Завантажте системні журнали

Оркестрування конвеєрів DevOps на основі штучного інтелекту за допомогою DSPy і LangChain для проактивного розслідування інцидентів і вирішення проблем у периферійних обчислювальних середовищах

Вступ

Зростаюча складність сучасних програмних систем у поєднанні зі зростаючим попитом на обробку та аналіз даних у реальному часі призвели до появи периферійних обчислювальних середовищ. Ці середовища, які характеризуються наявністю розподілених, автономних і гетерогенних систем, створюють серйозні проблеми для команд DevOps. У цій статті ми розглянемо, як використовувати останні досягнення в інструментах перевірки коду на базі штучного інтелекту та платформах AIOps, зокрема DSPy та LangChain, щоб уможливити проактивне розслідування інцидентів і вирішення в периферійних обчислювальних середовищах.

Перетин AI, DevOps і Edge Computing

Для периферійних обчислювальних середовищ характерна наявність розподілених, автономних і гетерогенних систем, через що командам DevOps може бути складно виявляти та вирішувати інциденти своєчасно та ефективно. Щоб вирішити цю проблему, багатообіцяючим рішенням стали інструменти перевірки коду на основі штучного інтелекту та платформи AIOps. Ці інструменти використовують алгоритми машинного навчання та методи обробки природної мови для аналізу системних журналів, показників продуктивності та інших джерел даних, що дозволяє командам DevOps виявляти аномалії та прогнозувати потенційні інциденти до їх виникнення.

DSPy: бібліотека Python для перевірки коду на основі ШІ

DSPy — це бібліотека Python, яка дозволяє розробникам використовувати потужність інструментів перевірки коду на основі ШІ у своїх конвеєрах DevOps. DSPy надає простий та інтуїтивно зрозумілий API для інтеграції алгоритмів машинного навчання та методів обробки природної мови в робочі процеси перевірки коду. За допомогою DSPy розробники можуть аналізувати системні журнали, показники продуктивності та інші джерела даних, щоб виявляти аномалії та прогнозувати потенційні інциденти.

LangChain: платформа для створення платформ AIOps на основі штучного інтелекту

LangChain — це структура для створення платформ AIOps на базі штучного інтелекту, які дозволяють проактивно розслідувати інциденти та вирішувати їх у периферійних обчислювальних середовищах. LangChain надає набір готових компонентів і API для інтеграції алгоритмів машинного навчання, методів обробки природної мови та інших інструментів на основі ШІ в платформи AIOps. За допомогою LangChain розробники можуть створювати власні платформи AIOps, які використовують останні досягнення в інструментах перевірки коду на основі штучного інтелекту та платформах AIOps.

Оркестрування конвеєрів DevOps на основі штучного інтелекту за допомогою DSPy і LangChain

Щоб організувати конвеєри DevOps на основі штучного інтелекту за допомогою DSPy і LangChain, розробники можуть виконати такі дії:

Інтегруйте DSPy у конвеєр DevOps: розробники можуть інтегрувати DSPy у конвеєр DevOps за допомогою API DSPy для аналізу системних журналів, показників продуктивності та інших джерел даних.
Використовуйте LangChain для створення спеціальної платформи AIOps: розробники можуть використовувати LangChain для створення спеціальної платформи AIOps, яка використовує останні досягнення в інструментах перевірки коду на основі штучного інтелекту та платформах AIOps.
Інтегруйте платформу AIOps у конвеєр DevOps: розробники можуть інтегрувати платформу AIOps у конвеєр DevOps за допомогою API LangChain для аналізу системних журналів, показників продуктивності та інших джерел даних.

Практичний приклад: використання DSPy для аналізу системних журналів

Ось простий приклад того, як використовувати DSPy для аналізу системних журналів:

імпорт dspy


журнали = dspy.load_logs('system_logs.log')

# Аналізуйте системні журнали за допомогою алгоритму машинного навчання
аномалії = dspy.analyze_logs(журнали, алгоритм='MLP')

# Надрукуйте аномалії
друкувати (аномалії)

У цьому прикладі ми завантажуємо системні журнали за допомогою функції dspy.load_logs, аналізуємо журнали за допомогою алгоритму машинного навчання (MLP) за допомогою функції dspy.analyze_logs і друкуємо аномалії.

5-10 найбільш часто використовуваних команд/фрагментів

Ось 5-10 найбільш використовуваних команд/фрагментів для DSPy і LangChain:

dspy.load_logs('system_logs.log'): завантажує системні журнали.
dspy.analyze_logs(logs, algorithm='MLP'): аналізує системні журнали за допомогою алгоритму машинного навчання.
langchain.build_aiops_platform(): створює спеціальну платформу AIOps за допомогою LangChain.
langchain.integrate_aiops_platform(): інтегрує платформу AIOps у конвеєр DevOps.
dspy.visualize_anomalies(anomalies): Візуалізує аномалії за допомогою діаграми.
langchain.use_ml_algorithm(logs, algorithm='SVM'): використовує алгоритм машинного навчання (SVM) для аналізу системних журналів.
dspy.print_anomalies(anomalies): друкує аномалії.
langchain.use_nlp_techniques(logs, techniques=['NER', 'POS']): використовує методи обробки природної мови (NER, POS) для аналізу системних журналів.
dspy.save_anomalies(anomalies, 'anomalies.csv'): зберігає аномалії у файлі CSV.
langchain.use_custom_aiops_platform(): використовує спеціальну платформу AIOps, створену за допомогою LangChain.

Візуалізація

Ось приклад візуалізації аномалій за допомогою діаграми:

{
  "type": "бар",
  "дані": {
    "labels": ["Аномалія 1", "Аномалія 2", "Аномалія 3"],
    "набори даних": [
      {
        "label": "Аномалії",
        "дані": [10, 20, 30],
        "backgroundColor": "rgba(255, 99, 132, 0,2)",
        "borderColor": "rgba(255, 99, 132, 1)",
        "borderWidth": 1
      }
    ]
  },
  "параметри": {
    "назва": {
      "display": правда,
      "text": "Аномалії"
    },
    "легенда": {
      "дисплей": правда
    }
  }
}

У цьому прикладі ми використовуємо бібліотеку Chart.js для створення гістограми, яка візуалізує аномалії.

Висновок

У цій статті ми дослідили, як використовувати останні досягнення в інструментах перевірки коду на базі штучного інтелекту та платформах AIOps, зокрема DSPy та LangChain, щоб увімкнути проактивне розслідування інцидентів і вирішення у периферійних обчислювальних середовищах. Ми надали практичний приклад того, як використовувати DSPy для аналізу системних журналів, і візуалізували аномалії за допомогою діаграми. Ми також надали список 5-10 найбільш використовуваних команд/фрагментів для DSPy і LangChain. Дотримуючись кроків, описаних у цій статті, розробники можуть створювати власні платформи AIOps, які використовують останні досягнення в інструментах перевірки коду на базі штучного інтелекту та платформах AIOps, забезпечуючи проактивне розслідування інцидентів і вирішення у периферійних обчислювальних середовищах.

Завантажте системні журнали

¿Tienes preguntas?