sannareddydharani-cpu/aiops-openenv

# 面向自主事件管理的 AIOps 多智能体 OpenEnv 仿真 ## 项目描述 本项目是一个符合 OpenEnv 规范的 AI 环境，用于模拟现实世界的 IT 运维任务，例如日志分流、事件响应和系统优化。它允许自主智能体与系统日志及状态交互，采取行动，并通过结构化的奖励机制来优化性能。 ## 问题陈述 现代 IT 系统产生海量的日志和事件，需要快速诊断和解决。人工处理既耗时又容易出错。本项目旨在满足对智能自主智能体的需求，使其能够分析日志、响应事件并高效优化系统性能。 ## 方案概述 该项目实现了一个模拟的 AIOps 环境，AI 智能体在该环境中与系统日志和状态进行交互。它遵循 OpenEnv 规范并包含： - 结构化的观测和动作空间 - 多任务环境 - 基于奖励的评估系统 - 使用 LLM 智能体的基线推理 - 用于可视化的 Streamlit 仪表板 ## 系统架构 - `env.py` → 实现 OpenEnv 接口的核心环境逻辑 - `models.py` → 用于观测、动作、奖励的类型化 Pydantic 模型 - `tasks.py` → 任务和评分器逻辑的定义 - `baseline.py` → 用于评估的基线 LLM 智能体 - `app.py` → 用于可视化的 Streamlit 仪表板 - `openenv.yaml` → 环境配置元数据 - `requirements.txt` → 依赖项 - `Dockerfile` → 容器化设置 ## 功能特性 - 符合 OpenEnv 规范的环境 - 真实世界的 AIOps 仿真 - 三个难度递增的任务 - 用于评分的编程式评分器 - 包含部分进度信号的奖励函数 - 使用 OpenAI API 的基线推理脚本 - 基于 Streamlit 的交互式仪表板 - 支持 Docker 部署 - 兼容 Hugging Face Spaces ## 观测与动作空间 **观测包括：** - 系统日志 - 事件状态 - 资源利用率指标 **动作包括：** - 重启服务 - 扩缩容资源 - 分析日志 - 应用优化 ## 任务 1. **log_triage (简单)** 识别并分类系统日志以检测问题。 2. **incident_response (中等)** 通过采取纠正措施来响应系统事件。 3. **optimization (困难)** 通过选择高效策略来优化系统性能。 ## 奖励函数 - 奖励根据任务进度分配 - 对中间正确的动作给予部分奖励 - 对错误或低效的动作施加惩罚 - 最终得分归一化在 0.0 到 1.0 之间 ## 基线智能体 - 通过环境变量 `OPENAI_API_KEY` 使用 OpenAI API - 逐步与环境交互 - 在所有任务中产生可复现的评估分数 ## 安装 ``` git clone cd pip install -r requirements.txt --- ```bash git clone cd pip install -r requirements.txt --- ## 如何运行 ```bash pip install -r requirements.txt streamlit run app.py ```

标签：AIOps, DLL 劫持, Docker, Hugging Face Spaces, IP 地址批量处理, IT自动化, IT运维, Kubernetes, LLM代理, OpenAI, OpenEnv, Petitpotam, Pydantic, Python, Socks5代理, Streamlit, 仿真环境, 内存规避, 多智能体, 大语言模型, 奖励函数, 安全防御评估, 容器化部署, 强化学习, 无事故管理, 无后门, 日志分流, 系统优化, 自动化运维, 访问控制, 请求拦截, 逆向工具