Įkelkite AWS DevOps Agent konfigūraciją | B4N1

Įkelkite AWS DevOps Agent konfigūraciją

3 months ago · b4n1 Read time: 4 min

Incidentų tyrimo automatizavimas naudojant dirbtinio intelekto agentus ir „DevOps“ įrankius

Įvadas

Šiandieninėje debesų aplinkoje incidentų tyrimas ir sprendimas yra esminiai „DevOps“ praktikos komponentai. Tačiau neautomatinis incidentų tyrimas gali užtrukti daug laiko, leistis į klaidas ir dažnai reikalauja daug žinių. Siekdami išspręsti šiuos iššūkius, išnagrinėsime „Kiro AI“ pagrįstų agentų integravimą su „AWS DevOps Agent“ ir „DSPy“, kad būtų galima atlikti automatinį incidentų tyrimą ir sprendimą.

Komponentų supratimas

Prieš pasinerdami į integraciją, supraskime su ja susijusius komponentus:

  • Kiro dirbtinio intelekto valdomi agentai: „Kiro“ yra dirbtinio intelekto pagrindu sukurta platforma, leidžianti kurti pasirinktinius agentus užduotims ir darbo eigoms automatizuoti. Šie agentai gali būti mokomi naudotis įvairiais duomenų šaltiniais, įskaitant žurnalus, metriką ir konfigūracijos failus.
  • AWS DevOps Agent: AWS DevOps Agent yra įrankis, leidžiantis automatizuoti AWS užduotis ir darbo eigas. Tai lankstus ir keičiamo dydžio būdas automatizuoti užduotis, tokias kaip programų diegimas, našumo stebėjimas ir trikčių šalinimas.
  • DSPy: DSPy yra „Python“ biblioteka, suteikianti paprastą ir efektyvų būdą bendrauti su DSPy – debesies duomenų platforma. DSPy leidžia kurti pasirinktinius duomenų vamzdynus, apdoroti duomenis ir vizualizuoti duomenis.

Integracijos apžvalga

„Kiro AI“ pagrįstų agentų integravimas su „AWS DevOps Agent“ ir „DSPy“ apima šiuos veiksmus:

  1. Duomenų rinkimas: AWS DevOps agentas renka duomenis iš įvairių šaltinių, pvz., žurnalų, metrikos ir konfigūracijos failų.
  2. Duomenų apdorojimas: surinkti duomenys apdorojami naudojant DSPy, kuris leidžia kurti pasirinktinius duomenų konvejerius, apdoroti duomenis ir vizualizuoti duomenis.
  3. Agento mokymas: apdoroti duomenys naudojami mokant „Kiro AI“ varomą agentą, kuris leidžia agentui išmokti duomenų šablonus ir anomalijas.
  4. Incidento tyrimas: įvykus incidentui, „Kiro AI“ varomas agentas suaktyvinamas, kad ištirtų incidentą, naudodamas išmokytus modelius ir duomenis.
  5. Rezoliucija: agentas teikia rekomendacijas dėl incidentų sprendimo, kurį galima atlikti naudojant AWS DevOps agentą.

Kodo pavyzdys

Štai paprastas kodo pavyzdys, parodantis „Kiro AI“ veikiančių agentų integravimą su „AWS DevOps Agent“ ir DSPy:

importuoti os
importuoti json
iš kiros importo agento
iš dspy import DSPy


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

# Sukurkite „Kiro AI“ varomą agentą
agentas = agentas (
    name='incident_investigation',
    description='Automatinis incidento tyrimas ir sprendimas',
    model='incident_investigation_model'
)

# Sukurkite DSPy egzempliorių
dspy = DSPy(
    host='localhost',
    prievadas = 8080,
    username='admin',
    slaptažodis='slaptažodis'
)

# Apibrėžkite duomenų vamzdyną naudodami DSPy
vamzdynas = dspy.pipeline(
    name='incident_investigation_pipeline',
    description='Automatinis incidentų tyrimo vamzdynas',
    sources=['žurnalai', "metrika", "konfigūracija"]
)

# Apmokykite „Kiro AI“ varomą agentą naudodami duomenų kanalą
agent.train(
    vamzdynas = vamzdynas,
    data=dspy.data(
        name='incident_investigation_data',
        description='Automatiniai incidento tyrimo duomenys'
    )
)

# Suaktyvinkite „Kiro AI“ varomą agentą, kad ištirtų incidentą
incidentas = {
    „id“: „INC-12345“,
    „description“: „Programos prastovos laikas“
}
agent.trigger(
    incidentas = incidentas,
    data=dspy.data(
        name='incident_investigation_data',
        description='Automatiniai incidento tyrimo duomenys'
    )
)

# Gaukite agento rekomendacijas dėl incidento sprendimo
rekomendacijos = agent.recommendations(
    incidentas = incidentas,
    data=dspy.data(
        name='incident_investigation_data',
        description='Automatiniai incidento tyrimo duomenys'
    )
)

# Vykdykite agento rekomendacijas naudodami AWS DevOps Agent
aws_config['recommendations'] = rekomendacijos
aws_config['incident_id'] = incidentas['id']
aws_config['aprašas'] = incidentas['aprašymas']

5–10 dažniausiai naudojamų komandų / fragmentų

Štai 5–10 populiariausių šios technologijos komandų / fragmentų:

  1. Kiro dirbtinio intelekto agento kūrimas:

agentas = agentas ( name='incident_investigation', description='Automatinis incidento tyrimas ir sprendimas', model='incident_investigation_model' )

2. **DSPy egzemplioriaus kūrimas**:
    ``` python
dspy = DSPy(
    host='localhost',
    prievadas = 8080,
    username='admin',
    slaptažodis='slaptažodis'
)
  1. Duomenų perdavimo linijos apibrėžimas:

vamzdynas = dspy.pipeline( name='incident_investigation_pipeline', description='Automatinis incidentų tyrimo vamzdynas', sources=['žurnalai', "metrika", "konfigūracija"] )

4. **Kiro dirbtinio intelekto agento mokymas**:
    ``` python
agent.train(
    vamzdynas = vamzdynas,
    data=dspy.data(
        name='incident_investigation_data',
        description='Automatiniai incidento tyrimo duomenys'
    )
)
  1. „Kiro AI Powered Agent“ suaktyvinimas:

agent.trigger( incidentas = incidentas, data=dspy.data( name='incident_investigation_data', description='Automatiniai incidento tyrimo duomenys' ) )

6. **Agento rekomendacijų gavimas**:
    ``` python
rekomendacijos = agent.recommendations(
    incidentas = incidentas,
    data=dspy.data(
        name='incident_investigation_data',
        description='Automatiniai incidento tyrimo duomenys'
    )
)
  1. AWS DevOps agento konfigūracijos įkėlimas:

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

8. **AWS DevOps agento rekomendacijos vykdymas**:
    ``` python
aws_config['recommendations'] = rekomendacijos
aws_config['incident_id'] = incidentas['id']
aws_config['aprašas'] = incidentas['aprašymas']
  1. DSPy duomenų gavimas:

data = dspy.data( name='incident_investigation_data', description='Automatiniai incidento tyrimo duomenys' )

10. **„Kiro AI Powered Agent“ modelio įkėlimas**:
    ``` python
modelis = agent.modelis(
    name='incident_investigation_model',
    description='Automatinis incidento tyrimo modelis'
)

Vizualizacija

Štai integravimo naudojant Chart.js vizualizacija:

{
  "tipas": "juosta",
  "duomenys": {
    "etiketės": ["Duomenų rinkimas", "Duomenų apdorojimas", "Agento mokymas", "Incidentų tyrimas", "Sprendimas"],
    "duomenų rinkiniai": [
      {
        "label": "Laikas (sekundėmis)",
        "duomenys": [10, 20, 30, 40, 50],
        "backgroundColor": [
          "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
      }
    ]
  },
  "parinktys": {
    "svarstyklės": {
      „yAxes“: [
        {
          "erkės": {
            "beginAtZero": tiesa
          }
        }
      ]
    }
  }
}

Ši vizualizacija parodo, kiek laiko reikia atlikti kiekvienam integravimo proceso žingsniui.

Išvada

Šiame straipsnyje mes ištyrėme „Kiro AI“ pagrįstų agentų integravimą su „AWS DevOps Agent“ ir „DSPy“, kad būtų galima automatizuoti incidentų tyrimą ir sprendimą debesies aplinkoje. Pateikėme išsamią įtrauktų komponentų apžvalgą, integravimo procesą ir paprastą kodo pavyzdį, kuris demonstruoja integraciją. Taip pat įtraukėme integracijos vizualizaciją naudojant Chart.js ir 5–10 dažniausiai naudojamų šios technologijos komandų / fragmentų sąrašą.

Have Questions?

Let's Talk

Contact me on LinkedIn