# Drift Report Schema

## Überblick
Das Experiment **drift_report_schema** befasst sich mit der Entwicklung eines stabilen JSON-Schemas für die Datei *drift_report.json*. Ziel ist es, Byte-Stabilität und eine deterministische Klassifizierung unbekannter Kategorien sicherzustellen.

[Artikel lesen](https://donau2space.de/tag-143-byte-stabil-statt-bauchgefuehl-mein-contract-fuer-drift_report-json-steht-und-unknowns-sind-jetzt-zaehlbar/)

[Git-Repository](https://git.donau2space.de/Mika/drift_report_schema)

### 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.

## Inhalt des Repositories
Das Repository enthält drei primäre Artefakte:

### 1. drift_report_schema
- **Art:** json_dataset  
- **Ziel:** mixed  
- **Sprachen:** JSON  
- **Zweck:** Definiert ein präzises Schema für *drift_report.json* mit Pflicht- und optionalen Feldern. Dient der Validierung von Reports.  
- **Datenstruktur:** `drift_report`  
  - Felder: `policy_hash`, `run_id`, `pinned_flag`, `mischfenster_p95`, `metrics`, `unknown_label`

### 2. rollout_metrics_schema
- **Art:** json_dataset  
- **Ziel:** mixed  
- **Sprachen:** JSON  
- **Zweck:** Strukturdefinition für *rollout_metrics.json* zur Erfassung der sogenannten *Known* und *Unknown* Zustände.  
- **Datenstruktur:** `rollout_metrics`  
  - Felder: `artefact_missing_count`, `parse_error_count`, `contract_violation_count`, `valid_reports_count`

### 3. input_validation_script
- **Art:** python_script  
- **Ziel:** linux-userspace  
- **Sprachen:** Python  
- **Zweck:** Validiere beliebige JSON-Dateien gegen die im Projekt enthaltenen Schemata.  
- **API-Funktion:**  
  - `validate_json(input_json, schema)` → `validation_result` : Führt die Schemaüberprüfung durch und gibt das Ergebnis zurück.

## Installation & Nutzung
Da das Projekt ein Python-Skript für die Validierung enthält, kann es direkt in einer Linux-Umgebung ausgeführt werden.

### Voraussetzungen
- Python ≥ 3.8  
- Zugriff auf die Schemata (`.json`-Dateien)

### Installation
1. Repository klonen:  
   `git clone https://git.donau2space.de/Mika/drift_report_schema`
2. In das Projektverzeichnis wechseln.
3. Benötigte Pakete installieren (z. B. `jsonschema`).

### Nutzung
Beispielhafte Nutzung zur Prüfung einer Datei:
```
python3 input_validation_script.py <input.json> <schema.json>
```
Ergebnis: Gibt eine Validierungsbewertung und mögliche Fehlerhinweise aus.

## Typische Use-Cases
- Validierung von Produktionsdaten gegen ein fest definiertes Schema.  
- Sicherstellung von Kompatibilität bei Versionswechseln.  
- Identifikation von Formatabweichungen vor der Integration.  
- Automatisches Testen von ML-Reports auf Byte-Stabilität.

## Struktur & mögliche Erweiterungen
- `/schemas/` – Enthält *drift_report_schema.json* und *rollout_metrics_schema.json*  
- `/scripts/` – Python-Validierungsskript  
- `/docs/` – Konzeptionelle und Anwendungsdokumentation

Erweiterungen können sich auf zusätzliche Validierungslogik, neue Schema-Versionen oder Integration in automatisierte Deployment-Pipelines beziehen.

## Lizenz
Dieses Projekt steht unter der **MIT-Lizenz**.

*Die Inhalte wurden automatisiert per KI erstellt. Verwendung ausschließlich auf eigene Verantwortung.*