Завантажте модель LLM і токенізер

Реалізація автоматизованого розслідування інцидентів за допомогою агентів DevOps і LLM

Вступ

У сучасному цифровому середовищі, яке швидко розвивається, перед командами DevOps постає дедалі складніше завдання: виявлення та вирішення інцидентів якомога швидше. Ручні методи дослідження можуть зайняти багато часу та бути схильними до людських помилок, що призведе до тривалого простою та зниження задоволеності клієнтів. Щоб вирішити цю проблему, ми досліджуємо взаємодію автоматизації DevOps, розслідування інцидентів за допомогою штучного інтелекту та роль великих мовних моделей (LLM) у покращенні інструментів DevOps, таких як AWS DevOps Agent і Copado Agentia.

Поточний стан розслідування інцидентів

Розслідування інцидентів є критично важливим аспектом DevOps, що включає виявлення, аналіз і вирішення проблем, що впливають на програмні системи. Традиційні методи покладаються на ручні процеси, такі як аналіз журналів, відстеження помилок і спілкування із зацікавленими сторонами. Хоча ці методи ефективні, вони можуть бути повільними та схильними до помилок, що призведе до:

Збільшення часу простою: методи розслідування вручну можуть затримати вирішення інциденту, що призведе до тривалого простою та зниження задоволеності клієнтів.
Людська помилка: ручні процеси сприйнятливі до людської помилки, що може призвести до неправильної діагностики та вирішення інцидентів.
Проблеми масштабованості: у міру того, як розмір і складність систем зростають, методи ручного дослідження стає все важче масштабувати.

Роль агентів DevOps у розслідуванні інцидентів

Агенти DevOps, такі як AWS DevOps Agent і Copado Agentia, відіграють вирішальну роль в автоматизації розслідування інцидентів. Ці агенти можуть:

Збирайте й аналізуйте журнали: агенти DevOps можуть збирати й аналізувати журнали з різних джерел, надаючи цінну інформацію про причини інцидентів.
Автоматичне відстеження помилок: агенти можуть автоматизувати відстеження помилок, скорочуючи час і зусилля, необхідні для ручного дослідження.
Покращення зв’язку: агенти можуть сприяти спілкуванню між командами, зацікавленими сторонами та системами, забезпечуючи ефективний обмін інформацією про інциденти.

Роль LLMs у розслідуванні інцидентів

Великі мовні моделі (LLM) зробили революцію в галузі обробки природної мови (NLP), дозволивши машинам розуміти та генерувати текст, схожий на людину. У контексті розслідування інцидентів LLM можуть:

Аналіз звітів про інциденти: LLM можуть аналізувати звіти про інциденти, визначаючи ключову інформацію та шаблони, які можуть вказувати на першопричину інциденту.
Генеруйте підсумки інцидентів: LLM можуть генерувати стислі підсумки звітів про інциденти, полегшуючи спілкування та прийняття рішень.
Надавати контекстно-залежні пропозиції: LLM можуть надавати контекстно-залежні пропозиції щодо вирішення інцидентів, беручи до уваги конкретну систему, середовище та залучених зацікавлених сторін.

Реалізація автоматизованого розслідування інцидентів за допомогою агентів DevOps і LLM

Щоб реалізувати автоматизоване розслідування інцидентів за допомогою агентів DevOps і LLM, ми будемо дотримуватися покрокового підходу:

Інтегруйте агенти DevOps: інтегруйте агенти DevOps, такі як AWS DevOps Agent і Copado Agentia, у свою систему керування інцидентами.
Збирайте та аналізуйте журнали: налаштуйте агентів DevOps для збору та аналізу журналів із різних джерел, надаючи цінну інформацію про причини інцидентів.
Навчіть модель LLM: навчіть модель LLM на наборі даних звітів про інциденти, журналів та іншої відповідної інформації.
Інтегруйте LLM з агентами DevOps: інтегруйте модель LLM з агентами DevOps, дозволяючи LLM аналізувати звіти про інциденти та надавати пропозиції щодо вирішення інцидентів.
Розгортайте рішення: розгортайте автоматизоване рішення для розслідування інцидентів, гарантуючи, що воно є масштабованим, надійним і безпечним.

Приклад коду: інтеграція LLM з агентами DevOps

Ось приклад фрагмента коду в Python, який демонструє, як інтегрувати модель LLM з агентом DevOps:

журнал імпорту
з трансформаторів імпортувати AutoModelForSequenceClassification, AutoTokenizer
з aws_devops_agent імпорт агента


модель = AutoModelForSequenceClassification.from_pretrained("distilbert-base-uncased")
tokenizer = AutoTokenizer.from_pretrained("distilbert-base-uncased")

# Ініціалізація агента DevOps
агент = агент()

# Визначте функцію для аналізу звітів про інциденти за допомогою моделі LLM
def analysis_incident_report(звіт):
    # Попередня обробка звіту про інцидент
    inputs = tokenizer.encode_plus(звіт, 
                                    add_special_tokens=Правда, 
                                    max_length=512, 
                                    return_attention_mask=Правда, 
                                    return_tensors='pt')
    
    # Проаналізуйте звіт про інцидент за допомогою моделі LLM
    outputs = model(inputs['input_ids'], attention_mask=inputs['attention_mask'])
    
    # Витягніть передбачену мітку класу
    predicted_class = torch.argmax(outputs.logits)
    
    повертає прогнозований_клас

# Визначте функцію для надання пропозицій щодо вирішення інциденту
def provide_suggestions(predicted_class):
    # Використовуйте передбачену мітку класу, щоб надати пропозиції щодо вирішення інциденту
    if predicted_class == 0:
        return "Перевірте системні журнали на наявність помилок"
    elif predicted_class == 1:
        return "Перевірте підключення до мережі"
    ще:
        return "Зверніться до команди розробників для отримання допомоги"

# Інтегруйте модель LLM з агентом DevOps
def incident_investigation():
    # Збирайте та аналізуйте журнали від агента DevOps
    журнали = agent.get_logs()
    
    # Проаналізуйте журнали за допомогою моделі LLM
    predicted_class = analyz_incident_report(журнали)
    
    # Надайте пропозиції щодо вирішення інциденту
    пропозиції = provide_suggestions(predicted_class)
    
    повернення пропозицій

# Розгорнути рішення для розслідування інцидентів
incident_investigation()

5-10 найбільш часто використовуваних команд/фрагментів

Ось 5-10 найбільш використовуваних команд/фрагментів для цієї технології:

aws devops agent get-logs: Збирайте журнали від агента DevOps.
transformers.AutoModelForSequenceClassification.from_pretrained(): завантажте модель LLM.
tokenizer.encode_plus(): попередня обробка звіту про інцидент.
model(inputs['input_ids'], attention_mask=inputs['attention_mask']): проаналізуйте звіт про інцидент за допомогою моделі LLM.
torch.argmax(outputs.logits): витягти прогнозовану мітку класу.
provide_suggestions(predicted_class): Надайте пропозиції щодо вирішення інциденту.
agent.get_logs(): Збирайте журнали від агента DevOps.
analyze_incident_report(report): аналіз звіту про інцидент за допомогою моделі LLM.
incident_investigation(): розгортання рішення для розслідування інцидентів.
torch.save(model.state_dict(), 'model.pth'): збереження моделі LLM.

Візуалізація

Ось візуалізація рішення для автоматизованого розслідування інцидентів за допомогою Chart.js:

{
  "type": "бар",
  "дані": {
    "labels": ["Ручне розслідування", "Автоматизоване розслідування"],
    "набори даних": [
      {
        "label": "Час вирішити",
        "дані": [10, 2],
        "backgroundColor": ["rgba(255, 99, 132, 0.2)", "rgba(54, 162, 235, 0.2)"],
        "borderColor": ["rgba(255, 99, 132, 1)", "rgba(54, 162, 235, 1)"],
        "borderWidth": 1
      }
    ]
  },
  "параметри": {
    "назва": {
      "display": правда,
      "text": "Час вирішувати інциденти"
    },
    "ваги": {
      "yAxes": [
        {
          "галочки": {
            "beginAtZero": правда
          }
        }
      ]
    }
  }
}

У цій візуалізації порівнюється час вирішення інцидентів за допомогою ручних методів розслідування з автоматизованими методами розслідування за допомогою агентів DevOps і LLM.

Висновок

Впровадження автоматизованого розслідування інцидентів за допомогою агентів DevOps і LLM може значно підвищити ефективність і результативність вирішення інцидентів. Інтегруючи агенти DevOps з LLM, організації можуть автоматизувати аналіз журналів, надавати контекстно-залежні пропозиції щодо вирішення інцидентів і скорочувати час для вирішення інцидентів. Ми дослідили взаємодію автоматизації DevOps, розслідування інцидентів за допомогою штучного інтелекту та роль LLM у покращенні інструментів DevOps, таких як AWS DevOps Agent і Copado Agentia. Дотримуючись покрокового підходу, описаного в цій статті, організації можуть розгорнути масштабоване, надійне та безпечне автоматизоване рішення для розслідування інцидентів.

Завантажте модель LLM і токенізер

Have Questions?