O Motor de Decisão nunca age às cegas. Cada decisão passa por um pipeline de
ajustes de confiança, verificações de circuit breaker e validação de padrões
antes de qualquer ação ser executada.
Visão Geral da Arquitetura
Confiança Base (AIInsight)
Todo o processo começa com o campoconfidence do AIInsight CR, que é gerado pelo provedor LLM durante a análise de causa raiz. Esse valor representa a certeza da IA sobre o diagnóstico e as ações sugeridas.
Confiança Alta
0.90 - 1.00 — A IA identificou o problema com alta precisão. Cenários bem
conhecidos como OOMKilled, CrashLoopBackOff com imagem inválida.
Confiança Média
0.70 - 0.89 — Diagnóstico provável mas com incerteza. Problemas de
performance, resource pressure, dependências intermitentes.
Confiança Baixa
0.50 - 0.69 — A IA não tem certeza suficiente. Problemas complexos com
múltiplas causas possíveis.
Confiança Muito Baixa
< 0.50 — Cenário desconhecido ou dados insuficientes. Sempre requer
intervenção humana.
Fatores de Ajuste de Confiança
A confiança base nunca é usada diretamente. Ela passa por 5 fatores de ajuste que a refinam com base no contexto operacional atual.1. Taxa de Sucesso Histórica
1
Consulta o Pattern Store
O engine calcula a taxa de sucesso de remediações anteriores para o mesmo
tipo de sinal (
signalType).2
Aplica o ajuste
- Taxa de sucesso alta (>80%): ajuste de +0.10
- Taxa de sucesso baixa (<40%): ajuste de -0.10
- Sem histórico: nenhum ajuste (0.00)
2. Pattern Match (Correspondência de Padrão)
Quando o Pattern Store encontra um padrão previamente resolvido que corresponde ao incidente atual, a confiança recebe um boost significativo.3. Horário do Dia (Time of Day)
Ações automáticas fora do horário comercial carregam risco adicional porque há menos engenheiros disponíveis para intervir caso algo dê errado.4. Issues Ativas Simultâneas
Quando o cluster está sob pressão com múltiplos incidentes ativos, o motor se torna mais conservador para evitar ações em cadeia que possam agravar a situação.5. Severidade do Incidente
A severidade doIssue CR aplica um modificador fixo que reflete o risco operacional inerente.
Exemplo Prático de Cálculo
Cenário: CrashLoopBackOff após deploy em horário comercial
Cenário: CrashLoopBackOff após deploy em horário comercial
Dados do incidente:Decisão: Confiança 1.00 + severidade high = Requer aprovação (threshold ≥0.80 + high).Mesmo com confiança máxima, incidentes
- Confiança base do AIInsight: 0.88
- Severidade: high
- Horário: 14:30 (horário comercial)
- Issues ativas: 2
- Pattern Store: padrão encontrado (rollback bem-sucedido há 5 dias)
- Taxa de sucesso histórica: 90%
high sempre exigem aprovação humana.Cenário: Pod com OOMKilled em namespace de staging à noite
Cenário: Pod com OOMKilled em namespace de staging à noite
Dados do incidente:Decisão: Confiança 1.00 + severidade low = Auto-remediação (threshold ≥0.95 + low).
- Confiança base do AIInsight: 0.92
- Severidade: low
- Horário: 02:15 (fora do horário comercial)
- Issues ativas: 1
- Pattern Store: padrão encontrado (ajuste de memória bem-sucedido)
- Taxa de sucesso histórica: 95%
Cenário: Problema desconhecido em cluster sobrecarregado
Cenário: Problema desconhecido em cluster sobrecarregado
Dados do incidente:Decisão: Confiança 0.35 + severidade critical = Apenas manual (<0.70 ou critical).
- Confiança base do AIInsight: 0.65
- Severidade: critical
- Horário: 10:00 (horário comercial)
- Issues ativas: 8
- Pattern Store: nenhum padrão correspondente
- Taxa de sucesso histórica: 30%
Thresholds de Decisão
A combinação de confiança final e severidade determina o nível de autonomia permitido.- Auto-Remediação Completa
- Auto com Notificação
- Requer Aprovação
- Apenas Manual
Requisitos: Confiança ≥ 0.95 e severidade
lowA plataforma executa a remediação automaticamente sem qualquer intervenção humana.
O RemediationPlan é criado e executado imediatamente.Circuit Breaker
O circuit breaker é um mecanismo de segurança que bloqueia todas as auto-remediações quando detecta falhas consecutivas, prevenindo que a plataforma cause danos em cascata.1
Monitoramento de Falhas
Cada falha de remediação é registrada com timestamp. O circuit breaker
mantém uma janela deslizante de 1 hora.
2
Disparo do Circuit Breaker
Quando 3 ou mais falhas ocorrem dentro da janela de 1 hora, o circuit
breaker abre e bloqueia toda auto-remediação no namespace.
3
Estado Aberto
Enquanto aberto, todos os
RemediationPlan CRs são criados com
requiresApproval: true, independente da confiança calculada.4
Reset
O circuit breaker fecha automaticamente após o período de cooldown ou quando
um operador faz reset manual via annotation.
Pattern Store
O Pattern Store é o sistema de aprendizado de padrões da plataforma. Ele permite que a AIOps “lembre” de incidentes passados e use essa memória para tomar decisões mais informadas.Fingerprinting SHA256
Cada padrão é identificado por uma fingerprint única calculada como:Armazenamento em ConfigMap
Os padrões são persistidos em umConfigMap dedicado no namespace do operator:
RecordResolution e RecordFailure
Cálculo do Confidence Boost
O boost de confiança derivado do Pattern Store é calculado diretamente a partir da taxa de sucesso:Cenário: Incidente Similar Recente
'Incidente similar resolvido 3 dias atrás com rollback'
'Incidente similar resolvido 3 dias atrás com rollback'
Quando o Pattern Store encontra uma correspondência, o motor adiciona contexto
ao Essa informação é exibida no
AIInsight e ao RemediationPlan:Issue CR para que operadores possam ver
rapidamente que o problema já foi resolvido antes e como.Enriquecimento de Causa Raiz (RCA)
Antes de tomar qualquer decisão, o motor enriquece o contexto do incidente com dados adicionais do cluster. Esse enriquecimento alimenta tanto o LLM (para melhor diagnóstico) quanto o motor de decisão (para ajustes mais precisos).DeploymentChange Detection
O motor verifica se houve uma mudança de deploy recente comparando revisões de ReplicaSets:ConfigChange Detection
O motor busca eventos do Kubernetes relacionados a atualizações de ConfigMaps e Secrets:Related Issues
Lista issues ativas no mesmo namespace que podem estar correlacionadas:Dependency Status
Verifica a saúde dos Services e Endpoints dos quais o recurso afetado depende:Time Correlation
O motor calcula a correlação temporal entre mudanças detectadas e o início do incidente:Correlação temporal forte (< 5 min) eleva automaticamente a causa para o topo
da lista de
PossibleCauses, pois a probabilidade de relação causal é alta.PossibleCauses Ranking
Todas as causas possíveis são ranqueadas por probabilidade com base nos dados de enriquecimento:Detector de Convergência
O Detector de Convergência é projetado para o loop agêntico de remediação. Ele monitora as observações do agente para determinar se a situação está melhorando, estagnada ou piorando.IsConverged
Verifica se as últimas 3 observações são idênticas, indicando que o sistema atingiu um estado estável (para melhor ou pior).IsOscillating
Detecta padrões de oscilação A-B-A-B onde o sistema alterna entre dois estados sem progresso real.ShouldStop
Função principal que combina todos os critérios de parada do loop agêntico:EstimateProgress
Estima o progresso do loop agêntico de 0.0 a 1.0, usado para feedback visual e logging:Fluxo Completo de Decisão
Métricas do Motor de Decisão
O motor expõe métricas Prometheus para observabilidade:Próximos Passos
Federação Multi-Cluster
Veja como o motor de decisão opera em ambientes multi-cluster com políticas
por tier.
Chaos Engineering
Valide as decisões do motor com experimentos de chaos controlados.
Auditoria e Compliance
Cada decisão gera um AuditEvent imutável para rastreabilidade.
AIOps Platform
Retorne à visão geral completa da plataforma AIOps.