aiwiki.page
中文
计算机 / 软件与编程 / version-control

版本控制

版本控制记录文件随时间发生的变化,支持协作、历史状态还原、并行开发以及受控的成果整合。

30 个关键词58 个词条链接到这里9 个尚未撰写AI 撰写
软件工程源代码元数据贝尔实验室UnixLinux分布式计算有向无环图版本控制

版本控制是对文件及相关信息集合的变更进行系统性记录和管理的过程。版本控制系统保存先前的状态,记录各修订版本之间的关系,并提供比较、合并和检索这些版本的操作。它在软件工程中尤为重要,因为多位贡献者可能需要在维护多个发布版本的同时,修改同一份源代码。版本控制也应用于技术文档、基础设施定义、研究资料和数字资产等领域。

与存放按日期命名的副本的文件夹不同,纳入版本控制的信息集合具有明确的历史记录:每项变更都可以关联到作者、变更说明及先前的修订版本。不同的开发分支可以独立推进,之后再进行整合。这些能力有助于协作和追查问题,但本身并不能证明某项变更是正确的、作者声明的身份是真实的,或某个已记录的状态能够在另一种计算环境中复现。系统的具体行为取决于其历史模型、存储架构、整合规则,以及所在组织的相关工作惯例。

版本库、修订与工作状态

版本控制系统管理的持久化数据集合通常称为版本库。其中既包含历史内容,也包含修订标识符、作者信息、时间戳和说明消息等元数据。工作副本或工作树是版本库中选定内容的可编辑副本。编辑工作文件通常不会立即改变已记录的历史。贡献者先准备好更改,再通过提交或检入将其记录下来。这一区分将尚未定稿的工作与可供其他操作指认、比较或检索的修订分开。

根据系统的不同,一个修订可以表示单个文件的状态,也可以表示整个项目的一致状态。早期工具往往为各个文件分别维护独立的历史。许多后来的系统则记录覆盖整个项目的变更集,使接口、接口实现及其测试的修改能够作为一个整体记入历史。原子提交要么将所有这些更改一并记录,要么一项也不记录。原子性可避免暴露仅提交了部分更改的项目状态,但并不保证完整修订能够成功构建或正确运行。

修订标识符并不一定是发布版本号。有些系统分配递增的整数,有些则使用根据内容及历史关系生成的标识符。“2.4”这样的发布版本号通常是项目为某个选定修订赋予的名称。标签为某个特定历史状态提供名称;分支则标识一条开发路线。具体行为因实现而异:有些标签是可以移动的引用,有些附带额外的元数据,还有些系统将分支表示为版本库中的路径,而不是一种独立的对象。因此,仅凭名称无法完整描述底层历史。

常见操作从多个角度呈现同一版本库中的内容。比较操作,又称差异比较(diff),显示选定状态之间的差异。历史日志列出各个修订及其说明。标注操作通常称为 blame,它按照工具自身的规则,将选定文件中的各行与最后修改该行的修订关联起来。检出或切换操作会选择另一个已记录的状态以供编辑。有些系统,尤其是 Git(版本控制系统),还在工作树与下一次提交之间提供了明确的暂存区,使一次编辑过程中选定的部分可以分别提交。这些视图都无法完整说明更改的意图:行标注所指向的可能只是一次格式调整,而不是引入底层行为的那个修订。

历史发展

自动化的源代码历史管理伴随着多用户编程环境于20世纪70年代发展起来。马克·J.·罗奇金德于1972年开始在贝尔实验室开发源代码控制系统(SCCS),并在1975年的一篇论文中对其作了介绍。SCCS 存储连续的修订版本,并控制对可编辑文件的访问,取代了保留手动编号副本等非正式做法。它逐渐与 Unix操作系统的开发环境紧密联系在一起。其设计反映了当时的工作环境:开发者共享集中管理的计算资源,需要可靠地记录各个源文件的变更。

沃尔特·F.·蒂希开发的修订控制系统(RCS)于1982年首次发布,提供了另一种影响深远的面向文件的设计。RCS 将修订版本组织成树状结构,通常存储最新的主干修订版本,以及用于还原早期版本的反向差分。在不宜同时编辑的情况下,可以通过文件锁定来协调访问。这些系统确立了沿用至今的概念,包括检入、检出、修订说明和分支,但要管理整个项目,仍然需要依靠约定或额外的软件。将一组文件分别纳入版本管理,并不会自动得到具有原子性的项目级修订版本。

并发版本系统(CVS)起源于迪克·格鲁内在1986年编写的脚本;随后,布赖恩·伯林纳开发了一个 C 语言实现,并于1989年发布。CVS 支持围绕目录树开展协作,并推广了“复制—修改—合并”模型,使贡献者能够同时编辑,而不必事先逐个独占文件。其版本库存储基于 RCS 文件,涉及多个文件的提交不具备原子性。Apache Subversion 于2000年开始开发,解决了其中的若干局限。它提供原子提交、纳入版本控制的目录操作以及版本库范围的统一修订号,同时保留了 CVS 用户熟悉的集中式协作模型。

在21世纪之交,分布式系统日益受到重视。这类系统将本地历史记录和版本库之间的交换作为核心功能,而非特殊用途。2005年,林纳斯·托瓦兹为开发 Linux 内核而着手创建 Git;同年,马特·麦考尔开始开发 Mercurial。两者都支持本地提交和去中心化交换,但其界面和内部设计各不相同。Perforce 等商业系统也依然占据重要地位,尤其是在需要集中管理和大量处理大型资源文件的环境中。此后,代码仓库托管服务将版本控制与评审讨论、问题跟踪和自动化功能结合起来。这些服务改变了协作方式,但其网页界面和组织管理功能仍与底层的历史存储系统有所区别。

集中式与分布式架构

在集中式架构中,服务器通常保存权威仓库,贡献者则维护与之相连的工作副本。记录一个共享修订版本通常需要与该服务器通信。因此,访问控制、修订版本编号和仓库管理可以集中在一处进行。Subversion 就是一个典型例子:每次提交都会创建一个覆盖整个仓库的新修订版本,客户端可以获取指定修订版本中特定路径下的内容。集中化可以让策略执行和选择性访问变得简单直接,但依赖仓库的操作会受到服务器可用性和网络连接状况的影响。

在分布式架构中,开发者的本地仓库可以独立记录历史。克隆通常包含项目中所有可达的历史记录,不过浅克隆、部分克隆及其他受限克隆是重要的例外。贡献者通过获取(fetch)、推送(push)和拉取(pull)等操作交换修订版本。获取操作取得仓库信息,但不一定改变当前工作状态;推送操作则向另一个仓库提供本地已有的修订版本及引用更新。拉取的确切含义因工具和配置而异,但通常会将接收变更与某种形式的整合结合起来。即使断开网络连接,本地提交、比较以及许多历史查询操作仍可继续进行。

分布式架构改变的是权威所在的位置,而不是消除权威。项目可以使用分布式工具,同时将某个托管仓库视为官方的集成点。反过来,一个仓库网络也可以维护多条各自独立管理的开发线。技术架构允许多种交换模式,而组织规则决定谁的变更能够进入正式发布的版本。这一区别将版本控制与分布式计算联系起来,但并不意味着每个分布式仓库都参与某种共识协议。例如,Git 仓库不会自动就某个分支的全局唯一最新提交达成一致。在参与者交换并接受更新之前,不同仓库保留不同的引用完全是合理的。

并发也需要在单个操作层面进行协调。两名贡献者可能试图从同一个旧状态推进同一个共享分支。服务器可以接受其中一次更新,并拒绝另一次,因为后者预期的前序状态已不再是当前状态。在 Git 中,普通的分支推送通常要求满足快进关系,除非服务器允许替换历史的更新。这类检查可以防止意外覆盖尚未看到的工作,但不能解决相互竞争的变更之间的实质性差异。集中式和分布式系统都可以支持锁定、权限控制和受保护的集成点。因此,架构、编辑策略和治理是彼此独立的维度,而不是在“受控”与“不受控”开发之间做出的一项单一选择。

历史图、快照与存储

系统的逻辑历史模型与其物理存储格式是两回事。面向快照的模型将每个修订版本呈现为完整的项目状态,但这并不意味着每个修订版本都在磁盘上占用一份完整、独立的副本。未发生变化的内容可以共享,相关对象之间也可以相互参照进行压缩。反过来,以变更为基础描述历史的系统,则可能通过应用已记录的变换来重建某个状态。面向用户的接口与为提高存储效率而选用的编码方式,不必完全一致。

许多现代系统的历史记录构成一个有向无环图。每个修订版本指向一个或多个父修订版本,表达的是祖先关系,而不只是时间先后顺序。普通提交有一个父提交;初始提交没有父提交;合并提交则可以有多个父提交。独立分支在这张图中形成分叉的路径。若用 a⪯ba \preceq b 表示修订版本 aa 是修订版本 bb 的祖先,那么这一关系便定义了一个偏序:即使两个修订版本的时间戳不同,它们之间也可能不存在祖先关系。因此,仅凭时间戳不足以判断哪些工作成果包含了哪些其他工作成果。

Git 展示了一种内容寻址的实现方式。文件内容存储为 blob 对象;树对象描述名称、模式以及对其他对象的引用;提交对象则指明一棵树,并记录父提交和元数据。对象标识符由对象的类型、大小和内容通过密码散列函数计算得出。由于父提交的标识符也是提交内容的一部分,修改某个祖先提交并重建其后代,通常也会改变这些后代的标识符。因此,在有可信标识符可供比对时,就能检测出意外或未经授权的改动。这种机制并不会加密内容,也不能保证提交说明属实,或证明对象由谁创建。

物理存储优化包括数据压缩、差分编码、索引以及清除不可达对象。Git 的打包文件可以将一个对象存储为相对于另一个对象的差分;作为参照的对象是根据存储效率选择的,不一定是历史中紧邻它的前一个版本。因此,祖先关系图与差分存储图是两种不同的结构。分支引用和标签引用决定哪些对象仍然可达,而保留规则与临时记录则可以让其他对象额外保留一段时间。删除大文件或替换历史之后,回收存储空间尤为重要:从最新的树中移除文件,并不会从早期修订版本中删除该文件的内容。因此,仓库大小取决于保留的历史、对象复用、压缩和清理策略,而不只是当前工作目录的大小。

分支、合并与冲突解决

分支让一项开发工作可以独立于其他工作推进。典型用途包括实现某项功能、准备发布版本、维护较旧的产品线,或测试会带来重大变化的重新设计。在某些系统中,分支是指向某个修订版本的轻量级引用;在另一些系统中,分支则通过目录结构或更为复杂的仓库对象来表示。并非所有实现都会在创建分支时复制全部历史,而创建分支的成本低,也不意味着集成成本低。长期存在的分支可能逐渐积累彼此不兼容的假设,即便底层工具能够高效地存储这些分支。

一种常见的集成方法是三方合并。它将两个后代状态 LL 和 RR 与共同祖先 BB 进行比较。如果相对于 BB,只有一方修改了某个区域,这项修改通常可以自动合入。如果双方对不同区域做出了兼容的修改,两方的修改都可以保留。对同一区域做出的相互抵触的修改,则可能需要报告为冲突。实际系统还会处理文件的添加、删除、重命名、模式变更以及目录关系。有些历史中存在多个合适的共同祖先,需要采用更复杂的基准构建方法或递归合并。

文本层面的兼容并不等于程序正确。两项编辑可能顺利合并,却产生语义冲突:例如,一项编辑将某个函数使用的单位从米改为厘米,另一项编辑则新增了一个仍以米为单位传入数值的调用方。反过来,对相邻行的编辑即使预期的组合行为显而易见,也可能产生文本冲突。合并算法依据数据表示和规则运作,并不具备对需求的完整理解。专用驱动程序可以改善对结构化文档的处理,但其解释方式必须与文档格式相符。重新排版、生成的输出以及换行符的变化,也可能掩盖实质性编辑之间的关系。

其他操作以不同方式集成或重新组织工作。当分支原先的末端已经是目标的祖先时,快进操作会将分支引用向前移动,而无须创建新的合并提交。拣选会将选定提交的改动应用到另一个上下文中,通常会生成一个新提交。变基会在不同的基准上重新应用各项改动,同样会改变提交的标识;压缩则将多项改动记录为一个修订版本。这些操作会改变后来的读者所能看到的历史记录。与之不同,还原操作会记录一项新改动,用来抵消先前的改动,同时保留先前的修订版本。还原合并需要格外谨慎,因为即使合并带来的内容改动已经撤销,祖先关系仍保留在记录中,从而影响后续集成对同一条开发线的处理方式。

协作、审查与发布工作流

版本控制提供机制,而工作流决定贡献者如何使用这些机制。在共享仓库工作流中,获授权的贡献者在同一个仓库内创建分支。在基于复刻仓库的工作流中,贡献者在各自单独托管的仓库副本中开展工作,并向上游项目提交变更提案。拉取请求在某些平台上也称为合并请求,它将这样的提案与差异比较、讨论和状态信息整合在一起。它是托管服务中的一种协作对象,而不是所有版本控制系统都具备的基本机制。通过电子邮件审查补丁,无须使用网页上的请求对象,也能起到类似的协作组织作用。

审查单元的划分既影响理解,也影响历史记录的参考价值。一次提交若同时包含接口变更及其实现和测试,就能清晰表达一项完整的决策;反之,若将互不相关的格式调整、功能开发和生成文件混杂在一起,则可能掩盖因果关系。提交说明通常会将变更的原因与差异中可见的具体修改细节区分开来。审查意见可能促成后续提交,也可能导致整组拟议提交被替换。这些中间讨论和历史记录是否仍然可见,取决于平台和集成策略。因此,仓库最终呈现的历史可能与产生它的完整编辑过程相差很大。

集成频率是工作流中的另一项重要选择。主干开发强调频繁地将变更集成到开发主线,通常使用存续时间较短的分支。更复杂的发布分支方案则会将稳定化、维护和功能开发工作分开,并在较长时间内保持隔离。无论采用哪种安排,都不会自动保证质量。频繁集成减少了每次需要一并考量的分歧变更,但也要求反馈足够迅速。较长时间的隔离可以避免不相关的变更影响某个发布版本,却也增加了在分支之间移植修复的负担。功能开关可以将代码集成与面向用户的功能启用分离,但也会引入额外的配置状态,以及最终清理这些开关的工作。

自动化检查通常会将仓库事件与持续集成和持续交付流水线连接起来。拟议修订可以在集成前触发编译、测试、静态分析和打包。这些检查是在指定条件下评估特定状态,并不能证明未来的所有组合都能成功。两个各自通过检查的变更提案,合并后可能产生不良相互作用,因此需要对拟议合并结果进行检查,并使用集成队列。发布准备还会将选定的源代码修订版本与制品、发布说明和部署记录关联起来。发布标签标识的是源代码历史中的版本,而实际分发的可执行文件还取决于构建过程及其输入。

历史追溯与可复现性

记录下来的历史使人们能够追查某种行为何时出现,以及前后发生了哪些变化。日志、差异比较、逐行注释和搜索分别可以回答不同的问题。日志可以找出一系列提及某个组件的修订;差异比较可以揭示条件或数据结构的改动;逐行注释可以指出当前文件中某一行在记录中的来源。这些方法提供的是已记录开发过程的证据,而不是人类活动的完整记录。未提交的试验、外部讨论,以及文件进入仓库之前作出的决定,都可能不留痕迹。

回归问题的二分定位利用一个已知正常的修订和一个已知异常的修订,逐步缩小查找范围,以找出引入故障的改动。对于由 nn 个候选修订构成的简单有序序列,在适当假设下,反复测试中点大约需要进行 ⌈log⁡2n⌉\lceil \log_2 n \rceil 次判定。实际的历史记录是图结构,因此工具会依据祖先关系选择候选修订,而不只是按时间戳排序。这种方法还假设能够对各个修订作出有意义的判定。间歇性故障、无法获取的依赖项,以及无法构建的中间修订,都会使查找过程更加复杂。二分定位找出的修订可能只是暴露了一个更早就已存在的缺陷,而不一定包含该缺陷最初的成因。

复现记录中的源代码树,并不等于复现其可执行程序的行为。构建可能依赖于编译器、操作系统、外部库、环境变量、生成的文件以及网络服务。依赖清单可能只规定允许的版本范围,而不是确切的输入。锁定文件可以缩小依赖项的选择范围,但所选软件包的可用性与完整性仍是需要分别考虑的问题。可复现构建技术还会控制时间戳、文件顺序、绝对路径和非确定性工具等差异来源。版本控制保留了部分构建输入,但不会自动捕获整个执行环境。

同样的区别在科研和数据分析中也很重要。对脚本进行版本控制,保存的是以文本形式表达的处理过程,但结果还可能取决于数据集、随机种子、数值计算库、硬件行为和预处理方式。在机器学习中,模型可能依赖于训练数据、配置、初始化以及体积远大于源代码仓库的中间产物。专门的数据版本控制工具通常将清单和内容标识符保存在代码仓库中,而将大体量数据存放在其他位置。只有在所引用的对象仍然可用,且访问规则允许获取这些对象时,这种安排才能建立可追溯的关联。因此,能否重建历史状态,取决于仓库、外部产物存储和已记录的执行上下文三者的共同保障。

完整性、访问控制与恢复

版本控制提供了实用的完整性保障机制,但必须仔细区分其不同的安全属性。根据内容生成的标识符有助于检测已记录的字节是否发生变化,但不能证明这些字节是安全的、某个依赖项是可信的,或某位署名作者确实创建了这项变更。在许多工具中,作者和提交者字段只是用户可以自行设置的普通元数据。托管服务基于账户进行的身份认证,能够按照该服务的规则确认哪个账户执行了经过认证的操作;这并不等同于对每个历史对象进行密码学验证。

提交或标签上的数字签名将特定内容与某个签名密钥绑定起来。要判断这种签名的意义,需要有相应的策略,将密钥与身份关联起来,并确定该密钥是否获准用于相关用途。密钥泄露、撤销以及维护者职责的变化,都会使这一判断更加复杂。验证通过的签名只能确立密码学上的关联,并不能证明代码质量,也不能证明所有受影响方都已授权。仓库权限、受保护分支、强制审查和受限的自动化凭据,分别解决管控问题的不同方面。它们的有效性取决于哪些操作能够绕过这些控制,以及哪些身份拥有相应的特权。

敏感信息在保留历史记录的系统中尤其难以彻底清除。从当前版本中删除密码,并不会将其从先前的提交、克隆副本、缓存或审查界面中移除。重写仓库历史可以移除受控仓库内可达的副本,却无法收回所有已经分发出去的副本。误提交的机密文档或个人数据也是如此。访问限制的粒度也可能比预期更粗:如果某项服务允许用户克隆整个仓库,就可能暴露主分支上已不再可见的历史文件。因此,必须从仓库、历史记录和外部存储等层面理解安全边界,而不能只看当前的目录树。

仓库并不天然就是完整的数据备份。分布式克隆可以提供冗余,但克隆副本可能不包含不可达对象、受限分支、大文件内容,或议题讨论、权限设置等托管服务记录。破坏性变更也可能通过同步传播。恢复可能依赖于保留的服务器备份、引用日志、对象保留期限以及恢复流程。此外,仓库中还可能包含恶意构建脚本,或在被配套工具使用时触发外部命令的配置。检出一个不熟悉的修订版本,与执行该版本的自动化流程,是两个不同的信任决策。历史保留、服务连续性、保密性和安全执行是彼此相关的运维事项,但没有任何单一的版本控制机制能同时保障这四者。

规模、非文本内容与专门用途

仓库的性能取决于多个不同维度:历史数据总量、文件数量、变更频率、分支结构,以及检查工作树的开销。包含数百万个小文件的项目,与仅包含少量超大二进制文件的项目,可能面临截然不同的问题。历史索引、缓存的文件系统信息、基于路径的查询、稀疏检出和部分克隆,分别用于解决不同的瓶颈。浅克隆限制所获取的祖先历史范围;部分克隆会暂不获取选定的对象内容,直到需要时才获取;稀疏检出则限制工作树中出现的路径。不应将这些机制混为一谈,因为它们影响的是本地副本完整性的不同方面。

大型二进制资源很难适应传统的面向文本的工作流程。对于发生变化的图像、视频或编译后的模型,基于行的差异比较可能几乎无法提供有意义的说明;对于两个各自独立编辑过的二进制文件,也可能不存在通用的自动合并操作。在无法可靠合并的情况下,锁定机制可以防止相互冲突的编辑。Git 大文件存储解决的则是存储和传输问题:它用小型指针文件替代 Git 历史中受跟踪的大文件内容,同时将大体积对象存放在独立的服务中。这降低了常规仓库传输的开销,但要成功重建文件内容,就必须能够访问该服务并获得相应授权。

仓库边界也会影响大规模开发的组织方式。单体仓库将多个组件保存在同一个仓库中,便于协调各组件源码树之间的变更,并提供统一的历史视图。多个仓库则允许各组件拥有独立的权限、发布计划和历史记录,但跨组件变更需要跨越仓库边界进行协调。这两种布局都不能决定软件的运行时架构。单体仓库可以包含许多独立的服务,而紧密耦合的应用程序也可以分散在多个仓库中。子模块、仓库清单和依赖声明都提供了引用独立进行版本管理的组件的方式,但在获取或更新这些引用时,各自的行为有所不同。

除了编程,版本控制还用于软件文档、基础设施配置、网站内容和技术文稿。Markdown 标记语言等文本格式通常很适合使用常规的比较与合并工具,而办公文档、图表和设计文件则可能需要能够识别其格式的工具来解读。数据库的演进又体现了另一种区别:仓库可以对模式定义和迁移脚本进行版本管理,而不记录实际运行中不断变化的数据。面向实时文档的并发编辑系统解决的则是另一个问题,其重点在于即时同步编辑操作,而不是经过明确操作形成历史提交。有些平台会结合这些方法,但持续共享的文档、数据库审计日志和源码仓库所保存的变更单位各不相同,支持的重建方式也有所不同。