Загрузите конфигурацию агента AWS DevOps.

Автоматизация расследования инцидентов с помощью агентов на базе искусственного интеллекта и инструментов DevOps

Введение

В современных облачных средах расследование и разрешение инцидентов являются важнейшими компонентами практики DevOps. Однако расследование инцидентов вручную может занять много времени, привести к ошибкам и часто требует обширных знаний. Чтобы решить эти проблемы, мы рассмотрим интеграцию агентов Kiro на базе искусственного интеллекта с AWS DevOps Agent и DSPy для автоматического расследования и разрешения инцидентов.

Понимание компонентов

Прежде чем углубиться в интеграцию, давайте разберемся в задействованных компонентах:

Агенты Kiro на базе искусственного интеллекта: Kiro — это платформа на базе искусственного интеллекта, позволяющая создавать собственные агенты для автоматизации задач и рабочих процессов. Эти агенты могут быть обучены на различных источниках данных, включая журналы, метрики и файлы конфигурации.
Агент AWS DevOps. Агент AWS DevOps — это инструмент, позволяющий автоматизировать задачи и рабочие процессы в AWS. Он обеспечивает гибкий и масштабируемый способ автоматизации задач, таких как развертывание приложений, мониторинг производительности и устранение неполадок.
DSPy: DSPy — это библиотека Python, обеспечивающая простой и эффективный способ взаимодействия с DSPy — облачной платформой данных. DSPy позволяет создавать собственные конвейеры данных, обрабатывать и визуализировать данные.

Обзор интеграции

Интеграция агентов Kiro на базе искусственного интеллекта с AWS DevOps Agent и DSPy включает следующие шаги:

Сбор данных. Агент AWS DevOps собирает данные из различных источников, таких как журналы, метрики и файлы конфигурации.
Обработка данных. Собранные данные обрабатываются с помощью DSPy, который позволяет создавать собственные конвейеры данных, обрабатывать и визуализировать данные.
Обучение агента: обработанные данные используются для обучения агента Kiro с искусственным интеллектом, что позволяет агенту изучать закономерности и аномалии в данных.
Расследование инцидентов: при возникновении инцидента агент Kiro на базе искусственного интеллекта начинает расследование инцидента с использованием обученных моделей и данных.
Решение. Агент предоставляет рекомендации по разрешению инцидентов, которые можно выполнить с помощью агента AWS DevOps.

Пример кода

Вот простой пример кода, демонстрирующий интеграцию агентов Kiro на базе искусственного интеллекта с агентом AWS DevOps и DSPy:

импортировать ОС
импортировать JSON
от агента по импорту Кироса
из dspy импортировать DSPy


aws_config = json.load(open('aws_config.json'))

# Создайте агента Киро с искусственным интеллектом.
агент = Агент(
    name = 'инцидент_расследование',
    описание='Автоматическое расследование и разрешение инцидентов',
    модель = 'incident_investigation_model'
)

# Создайте экземпляр DSPy
dspy = DSPy(
    хост = 'локальный хост',
    порт=8080,
    имя пользователя = 'админ',
    пароль = 'пароль'
)

# Определить конвейер данных с помощью DSPy
конвейер = dspy.pipeline(
    name='incident_investigation_pipeline',
    описание='Автоматизированный конвейер расследования инцидентов',
    источники = ['журналы', 'метрики', 'конфигурация']
)

# Обучите агента Kiro на базе искусственного интеллекта, используя конвейер данных
агент.поезд(
    трубопровод = трубопровод,
    данные=dspy.data(
        name='incident_investigation_data',
        описание = 'Данные автоматического расследования инцидентов'
    )
)

# Запустите агента Киро с искусственным интеллектом для расследования инцидента
инцидент = {
    'идентификатор': 'INC-12345',
    'description': 'Время простоя приложения'
}
агент.триггер(
    инцидент = инцидент,
    данные=dspy.data(
        name='incident_investigation_data',
        описание = 'Данные автоматического расследования инцидентов'
    )
)

# Получите рекомендации агента по разрешению инцидентов
рекомендации = агент.рекомендации(
    инцидент = инцидент,
    данные=dspy.data(
        name='incident_investigation_data',
        описание = 'Данные автоматического расследования инцидентов'
    )
)

# Выполните рекомендации агента с помощью агента AWS DevOps.
aws_config['рекомендации'] = рекомендации
aws_config['incident_id'] = инцидент['id']
aws_config['description'] = инцидент['description']

Топ-5–10 наиболее часто используемых команд/фрагментов

Вот 5-10 наиболее часто используемых команд/фрагментов для этой технологии:

Создание агента Киро с помощью искусственного интеллекта:

агент = Агент( name = 'инцидент_расследование', описание='Автоматическое расследование и разрешение инцидентов', модель = 'incident_investigation_model' )

2. **Создание экземпляра DSPy**:
    ``` питон
dspy = DSPy(
    хост = 'локальный хост',
    порт=8080,
    имя пользователя = 'админ',
    пароль = 'пароль'
)

Определение конвейера данных:

конвейер = dspy.pipeline( name='incident_investigation_pipeline', описание='Автоматизированный конвейер расследования инцидентов', источники = ['журналы', 'метрики', 'конфигурация'] )

4. **Обучение агентов Киро с помощью искусственного интеллекта**:
    ``` питон
агент.поезд(
    трубопровод = трубопровод,
    данные=dspy.data(
        name='incident_investigation_data',
        описание = 'Данные автоматического расследования инцидентов'
    )
)

Запуск агента Киро с помощью искусственного интеллекта:

агент.триггер( инцидент = инцидент, данные=dspy.data( name='incident_investigation_data', описание = 'Данные автоматического расследования инцидентов' ) )

6. **Получение рекомендаций агента**:
    ``` питон
рекомендации = агент.рекомендации(
    инцидент = инцидент,
    данные=dspy.data(
        name='incident_investigation_data',
        описание = 'Данные автоматического расследования инцидентов'
    )
)

Загрузка конфигурации агента AWS DevOps:

aws_config = json.load(open('aws_config.json'))

8. **Выполнение рекомендаций агента AWS DevOps**:
    ``` питон
aws_config['рекомендации'] = рекомендации
aws_config['incident_id'] = инцидент['id']
aws_config['description'] = инцидент['description']

Получение данных DSPy:

данные = dspy.data( name='incident_investigation_data', описание = 'Данные автоматического расследования инцидентов' )

10. **Загрузка модели агента Киро с искусственным интеллектом**:
    ``` питон
модель = агент.модель(
    name = 'incident_investigation_model',
    описание = 'Модель автоматического расследования инцидентов'
)

Визуализация

Вот визуализация интеграции с использованием Chart.js:

{
  "тип": "бар",
  "данные": {
    «labels»: [«Сбор данных», «Обработка данных», «Обучение агентов», «Расследование инцидентов», «Решение»],
    "наборы данных": [
      {
        "label": "Время (секунды)",
        «данные»: [10, 20, 30, 40, 50],
        "Цвет фона": [
          "rgba(255, 99, 132, 0,2)",
          "rgba(54, 162, 235, 0,2)",
          "rgba(255, 206, 86, 0,2)",
          "rgba(75, 192, 192, 0,2)",
          "rgba(153, 102, 255, 0,2)"
        ],
        "borderColor": [
          "rgba(255, 99, 132, 1)",
          "rgba(54, 162, 235, 1)",
          "rgba(255, 206, 86, 1)",
          "rgba(75, 192, 192, 1)",
          "rgba(153, 102, 255, 1)"
        ],
        "borderWidth": 1
      }
    ]
  },
  "варианты": {
    "весы": {
      "yAxes": [
        {
          "тикает": {
            «beginAtZero»: правда
          }
        }
      ]
    }
  }
}

Эта визуализация показывает время, затраченное на каждый шаг процесса интеграции.

Заключение

В этой статье мы рассмотрели интеграцию агентов Kiro на базе искусственного интеллекта с AWS DevOps Agent и DSPy для автоматического расследования и разрешения инцидентов в облачных средах. Мы предоставили подробный обзор задействованных компонентов, процесса интеграции и простой пример кода, демонстрирующий интеграцию. Мы также включили визуализацию интеграции с использованием Chart.js и список из 5–10 наиболее часто используемых команд/фрагментов для этой технологии.

Загрузите конфигурацию агента AWS DevOps.

Have Questions?