствии с нашими спринтами (14 дней). Мы не выпускаем релизы после каждого спринта, и наша ветка всегда «разрабатывается», поэтому я не могу отключить релиз.

Я знаю, что могу настроить количество дней X, но мне не нужна скользящая учетная запись в течение 14-дневного периода... Я бы хотел, чтобы она выполняла дельту, сравнивая каждый из 14 дней с днем ​​1. Итак, день 2 ‹> День 1, День 3 ‹> День 1 и т. д. Затем на 15-й день он будет сброшен для начала нового спринта.

Как настроить SonarQube так, чтобы период утечки всегда начинался с началом нового спринта?

sonarqube
30.11.2017

Ответы:


1

Поскольку вам не нужен скользящий 14-дневный период, вам придется вручную перенастраивать дату начала нового спринта каждые 2 недели.

В качестве альтернативы вы можете изменить свои версии на что-то вроде

  • 3.14-спринтАльфа
  • 3.14-спринтБета
  • ...

И используйте настройку периода утечки previous_version.

30.11.2017
Новые материалы
Кластеризация: более глубокий взгляд
Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..
Как написать эффективное резюме
Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..
Частный метод Python: улучшение инкапсуляции и безопасности
Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..
Как я автоматизирую тестирование с помощью Jest
Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..
Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..
Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..
Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..