Завантажте конфігурацію AWS DevOps Agent

Автоматизація розслідування інцидентів за допомогою агентів на основі ШІ та інструментів DevOps

Вступ

У сучасних хмарних середовищах розслідування та вирішення інцидентів є критично важливими компонентами практики DevOps. Однак ручне розслідування інцидентів може зайняти багато часу, бути схильним до помилок і часто потребувати великого досвіду. Щоб вирішити ці проблеми, ми досліджуємо інтеграцію агентів Kiro на базі ШІ з AWS DevOps Agent і DSPy для автоматизованого розслідування та вирішення інцидентів.

Розуміння компонентів

Перш ніж заглибитися в інтеграцію, давайте розберемося з залученими компонентами:

Агенти на основі штучного інтелекту Kiro: Kiro — це платформа на базі штучного інтелекту, яка дозволяє створювати спеціальні агенти для автоматизації завдань і робочих процесів. Ці агенти можуть бути навчені на різних джерелах даних, включаючи журнали, показники та файли конфігурації.
AWS DevOps Agent: AWS DevOps Agent — це інструмент, який дозволяє автоматизувати завдання та робочі процеси в AWS. Він забезпечує гнучкий і масштабований спосіб автоматизації завдань, таких як розгортання програм, моніторинг продуктивності та усунення проблем.
DSPy: DSPy — це бібліотека Python, яка забезпечує простий і ефективний спосіб взаємодії з DSPy, хмарною платформою даних. DSPy дозволяє створювати спеціальні конвеєри даних, обробку та візуалізацію даних.

Огляд інтеграції

Інтеграція агентів на базі штучного інтелекту Kiro з AWS DevOps Agent і DSPy передбачає наступні кроки:

Збір даних: AWS DevOps Agent збирає дані з різних джерел, таких як журнали, показники та файли конфігурації.
Обробка даних: зібрані дані обробляються за допомогою DSPy, що дає змогу створювати спеціальні канали даних, обробляти та візуалізувати дані.
Навчання агента: оброблені дані використовуються для навчання агента на базі штучного інтелекту Kiro, що дозволяє агенту вивчати шаблони та аномалії в даних.
Розслідування інциденту: коли відбувається інцидент, запускається агент Kiro AI для розслідування інциденту за допомогою навчених моделей і даних.
Вирішення: агент надає рекомендації щодо вирішення інциденту, які можна виконати за допомогою агента AWS DevOps.

Приклад коду

Ось простий приклад коду, який демонструє інтеграцію агентів Kiro на основі ШІ з AWS DevOps Agent і DSPy:

імпорт ос
імпорт json
від kiros import Agent
з dspy імпорт DSPy


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

# Створіть агента Kiro на основі ШІ
агент = Агент(
    name='incident_investigation',
    description='Автоматичне розслідування та вирішення інцидентів',
    model='incident_investigation_model'
)

# Створіть примірник DSPy
dspy = DSPy(
    host='localhost',
    порт=8080,
    ім'я користувача='admin',
    пароль='пароль'
)

# Визначте конвеєр даних за допомогою DSPy
pipeline = dspy.pipeline(
    name='incident_investigation_pipeline',
    description='Автоматизований конвеєр розслідування інцидентів',
    sources=['журнали', 'метрики', 'конфігурація']
)

# Навчіть агента на базі штучного інтелекту Kiro за допомогою конвеєра даних
agent.train(
    pipeline=конвеєр,
    дані=dspy.дані(
        name='incident_investigation_data',
        description='Дані автоматичного розслідування інцидентів'
    )
)

# Запустіть агента Kiro AI для розслідування інциденту
інцидент = {
    'id': 'INC-12345',
    'description': 'Час простою програми'
}
agent.trigger(
    інцидент=інцидент,
    дані=dspy.дані(
        name='incident_investigation_data',
        description='Дані автоматичного розслідування інцидентів'
    )
)

# Отримайте рекомендації агента щодо вирішення інциденту
рекомендації = agent.recommendations(
    інцидент=інцидент,
    дані=dspy.дані(
        name='incident_investigation_data',
        description='Дані автоматичного розслідування інцидентів'
    )
)

# Виконуйте рекомендації агента за допомогою AWS DevOps Agent
aws_config['recommendations'] = рекомендації
aws_config['incident_id'] = інцидент['id']
aws_config['опис'] = інцидент['опис']

5-10 найбільш часто використовуваних команд/фрагментів

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

Створення агента на основі штучного інтелекту Kiro:

агент = Агент( name='incident_investigation', description='Автоматичне розслідування та вирішення інцидентів', model='incident_investigation_model' )

2. **Створення екземпляра DSPy**:
    ```пітон
dspy = DSPy(
    host='localhost',
    порт=8080,
    ім'я користувача='admin',
    пароль='пароль'
)

Визначення конвеєра даних:

pipeline = dspy.pipeline( name='incident_investigation_pipeline', description='Автоматизований конвеєр розслідування інцидентів', sources=['журнали', 'метрики', 'конфігурація'] )

4. **Навчання агентів на базі штучного інтелекту Kiro**:
    ```пітон
agent.train(
    pipeline=конвеєр,
    дані=dspy.дані(
        name='incident_investigation_data',
        description='Дані автоматичного розслідування інцидентів'
    )
)

Запуск агента на основі штучного інтелекту Kiro:

agent.trigger( інцидент=інцидент, дані=dspy.дані( name='incident_investigation_data', description='Дані автоматичного розслідування інцидентів' ) )

6. **Отримання рекомендацій агента**:
    ```пітон
рекомендації = agent.recommendations(
    інцидент=інцидент,
    дані=dspy.дані(
        name='incident_investigation_data',
        description='Дані автоматичного розслідування інцидентів'
    )
)

Завантаження конфігурації агента AWS DevOps:

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

8. **Виконання рекомендацій AWS DevOps Agent**:
    ```пітон
aws_config['recommendations'] = рекомендації
aws_config['incident_id'] = інцидент['id']
aws_config['опис'] = інцидент['опис']

Отримання даних DSPy:

дані = dspy.data( name='incident_investigation_data', description='Дані автоматичного розслідування інцидентів' )

10. **Завантаження моделі агента Kiro AI-Powered**:
    ```пітон
модель = агент.модель(
    name='incident_investigation_model',
    description='Автоматизована модель розслідування інцидентів'
)

Візуалізація

Ось візуалізація інтеграції за допомогою Chart.js:

{
  "type": "бар",
  "дані": {
    "labels": ["Збір даних", "Обробка даних", "Навчання агентів", "Розслідування інциденту", "Вирішення"],
    "набори даних": [
      {
        "label": "Час (секунди)",
        "дані": [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
      }
    ]
  },
  "параметри": {
    "ваги": {
      "yAxes": [
        {
          "галочки": {
            "beginAtZero": правда
          }
        }
      ]
    }
  }
}

Ця візуалізація показує час, витрачений на кожен крок у процесі інтеграції.

Висновок

У цій статті ми досліджували інтеграцію агентів на базі штучного інтелекту Kiro з AWS DevOps Agent і DSPy для автоматизованого розслідування та вирішення інцидентів у хмарних середовищах. Ми надали детальний огляд залучених компонентів, процес інтеграції та простий приклад коду, який демонструє інтеграцію. Ми також включили візуалізацію інтеграції за допомогою Chart.js і список 5-10 найбільш використовуваних команд/фрагментів для цієї технології.

Завантажте конфігурацію AWS DevOps Agent

Have Questions?