学生が開発したAIOpsプラットフォーム「WATCHDOG」の概要と機能

作者について

インド・プネ在住のエンジニアリング学生が自ら構築したAIOpsプラットフォーム「WATCHDOG」について紹介しています。

解決した課題

従来のモニタリングは障害を検知すると人間が手動で調査・診断・修復を行う必要がありますが、深夜やプレッシャー下での対応は負担が大きいという問題を、WATCHDOG が自動でインシデント対応ループを完結させます。

主な機能

• 検知：6つの並列アルゴリズム（統計的Zスコア、Isolation Forest、LSTMディープディテクタ、マルチバリアント相関、季節性ディテクタ、ドリフトディテクタ）で全メトリクスを解析。
• 予測：障害予測と容量予測を行い、どのサービスが失敗に向かっているか、残り時間を通知。
• 根本原因分析：因果グラフ、影響範囲推定、依存関係マッピング、変更インテリジェンスを提供。
• 自動修復：Docker SDK を利用したコンテナ再起動を実施。回復時間は 1.4 秒と検証済み。ただし、以下の条件を通過した場合のみ実行されます。
  • 信頼度ゲート（≥65％）
  • 重大度ゲート（HIGH／CRITICAL のみ）
  • サービスごとの30秒クールダウン
  • 1時間あたり最大10アクション
  • 3回連続失敗で作動するサーキットブレーカー
• 監査：検知・判断・実行の全履歴を改ざん防止型暗号チェーンに記録。

テスト結果

• 信頼性テスト 40/40 件合格（成功率 97％）
• 負荷テスト 108 イベント/秒、失敗なし
• 自動修復回復時間 1.4〜1.7 秒
• RBAC テスト 17/17 件合格
• マルチテナント分離テスト 18/18 件合格
• WAL 復旧テスト 10/10 件合格

技術スタック

Python、FastAPI、PostgreSQL、Redis（WAL）、Docker SDK、JWT 認証、SQLAlchemy、asyncio を組み合わせ、104 の REST エンドポイントと 16 の非同期パイプラインワーカーで構成。

求めていること

販売目的ではなく、DevOps エンジニアや SRE に対し、

• 本ツールが実務上の課題を解くか
• 不足している点は何か
• 自社環境で導入可能か

といったフィードバックを求めています。希望者には無料パイロットを提供します。

元記事: https://dev.to/ayush_walunjkar_371918303/i-built-an-aiops-platform-that-auto-heals-docker-services-as-a-student-1km2