تحلیل خودکار حوادث Alertmanager با هوش مصنوعی و ارسال به Ma…

تحلیل حوادث Alertmanager و ارسال گزارش‌های تشخیصی به Mattermost

این گردش کار، تحلیل حوادث Alertmanager را با استفاده از هوش مصنوعی برای تولید گزارش‌های تشخیصی و ارسال آن‌ها به Mattermost خودکار می‌کند. این گردش کار برای تیم‌های DevOps طراحی شده است تا فرآیند تریاژ و پاسخ به حوادث را ساده‌سازی کند.

کاتالوگ Axeto: مشاهده گردش کار

نمای کلی گردش کار

این گردش کار رویدادهای وب‌هوک را از Alertmanager دریافت می‌کند، هر هشدار را به یک درخواست بررسی مختصر تبدیل می‌کند و سپس از یک عامل هوش مصنوعی برای تجزیه و تحلیل حادثه استفاده می‌کند. این عامل از ابزارهای خارجی مختلفی برای بازیابی و تجزیه و تحلیل داده‌ها بهره می‌برد. در نهایت، گزارش تشخیصی تولید شده در رشته (thread) مربوطه در Mattermost ارسال می‌شود.

مورد استفاده اصلی: تریاژ حوادث برای هشدارهای زیرساخت یا برنامه در محیط‌هایی که از Alertmanager، Mattermost و منابع مشاهده‌پذیری/ابزارسازی مانند Grafana، Kubernetes، GitHub، DigitalOcean و پایگاه دانش Qdrant استفاده می‌کنند.

تشریح گردش کار

این گردش کار به چندین مرحله کلیدی تقسیم می‌شود:

1. دریافت ورودی و تنظیم متغیرهای زمان اجرا: رویدادهای وب‌هوک Alertmanager را به صورت امن دریافت کرده و متغیرهای ضروری زمان اجرا را پیکربندی می‌کند.

2. پیش‌پردازش هشدارها: بارهای داده (payloads) دریافتی از Alertmanager را به فرمتی ساختاریافته که برای تحلیل هوش مصنوعی مناسب است، تبدیل می‌کند.

3. تحلیل حادثه با هوش مصنوعی: از یک عامل LangChain با چندین ارائه‌دهنده ابزار برای بررسی حادثه و تولید گزارش تشخیصی استفاده می‌کند.

4. جستجوی رشته (Thread) در Mattermost: رشته (thread) مربوطه در Mattermost را برای حادثه شناسایی می‌کند.

5. ارسال گزارش: گزارش تشخیصی تولید شده توسط هوش مصنوعی را در رشته (thread) شناسایی شده در Mattermost ارسال می‌کند.

6. مستندسازی: شامل یادداشت‌های چسبان (sticky notes) برای جزئیات پیکربندی ضروری و مراجع است.

---

تحلیل گره‌های جزئی

۱. دریافت ورودی و راه‌اندازی متغیرهای زمان اجرا

این بخش مسئول دریافت اولیه هشدارها و راه‌اندازی متغیرهای محیطی لازم است.

#### گره: دریافت هشدارها (Receive alerts)

• نوع: n8n-nodes-base.webhook
• هدف: به عنوان نقطه ورود گردش کار عمل می‌کند و محموله‌های Alertmanager را از طریق درخواست POST دریافت می‌کند.
• پیکربندی:

* متد HTTP: POST

* مسیر: alertmanager

* احراز هویت: Basic Auth

• ورودی/خروجی:

* ورودی: ندارد (محرک گردش کار)

* خروجی: محموله دریافتی را به گره SetVars ارسال می‌کند.

• نکات: نیاز به پیکربندی صحیح Basic Auth در Alertmanager دارد. اطمینان حاصل کنید که مسیر وب‌هوک قابل دسترسی است.

#### گره: تنظیم متغیرها (SetVars)

• نوع: n8n-nodes-base.set
• هدف: متغیرهای ایستا و مختص محیطی مورد نیاز برای عملیات‌های بعدی، مانند هاست Mattermost و شناسه کانال را تزریق می‌کند.
• پیکربندی:

* MATTERMOST_HOST را تنظیم می‌کند (مثلاً mattermost.example.com).

* MATTERMOST_CHANNEL_ID را تنظیم می‌کند (مثلاً dr87mpsdmbfrbxeag7i11acuyw).

* includeOtherFields: true داده‌های وب‌هوک اصلی را حفظ می‌کند.

• ورودی/خروجی:

* ورودی: داده‌ها را از گره Receive alerts دریافت می‌کند.

* خروجی: داده‌های پردازش شده و متغیرها را به گره PreProcessAlerts ارسال می‌کند.

• نکات: اطمینان حاصل کنید که MATTERMOST_HOST و MATTERMOST_CHANNEL_ID به درستی پیکربندی شده‌اند. اعلان سیستمی برای عامل هوش مصنوعی نیز به prometheus_uid و loki_uid اشاره می‌کند که در صورت استفاده، ایده‌آل است که در اینجا تنظیم شوند.

---

۲. پیش‌پردازش هشدارها

این مرحله داده‌های هشدار را برای عامل هوش مصنوعی آماده می‌کند.

#### گره: پیش‌پردازش هشدارها (PreProcessAlerts)

• نوع: n8n-nodes-base.code
• هدف: محموله خام Alertmanager را به یک رشته ساختاریافته chatInput برای عامل هوش مصنوعی تبدیل می‌کند و یک sessionId منحصر به فرد تولید می‌کند.
• پیکربندی:

* داده‌های هشدار را از محموله ورودی می‌خواند.

* برچسب‌های رایج و پر سر و صدا (مانند alertname, instance, job) را فیلتر می‌کند.

* برچسب‌های خاص را برای وضوح نام‌گذاری مجدد می‌کند (مانند grafana_board به Grafana Dashboard).

* برچسب‌ها و توضیحات را به یک بلوک متنی قابل خواندن قالب‌بندی می‌کند.

* action: "sendMessage" و رشته chatInput را ایجاد می‌کند.

* یک sessionId بر اساس اثر انگشت هشدار تولید می‌کند.

• ورودی/خروجی:

* ورودی: داده‌ها را از گره SetVars دریافت می‌کند.

* خروجی: داده‌های هشدار پیش‌پردازش شده را به گره AI Agent ارسال می‌کند.

• نکات: هشدارهای متعدد را در یک وب‌هوک واحد با ایجاد موارد خروجی جداگانه برای هر کدام مدیریت می‌کند. اگر محموله فاقد هشدار باشد، گره‌های بعدی ممکن است اجرا نشوند.

---

۳. تحلیل حادثه با هوش مصنوعی

این جزء تحلیلی اصلی است که از یک عامل هوش مصنوعی و ابزارهای مختلف استفاده می‌کند.

#### گره: عامل هوش مصنوعی (AI Agent)

• نوع: @n8n/n8n-nodes-langchain.agent
• هدف: فرآیند استدلال هوش مصنوعی را هماهنگ می‌کند و ابزارهای خارجی را برای جمع‌آوری اطلاعات و تولید گزارش تشخیصی فراخوانی می‌کند.
• پیکربندی:

* پیام سیستمی (System Message): نقش هوش مصنوعی (مانند دستیار SRE با تجربه)، قوانین استفاده از ابزار، جریان تحقیق و فرمت خروجی مورد نیاز (چه اتفاقی افتاد، جدول زمانی، علت ریشه‌ای، نکات عیب‌یابی) را تعریف می‌کند. به عامل دستور می‌دهد که سوالات پیگیری نپرسد و تلاش‌های ناموفق برای فراخوانی ابزار را محدود کند.

* ارائه‌دهندگان ابزار (Tool Providers): برای استفاده از خروجی‌های گره‌های OpenAI Chat Model, Github MCP, Digitalocean MCP, K8S mcp, Grafana mcp و Qdrant Vector Store پیکربندی شده است.

• ورودی/خروجی:

* ورودی اصلی: داده‌های هشدار پیش‌پردازش شده را از PreProcessAlerts دریافت می‌کند.

* ورودی مدل زبان (Language Model Input): به OpenAI Chat Model متصل می‌شود.

* ورودی‌های ابزار (Tool Inputs): به گره‌های مختلف MCP و Qdrant Vector Store متصل می‌شود.

* خروجی اصلی: گزارش تولید شده را به گره GetAlertMessages ارسال می‌کند.

• نکات: نیاز به اعتبارنامه‌های معتبر برای مدل زبان و نقاط پایانی MCP قابل دسترسی دارد. اطمینان حاصل کنید که متغیرهای ارجاع شده مانند prometheus_uid و loki_uid در گره SetVars به درستی تنظیم شده‌اند، اگر برای زمینه عامل حیاتی هستند.

#### گره: مدل چت OpenAI (OpenAI Chat Model)

• نوع: @n8n/n8n-nodes-langchain.lmChatOpenAi
• هدف: مدل زبان بزرگ (LLM) را برای استدلال عامل هوش مصنوعی فراهم می‌کند.
• پیکربندی:

* مدل: gpt-4-turbo-preview (یا جایگزین مناسب).

* اعتبارنامه‌ها: از اعتبارنامه‌های پیکربندی شده OpenAI استفاده می‌کند (مثلاً OpenAi account).

• ورودی/خروجی:

* خروجی: رابط LLM را به گره AI Agent ارائه می‌دهد.

• نکات: اطمینان حاصل کنید که حساب OpenAI شما به مدل انتخاب شده و سهمیه کافی دسترسی دارد. هزینه‌های API را نظارت کنید.

#### گره: Github MCP

• نوع: @n8n/n8n-nodes-langchain.mcpClientTool
• هدف: ابزارهای بازرسی مخزن GitHub و issue/PR را در اختیار عامل هوش مصنوعی قرار می‌دهد.
• پیکربندی:

* URL نقطه پایانی (Endpoint URL): http://mcp-github:8091/mcp

* ابزارهای شامل (Included Tools): جستجوی مخزن، بازیابی فایل، لیست کردن commitها، بازرسی issue/PR.

• ورودی/خروجی:

* خروجی: دسترسی به ابزار GitHub را به گره AI Agent ارائه می‌دهد.

• نکات: نیاز به یک سرور MCP در حال اجرا برای GitHub و احراز هویت مناسب پیکربندی شده در سرور MCP دارد.

#### گره: Digitalocean MCP

• نوع: @n8n/n8n-nodes-langchain.mcpClientTool
• هدف: ابزارهایی را برای بازرسی منابع DigitalOcean (برنامه‌ها، قطره‌ها، خوشه‌های Kubernetes، شبکه‌بندی) فراهم می‌کند.
• پیکربندی:

* URL نقطه پایانی (Endpoint URL): http://mcp-digitalocean:8090/mcp

* زمان انتظار (Timeout): 60000 ms

* شامل مجموعه‌ای جامع از ابزارهای کشف و وضعیت DigitalOcean است.

• ورودی/خروجی:

* خروجی: دسترسی به ابزار DigitalOcean را به گره AI Agent ارائه می‌دهد.

• نکات: نیاز به یک سرور MCP در حال اجرا برای DigitalOcean و اعتبارنامه‌های API معتبر پیکربندی شده در سرور MCP دارد.

#### گره: K8S mcp

• نوع: @n8n/n8n-nodes-langchain.mcpClientTool
• هدف: ابزارهایی را برای بازرسی منابع خوشه Kubernetes (فضاهای نام، پادها، گره‌ها، رویدادها، پیکربندی‌ها) در اختیار عامل هوش مصنوعی قرار می‌دهد.
• پیکربندی:

* URL نقطه پایانی (Endpoint URL): http://mcp-kubernetes:8089/mcp

* شامل ابزارهایی برای لیست کردن منابع، بازرسی پادها، آمار گره‌ها، بازیابی رویدادها و غیره است.

• ورودی/خروجی:

* خروجی: دسترسی به ابزار Kubernetes را به گره AI Agent ارائه می‌دهد.

• نکات: نیاز به یک سرور MCP در حال اجرا برای Kubernetes و مجوزهای RBAC مناسب پیکربندی شده برای حساب سرویس مورد استفاده توسط MCP دارد.

#### گره: Grafana mcp

• نوع: @n8n/n8n-nodes-langchain.mcpClientTool
• هدف: ابزارهایی را برای پرس و جو از منابع داده Grafana، از جمله متریک‌ها، لاگ‌ها، داشبوردها و هشدارها فراهم می‌کند.
• پیکربندی:

* URL نقطه پایانی (Endpoint URL): http://mcp-grafana:8000/mcp

* زمان انتظار (Timeout): 60000 ms

* شامل ابزارهایی برای پرس و جوهای Prometheus، پرس و جوهای Loki، جستجوی داشبورد و غیره است.

• ورودی/خروجی:

* خروجی: دسترسی به ابزار Grafana را به گره AI Agent ارائه می‌دهد.

• نکات: نیاز به یک سرور MCP در حال اجرا برای Grafana و دسترسی به منابع داده پیکربندی شده (مانند Prometheus، Loki) دارد.

#### گره: فروشگاه برداری Qdrant (Qdrant Vector Store)

• نوع: @n8n/n8n-nodes-langchain.vectorStoreQdrant
• هدف: به عامل هوش مصنوعی امکان می‌دهد تا پایگاه دانش مرتبط را در یک پایگاه داده برداری Qdrant جستجو کند.
• پیکربندی:

* جزئیات اتصال به نمونه Qdrant.

* نام مجموعه (Collection name).

• ورودی/خروجی:

* خروجی: قابلیت‌های جستجوی برداری را به گره AI Agent ارائه می‌دهد.

• نکات: نیاز به یک نمونه Qdrant در حال اجرا و جزئیات اتصال مناسب دارد. فروشگاه برداری باید با مستندات یا runbookهای مرتبط پر شده باشد.

#### گره: جاسازی‌های Google Gemini (Embeddings Google Gemini)

• نوع: @n8n/n8n-nodes-langchain.embeddingsGoogleGemini
• هدف: جاسازی‌هایی را برای داده‌های متنی تولید می‌کند که توسط فروشگاه برداری Qdrant برای جستجوهای شباهت استفاده می‌شود.
• پیکربندی:

* اعتبارنامه‌های Google Cloud.

* نام مدل (مانند embedding-001).

• ورودی/خروجی:

* خروجی: قابلیت‌های تولید جاسازی را به گره Qdrant Vector Store ارائه می‌دهد (به طور ضمنی، به عنوان بخشی از پیکربندی آن).

• نکات: نیاز به اعتبارنامه‌های Google Cloud با دسترسی به API Vertex AI یا API Gemini برای جاسازی‌ها دارد.

---

۴. جستجوی رشته Mattermost

این بخش رشته صحیح Mattermost را برای ارسال گزارش پیدا می‌کند.

#### گره: دریافت پیام‌های هشدار (GetAlertMessages)

• نوع: n8n-nodes-base.httpRequest
• هدف: پیام‌های اخیر را از کانال Mattermost هدف واکشی می‌کند تا پست اصلی هشدار را شناسایی کند.
• پیکربندی:

* از نقطه پایانی API Mattermost برای لیست کردن پست‌ها استفاده می‌کند.

* نتایج را بر اساس تطابق نام هشدار در عنوان پیوست‌ها فیلتر می‌کند.

• ورودی/خروجی:

* ورودی: داده‌ها را از گره AI Agent دریافت می‌کند.

* خروجی: اطلاعات رشته شناسایی شده (یا عدم وجود آن) را به گره PostReport ارسال می‌کند.

• نکات: به متغیرهای MATTERMOST_HOST و MATTERMOST_CHANNEL_ID که قبلاً تنظیم شده‌اند، متکی است. نیاز به دسترسی به API Mattermost دارد.

---

۵. ارسال گزارش

این مرحله گزارش تشخیصی نهایی را ارسال می‌کند.

#### گره: ارسال گزارش (PostReport)

• نوع: n8n-nodes-base.mattermost
• هدف: گزارش تشخیصی تولید شده توسط هوش مصنوعی را به رشته Mattermost شناسایی شده ارسال می‌کند.
• پیکربندی:

* اقدام (Action): Send Message

* شناسه کانال (Channel ID): از MATTERMOST_CHANNEL_ID استفاده می‌کند.

* پیام (Message): حاوی گزارش تولید شده توسط هوش مصنوعی است.

* شناسه پست ریشه (Root Post ID): از شناسه‌ای که توسط GetAlertMessages پیدا شده است برای پاسخ در رشته صحیح استفاده می‌کند.

• ورودی/خروجی:

* ورودی: داده‌ها را از GetAlertMessages و گزارش هوش مصنوعی را از AI Agent دریافت می‌کند.

* خروجی: پیام را به Mattermost ارسال می‌کند.

• نکات: اگر رشته موجودی پیدا نشود، بسته به پیکربندی و رفتار API Mattermost، ممکن است به عنوان یک پیام جدید ارسال شود.

---

۶. مستندات

#### گره: یادداشت‌های چسبان (Sticky Notes)

• نوع: n8n-nodes-base.stickyNote
• هدف: مستندات غیرقابل اجرا را در بوم گردش کار ارائه می‌دهد و الزامات، انتظارات پیکربندی و ارجاعات MCP خارجی را توضیح می‌دهد.
• پیکربندی: حاوی راهنمایی متنی است.
• ورودی/خروجی: ندارد (فقط اطلاعاتی).
• نکات: برای درک و نگهداری گردش کار ضروری است.

---

پیش‌نیازها

• Alertmanager: پیکربندی شده برای ارسال وب‌هوک به نمونه n8n.
• Mattermost: قابل دسترسی از طریق API، با یک کانال مشخص و توکن ربات (در صورت نیاز توسط پیکربندی نود Mattermost در n8n).
• نمونه n8n: قابل دسترسی از طریق HTTP/S، با نودهای لازم نصب شده (شامل نودهای LangChain و AI).
• سرویس‌های MCP: نمونه‌های در حال اجرای MCP برای GitHub، DigitalOcean، Kubernetes و Grafana، قابل دسترسی از نمونه n8n.
• پایگاه داده برداری Qdrant: نمونه در حال اجرا، پر شده با داده‌های مرتبط.
• حساب OpenAI: با کلید API و اعتبار کافی برای مدل انتخاب شده.
• حساب Google Cloud: با اعتبارنامه‌ها برای تولید امبدینگ‌ها (embeddings).
• اعتبارنامه‌ها: به صورت امن در n8n برای OpenAI، Google Cloud و احتمالاً Mattermost پیکربندی شده‌اند.