OpenEuler的上游分析

数据爬取

我们爬取了官方20.03-LTS版本进行分析

数据处理

我们主要对primary.xml进行了分析处理，最终生成有向图G(V, E)，其中一个软件包代表一个节点，一个依赖关系代表一条边。

在初始化有向图后，我们对得到的G主要进行了出度、入度、中心中介性、聚类分析四个方面的数据处理。

数据分析

现在依据这些数据，我们进行上游的分析，分析重点在于关注哪些节点是更重要的：

1. 出度、入度

   我们容易发现，这里的出度-value、入度-value两幅图比较符合长尾分布，即如下图这般，极少数个体对应极高的值，而拥有极低值的个体，数量却占总体的绝大多数，形象地描述就是尾巴很长。
   
   

   这在分析中代表了什么？并不是所有的顶点高度连接，部分顶点可能只有一个或一个两条边，而其他的顶点可以是图的中心包含数百个边。

   当然这并不是说，出度、入度少的节点就不用关注，恰恰相反，其数量之多，代表了我们对这些度数较少的包也要给予一定的关注；而对于值很高的节点，我们更要赋予更多的注意，因为这些软件包是整个操作系统分发的枢纽，应该得到更多的关注。如入度多，证明有更多的依赖，一个地方就会影响很多地方，此时我们就应该关注这些影响我们性能的瓶颈；若出度多，则是依赖更多，这些节点就是脆弱的，我们要更加以防护。我们得到的入度、出度TOP10如下：
   
   

2. 中介中心性

   中介中心性，用来表示点的中心性。点的中心性是一个量化点在网络中地位重要性的图论概念，当然，我们还可以使用更多的方法来进行分析中心性，如节点距离中心系数、节点度中心系数等等，在这里我们选择了中介中心性进行分析。

   中介中心性主要是测量一个点在多大程度上位于图中其他“点对”的“中间”。比如A->B->C，那么B就在点对（A，C）的中间。

   我们可以认为，如果一个节点S 处于多组点对中间，那么S 就可能起到重要的“中介”作用，因为太多路程都经过S ，因而可以认为节点S 处于网络的中心，中介中心性的思路就是如此。

   在我们此次的分析中，我们可以看到中介中心性数据图和排名：

从这里我们可以看到，结果和入度的分析是很相近的，比较中心的都是gcc，automake python等一类工具，对此我们可以合理推断，在上游的软件中，这些是比较重要的节点，也是我们性能的限制。

3. 聚类分析

   聚类系数代表了，这个节点和别的节点的联系程度，聚类系数越高，代表周围可能连通的节点数量就更多，对此，我们要将关注度更多的放在聚类系数较高的节点。分析得到的数据图和TOP10的数据表如下：

但事实上，我们可以看到聚类系数较大的是lib周围的一系列工具，所以对于聚类系数是否能够真实反映节点的重要性，我们还要进行进一步分析。

总结

本文提出对OpenEuler操作系统上游分析的图解方法。该有向图的方法展示了操作系统分布的全局视图，通过对出度入度、聚类系数和中间性中心性等性质进行了分析，得到了分布中具有重要枢纽包的数据分析图。该图的方法可以有效地理解整个依赖的分布，并可以帮助实现高质量的维护和有效的演化。