Zabbix предназначен для мониторинга ИТ-инфраструктуры (серверов, сетей и приложений) на основе заранее заданных порогов. Использование искусственного интеллекта (ИИ) в Zabbix в качестве дополнения позволяет пользователю сократить количество оповещений, основанных на этих заранее заданных порогах, и получать возможные причины и способы решения проблем. Это помогает пользователю эффективнее устранять инциденты.
В этой статье мы расскажем, как интегрировать Zabbix с ИИ-инструментом Google Gemini с помощью предоставляемого API, а также с помощью пользовательского виджета в качестве альтернативы.
Первые шаги к интеграции
Репозиторий, основанный на модели Google Gemini, можно найти на GitHub. Чтобы получить необходимый ключ API, нужно создать учетную запись в Google AI Studio.
Настройка скрипта в Zabbix
В Zabbix версии 7.0 и выше откройте:
«Оповещения» > «Скрипты» > «Создать скрипт».
Для этой функции мы задали имя «Возможная причина и решение». Затем можно настроить параметры, указав событие триггера и ключ API, сгенерированный в AI Studio. После этого копируем скрипт из упомянутого репозитория в поле «Скрипт», как показано на следующем изображении:

Применение на панели проблем
После настройки переходим на панель оповещений и выбираем конкретное оповещение. Нажимаем «AI Assistant» и открываем функцию, которой ранее было присвоено имя «Возможная причина и решение».

На следующих изображениях показан пример для агента, установленного на ноутбуке.
Возможная причина:

Возможное решение:

ИИ сможет предлагать точное решение для каждой возникшей проблемы, что позволит нам постепенно оптимизировать заранее заданные пороги.
Использование пользовательского виджета «Над чем вы работаете?»
Создание точных персонализированных панелей мониторинга для пользователя крайне важно. С учетом этого мы предлагаем создать виджет на основе ИИ под названием «Над чем вы работаете?» (¿Qué harías tu? на испанском), который анализирует текущее состояние проблемы, возникшей в Zabbix.
Эта концепция объединяет все функции, имеющиеся в виджете (в том числе «Сводка», «Перспективы», «Диагностика», «Сравнение» и «Прогноз»), поскольку используемый промпт может указать, нужно ли вносить коррективы в стратегический план, или спрогнозировать будущие тенденции на основе данных созданной панели мониторинга.
Чтобы показать, как работает виджет «Над чем вы работаете?», рассмотрим анализ использования диска на нашем сервере Zabbix.

Разобравшись с проектом, находим на бэкенде нашего сервера Zabbix путь:
/usr/share/zabbix/widgets/
Затем создаем папку с именем «insights» и копируем в нее следующий репозиторий. Ключ Gemini API необходимо указать в файле «assets/js/class.widget.php.js» в поле «YOUR_API_KEY».
В веб-интерфейсе переходим в «Администрирование» > «Общие» > «Модули».
В правом верхнем углу нажимаем «Сканировать директорию». Наш виджет готов к использованию:
![]()
После сканирования виджет необходимо активировать, так как по умолчанию он деактивирован.
Почему важно использовать ИИ в Zabbix
Представим сценарий со 100 серверами под мониторингом. Пороги производительности, службы Windows или другие специфические службы могут генерировать до 50 оповещений в неделю. С помощью ИИ это число можно свести к минимуму благодаря еженедельному сбору возможных причин и способов решения.
Такой практический подход не только позволяет пользователям быстрее решать проблемы, но и улучшает общее состояние системы, сводя к минимуму необходимые корректировки на сервере Zabbix.
Локальное внедрение ИИ
Используя выделенный сервер с моделями ИИ с открытым исходным кодом, например HuggingFace, можно внедрить ИИ локально и создать базу данных, в которой собираются возможные причины и способы решения для событий.
ИИ будет обучаться на повторяющихся событиях и в дальнейшем предлагать более точные ответы. Анализ возможных тенденций может основываться на сгенерированных оповещениях. Таким образом мы можем оптимизировать наши оповещения и поручить искусственному интеллекту понимать и решать наши проблемы.
Заключение
Используемая нами модель ориентирована на проект. Искусственный интеллект постоянно развивается, и нам следует использовать ту модель, которую мы знаем лучше всего. Языковые модели различаются в зависимости от направленности промптов, используемых для получения ответов, и от обучения, которое мы можем обеспечить, будь то с помощью запросов к конкретным платформам искусственного интеллекта или при локальном использовании.