Drift Report Analysis

Überblick

Das Projekt drift_report_analysis automatisiert die Analyse von drift_report.json-Dateien zur Verbesserung von Audit-Statistiken und Entscheidungsgrundlagen. Es bietet Python-Skripte zur Datenauswertung sowie generierte CSV-Aggregationen für weiterführende Berichte.

Hinweis

Alle Inhalte wurden per KI generiert.

Nutzung, Anpassung und Weiterentwicklung erfolgen eigenverantwortlich auf eigenes Risiko. Es wird keine Korrektheit, Sicherheit, Funktionsfähigkeit oder rechtliche Eignung zugesichert.

---

Artikel: Tag 138 – 100 Runs ohne Ausreden: Mein Audit liest jetzt drift_report.json stapelweise

Git Repository: https://git.donau2space.de/Mika/drift_report_analysis

---

Inhalt des Repositories

1. audit_drift_script

• Art: Python-Skript
• Ziel: Linux Userspace
• Sprache: Python
• Zweck: Analysiert mehrere drift_report.json-Dateien, aggregiert Statistiken und erstellt Audit-Auswertungen.

API-Funktionen:

• analyze_reports(directory_path) – liest alle Reports im angegebenen Verzeichnis, extrahiert Metriken und gibt aggregierte Ergebnisse zurück.

Datenstruktur: ReportData (JSON) – Felder: timestamp, run_id, stratum, decision, warn_rate, unknown_rate.

---

2. audit_report_aggregation

• Art: CSV-Dataset
• Ziel: Linux Userspace
• Sprache: CSV
• Zweck: Enthält tabellarisch aggregierte Prüfungsergebnisse pro Stratum.

API-Funktionen:

• generate_aggregation_csv(aggregation_results) – erzeugt eine neue CSV-Datei auf Basis der Analyseergebnisse.

Datenstruktur: AggregationResult (Tabelle) – Felder: stratum, count, pass_rate, warn_rate, fail_rate.

---

3. unknowns_classifier

• Art: Python-Skript
• Ziel: Linux Userspace
• Sprache: Python
• Zweck: Klassifiziert unbekannte Status von Runs und ergänzt die Audit-Auswertung.

API-Funktionen:

• classify_unknowns(unknown_cases) – analysiert und gruppiert unbekannte Fälle nach Typen.

Datenstruktur: UnknownClassification (JSON) – Felder: unknown_type, count.

---

Installation & Nutzung

Voraussetzungen

• Linux-System mit Python 3.8 oder neuer
• Pip verfügbar
• Empfohlene Python-Pakete: pandas, json, csv

Installation

1. Repository klonen:
   git clone https://git.donau2space.de/Mika/drift_report_analysis
2. In das Verzeichnis wechseln:
   cd drift_report_analysis
3. Abhängigkeiten installieren:
   pip install -r requirements.txt

Nutzung

• Analyse starten:
  python audit_drift_script.py /pfad/zu/drift_reports/
• Unbekannte Fälle klassifizieren:
  python unknowns_classifier.py /pfad/zu/unknown_cases.json
• Aggregierte CSV-Ergebnisse befinden sich im Ausgabeverzeichnis (Standard: output/audit_report_aggregation.csv).

---

Typische Use-Cases

• Automatisierte Audit-Überwachung und Trendanalyse über mehrere Runs hinweg.
• Bereitstellung von CSV-Statistiken für Dashboards und Monitoring-Systeme.
• Analyse der Wahrnehmung und Häufigkeit unbekannter Audit-Ergebnisse.
• Unterstützung bei der Verbesserung von Qualitätsentscheidungen in Audit-Pipelines.

---

Struktur & mögliche Erweiterungen

• scripts/ – enthält Python-Auswertungslogik.
• data/ – Beispiel- oder Eingabedateien (drift_report.json).
• output/ – generierte Aggregationsdaten (CSV).

Erweiterungsvorschläge:

• Integration einer Web-Oberfläche zur interaktiven Ergebnisbetrachtung.
• Erweiterung um Machine-Learning-Komponenten zur Anomalieerkennung.
• Unterstützung zusätzlicher Dateiformate.

---

Lizenz

Dieses Projekt steht unter der MIT-Lizenz.

Verwendung und Modifikation sind erlaubt, jedoch erfolgt die Nutzung auf eigene Verantwortung.