Vivek0925/incident-response-env

## 标题: 事件响应环境 emoji: ⚡ colorFrom: purple colorTo: blue sdk: docker pinned: false # AI DevOps 事件响应环境 此环境模拟真实世界的 DevOps 事件，例如流量激增、 内存泄漏、数据库过载和部署失败。 ## 为什么选择此环境 现代生产系统会以连锁方式发生故障： ``` traffic spike → database overload → service instability → rising error rates ``` 该环境允许 AI 智能体在现实条件下——伴随着时间压力、级联故障和运营成本权衡——练习多步基础设施恢复。它反映了真实的站点可靠性工程师（Site Reliability Engineer）的决策循环。 ## 观察空间 每一步都会返回完整的基础设施状态快照： ``` { "incident": "traffic_spike", "cpu_usage": 95, "memory_usage": 80, "database_latency": 100, "network_errors": 5, "error_rate": 8, "servers": 3, "time_elapsed_s": 12, "resolved": false } ``` | 字段 | 类型 | 描述 | |---|---|---| | `incident` | `string` | 活跃的事件类型 | | `cpu_usage` | `int` | CPU 负载百分比 (0–100) | | `memory_usage` | `int` | 内存使用百分比 (0–100) | | `database_latency` | `int` | 数据库响应时间（毫秒） | | `network_errors` | `int` | 每秒网络错误计数 | | `error_rate` | `int` | 每秒 HTTP 5xx 错误数 | | `servers` | `int` | 活跃的服务器实例数 | | `time_elapsed_s` | `int` | 事件发生以来的秒数 | | `resolved` | `bool` | 事件是否已解决 | ## 动作空间 6 种离散的基础设施动作： | 动作 | 效果 | 最适用场景 | |---|---|---| | `scale_servers` | 增加服务器数量，降低 CPU 负载 | `traffic_spike` | | `restart_service` | 重启应用进程，消除不稳定状态 | `failed_deployment` | | `restart_database` | 重置数据库连接，降低延迟 | `database_overload` | | `clear_cache` | 清空缓存，降低内存压力 | `traffic_spike`, `database_overload` | | `rollback_deployment` | 回滚到上一个稳定版本 | `failed_deployment` | | `ignore_alert` | 无操作 | — | ## 奖励函数 ``` reward = -1 per step (time cost) + 10 for effective action - 5 for wrong action - 20 if system enters critical state + 100 on successful resolution - 50 on episode timeout ``` 最优策略能够及早识别事件类型，并以最少的步骤应用正确的动作链。 ## 事件类型 ### 简单 — 流量激增 突发的 HTTP 负载激增导致 CPU 饱和。可通过单个 `scale_servers` 动作解决。 ### 中等 — 数据库过载 连接池耗尽导致延迟和错误率上升。需要执行 `restart_database` 或 `clear_cache`。 ### 困难 — 部署失败 糟糕的发布引发跨层级联故障。需要在执行 `rollback_deployment` 之后执行 `restart_service`。 ## 环境动态 ### 级联故障 如果不及时处理，事件会持续恶化： ``` database overload → network errors rise → error rate spikes → service instability ``` ### 基于时间的退化 在没有干预的情况下，每一步都会使系统健康状况恶化——CPU、内存和数据库延迟均会持续攀升。 ### 事件传播 高难度事件会跨组件发生连锁反应，要求智能体按顺序解决多种故障模式。 ## API 接口 ### 重置环境 ``` POST /reset?difficulty=easy # easy | medium | hard ``` ### 执行动作 ``` POST /step Content-Type: application/json { "action": "restart_service" } ``` ### 获取当前状态 ``` GET /state ``` 服务器运行后，可在 `/docs` 查看完整的交互式文档。 ## 快速开始 ``` # 安装依赖 pip install -r requirements.txt # 启动环境服务器 python -m uvicorn server.app:app --reload # 打开 API 文档 open http://127.0.0.1:8000/docs ``` ### Docker ``` docker build -t incident-env . docker run -p 8000:8000 incident-env ``` ## 示例: 基线智能体 ``` python baseline_agent.py ``` ``` import requests, random BASE = "http://localhost:8000" ACTIONS = ["scale_servers", "restart_service", "restart_database", "clear_cache", "rollback_deployment", "ignore_alert"] obs = requests.post(f"{BASE}/reset", params={"difficulty": "easy"}).json() total_reward = 0 for step in range(60): action = random.choice(ACTIONS) result = requests.post(f"{BASE}/step", json={"action": action}).json() total_reward += result["reward"] print(f"Step {step+1:02d} | {action:<22} | reward: {result['reward']:+.0f} | done: {result['done']}") if result["done"]: break print(f"\nTotal reward: {total_reward:.0f}") ``` ### 示例: LLM 智能体 ``` import anthropic, requests client = anthropic.Anthropic() BASE = "http://localhost:8000" ACTIONS = ["scale_servers", "restart_service", "restart_database", "clear_cache", "rollback_deployment", "ignore_alert"] obs = requests.post(f"{BASE}/reset", params={"difficulty": "hard"}).json() for step in range(60): result = client.messages.create( model="claude-opus-4-5", max_tokens=20, messages=[{ "role": "user", "content": f"""You are an SRE agent resolving a production incident. State: {obs} Actions: {', '.join(ACTIONS)} Reply with only the single best action name.""" }] ) action = result.content[0].text.strip() step_result = requests.post(f"{BASE}/step", json={"action": action}).json() obs = step_result["observation"] print(f"Step {step+1:02d} | {action:<22} | reward: {step_result['reward']:+.0f}") if step_result["done"]: print(f"Resolved in {step+1} steps.") break ``` ## 项目结构 ``` incident-response-env/ ├── env/ │ └── incident_env.py # Core RL environment logic ├── tasks/ │ ├── scenarios.py # Incident definitions and difficulty tiers │ └── graders.py # Reward and evaluation logic ├── server/ │ └── app.py # FastAPI server ├── baseline_agent.py # Random baseline agent ├── openenv.yaml # OpenEnv spec ├── requirements.txt ├── Dockerfile └── README.md ``` ## 评估指标 | 指标 | 描述 | |---|---| | 解决率 | 成功解决的事件百分比 | | 平均解决步骤 | 已解决事件中的平均步骤数 | | 平均事件奖励 | 每个事件的平均累积奖励 | | 错误动作率 | 执行无效动作的步骤百分比 | ## 使用场景 - 训练自主 SRE 智能体 - 基准测试 LLM 的工具使用与规划能力 - 针对序列决策的强化学习研究 - DevOps 自动化原型设计 ## 路线图 - [ ] Gymnasium (`gym.Env`) 包装器，用于兼容标准 RL 库 - [ ] 多事件级联场景 - [ ] 带有噪声/误导性警报的测试，以验证智能体的鲁棒性 - [ ] 智能体排行榜 ## 许可证 MIT

标签：AIOps, AI训练环境, Docker, IT运维, Python, RL环境, Site Reliability Engineering, Socks5代理, SRE, 人工智能, 偏差过滤, 内存泄漏, 基础设施仿真, 多步决策, 大模型智能体, 安全防御评估, 强化学习, 故障恢复, 数据库过载, 无后门, 流量突增, 用户模式Hook绕过, 级联故障, 自动化运维, 请求拦截, 逆向工具, 部署失败