Microsoft telah bergandengan tangan dengan lembaga -lembaga penelitian seperti University of California, Berkeley, dan University of Illinois untuk membuka sumber operasi otomatisasi cloud dan pemeliharaan proyek sistem agen cerdas yang disebut aiopslab. Proyek ini bertujuan untuk mewujudkan deteksi otomatis, lokasi, dan resolusi kegagalan dengan mensimulasikan lingkungan layanan cloud yang nyata, sehingga secara signifikan meningkatkan kemampuan observasi dan operasi serta efisiensi pemeliharaan layanan cloud. Aiopslab mengadopsi desain modular, mendukung kolaborasi komputer-komputer, dan sangat terukur, membuatnya lebih mudah bagi pengembang untuk menangani berbagai beban kerja dan skenario kegagalan. Fungsi intinya meliputi lima bagian utama: koordinator, layanan, generator beban kerja, generator kesalahan dan kemampuan observasi.
Fungsi utama AIOPSLAB adalah untuk mendukung kolaborasi antara manusia dan agen digital melalui desain modular, yang memfasilitasi pengembang untuk memperluas aplikasi dan menangani berbagai beban kerja dan skenario kegagalan. Arsitekturnya terdiri dari lima komponen utama: koordinator, layanan, generator beban kerja, generator kegagalan, dan kemampuan observasi.
Koordinator bertanggung jawab untuk membangun sesi dengan agen dan berbagi informasi tentang masalah pembandingan. Ini membantu agen untuk menyelesaikan tugas secara efektif dengan memanggil serangkaian API yang terdokumentasi (seperti mendapatkan log, metrik, dll.). Koordinator juga dapat beroperasi atas nama agen, seperti memperluas atau menggunakan kembali layanan, memastikan bahwa agen dapat beroperasi dengan lancar di lingkungan yang sebenarnya.
Modul layanan dapat beradaptasi dengan berbagai lingkungan layanan cloud nyata, seperti layanan microser, server tanpa server, dan layanan tunggal. Aiopslab juga memanfaatkan rangkaian aplikasi open source Deathstarbench, memberikan alat dengan para peneliti untuk mereproduksi dan mempelajari peristiwa produksi di lingkungan yang terkontrol. Selain itu, melalui integrasi alat seperti cetak biru, aiopslab juga dapat diperluas ke layanan akademik dan produksi lainnya, memungkinkan penyebaran cepat varian baru.
Generator beban kerja memainkan peran penting dalam aiopslab, dan bertanggung jawab untuk membuat simulasi skenario normal dan kegagalan untuk menguji kinerja agen dalam kondisi yang berbeda. Ini menghasilkan beban kerja yang sesuai sesuai dengan spesifikasi koordinator, membantu pengguna untuk menguji dalam berbagai situasi.
Generator Kesalahan adalah fitur inovatif dari AIOpsLab yang memungkinkan injeksi kesalahan berbutir halus dalam berbagai skenario cloud. Fungsi ini dapat mensimulasikan seluruh proses kegagalan kompleks dan mempertimbangkan saling ketergantungan antara layanan mikro, memberikan pengguna pengujian dan evaluasi yang komprehensif.
Akhirnya, fungsi observabilitas mengintegrasikan beberapa alat pemantauan untuk meningkatkan kemampuan pemantauan komprehensif AIOPSLAB, memastikan bahwa pengguna dapat memperoleh informasi sistem yang disesuaikan untuk manajemen yang efektif jika ada kemungkinan kelebihan data.
Alamat Sumber Terbuka: https://github.com/microsoft/aiopslab/?tab=readme-ov-file
Poin:
Microsoft dan universitas bersama -sama open source aiopslab, yang bertujuan untuk meningkatkan operasi otomatisasi dan kemampuan pemeliharaan layanan cloud.
AIOPSLAB mendukung beberapa lingkungan layanan cloud melalui lima komponen utama: koordinator, layanan, generator beban kerja, generator kesalahan dan kemampuan observasi.
Fungsi observabilitas mengintegrasikan beberapa alat pemantauan untuk memastikan bahwa pengguna memperoleh informasi sistem yang efektif dan kemampuan pemantauan.
Sumber terbuka AIOPSLAB menyediakan kemungkinan baru untuk meningkatkan operasi dan efisiensi pemeliharaan di bidang cloud-asli. Kami menantikan lebih banyak pengembang yang berpartisipasi di dalamnya dan bersama -sama meningkatkan dan mengembangkan proyek ini.