Étude de cas technique
Assistant de supervision réseau
Les administrateurs devaient se connecter à Zabbix pour obtenir la moindre information, y compris en déplacement. L’assistant amène la supervision sur WhatsApp : les métriques s’interrogent en langage naturel, chaque incident ouvre un ticket GLPI et les alertes arrivent enrichies de contexte et de recommandations.
- Contexte
- Stage d’ingénierie — CNPS Cameroun
- Période
- Juillet – septembre 2025
- Rôle
- Conception du workflow, intégrations et mise en œuvre
Ce travail a été réalisé dans le cadre d’un stage d’ingénierie. Il ne s’agit pas d’une référence commerciale de CÉLESTE CORP. Aucune donnée interne de la CNPS n’apparaît sur cette page : tous les exemples sont fictifs.
Le problème
Zabbix collectait les métriques de l’infrastructure supervisée, mais chaque information exigeait de se connecter à son interface web. Loin de leur poste, les administrateurs n’avaient aucun moyen rapide de vérifier l’état d’un serveur ou de comprendre une alerte.
Les incidents devaient en outre être déclarés à la main dans GLPI, l’outil de helpdesk : des délais, et des incidents suivis uniquement dans des conversations.
Architecture simplifiée
WhatsApp
Commande de l’administrateur
n8n
Webhook + authentification
API Zabbix
Métriques et problèmes
Gemini
Synthèse en langage naturel
WhatsApp
Réponse à l’administrateur
« !zabbix analyze srv-app-01 » → « CPU 87 %, RAM 64 % : un problème prioritaire, voir la recommandation. »
Zabbix
Déclenchement d’un trigger
n8n
Workflow d’alerte
API GLPI
Création du ticket
Gemini
Analyse et recommandations
WhatsApp
Alerte enrichie
Déclencheur « CPU élevé sur srv-db-02 » → ticket n° 1042 créé → alerte WhatsApp avec lien et recommandation.
Flux illustratifs. Les noms d’hôtes et les valeurs sont fictifs.
Rôle de chaque composant
- Zabbix
- Collecte les métriques, détecte les problèmes et déclenche les triggers.
- n8n
- Orchestre les workflows : webhooks, authentification, appels d’API et mise en forme des messages.
- Interface conversationnelle des administrateurs, y compris en déplacement.
- API Gemini
- Transforme les données brutes de Zabbix en synthèse lisible, avec priorités et recommandations.
- GLPI
- Reçoit un ticket pour chaque incident, via son API.
- Python (Random Forest)
- Estime le risque d’incident d’un hôte à partir de ses métriques CPU, RAM et disque.
Démonstration sur données fictives
Conversation simulée. Les noms d’hôtes, valeurs et numéros de tickets sont fictifs ; le format des messages est simplifié.
!zabbix analyze srv-app-01
Authentification requise. Merci de saisir votre code d’accès.
••••••••
srv-app-01 — dernière heure CPU 87 % (élevé) · RAM 64 % · Disque 41 % Problème prioritaire : charge CPU soutenue depuis 10 h 12. Recommandation : vérifier les derniers déploiements et le nombre de workers applicatifs.
!zabbix predict srv-db-02
Risque d’incident pour srv-db-02 : ÉLEVÉ RAM 91 % · Disque 88 % Suggestion : libérer de l’espace disque avant la prochaine sauvegarde.
ALERTE — CPU élevé sur srv-db-02 Ticket GLPI n° 1042 · glpi.example/ticket/1042 Problème : CPU au-dessus de 90 % depuis 5 minutes Analyse IA : probablement une requête longue ; consulter le journal des requêtes lentes.
Défis techniques et réponses apportées
Défi
Exposer des données de supervision sur une messagerie grand public.
Réponse
Les commandes ne sont acceptées qu’après authentification via le chatbot, et l’accès est bloqué temporairement après 3 tentatives incorrectes.
Défi
Des métriques brutes difficiles à lire sur un écran de téléphone.
Réponse
Le LLM résume les performances, fait ressortir les problèmes prioritaires et propose des recommandations, en quelques lignes.
Défi
Des incidents déclarés à la main, ou suivis uniquement dans des conversations.
Réponse
Chaque incident détecté par Zabbix ouvre automatiquement un ticket GLPI via son API ; l’alerte porte l’identifiant du ticket et un lien direct.
Défi
Une supervision restée réactive : les administrateurs découvraient les problèmes une fois survenus.
Réponse
Un modèle Random Forest estime le risque d’incident d’un hôte à partir de ses métriques CPU, RAM et disque (« !zabbix predict »).
Gestion des erreurs et garde-fous
- Authentification avant toute commande de supervision, avec blocage temporaire après 3 tentatives incorrectes.
- Ticket GLPI systématique pour chaque incident Zabbix : rien ne dépend de la lecture d’un message.
- Alertes enrichies : identifiant du ticket, lien direct, hôte, description du problème et recommandations.
- Sorties de l’IA cantonnées au conseil : la synthèse aide l’administrateur, les données Zabbix restent la référence.
Limites de la solution
- Réalisée pendant un stage de trois mois : elle n’a pas été testée en charge sur une grande infrastructure.
- Les synthèses et recommandations de l’IA peuvent être erronées et doivent être confrontées aux données Zabbix.
- Le modèle de risque n’utilise que les métriques CPU, RAM et disque : ses estimations sont indicatives.
- La solution dépend de services externes : le canal WhatsApp et l’API Gemini.
Ce qu’ajouterait une mise en production
- Un workflow d’erreur n8n dédié, avec nouvelles tentatives et canal de secours (e-mail) si WhatsApp ou le LLM est indisponible.
- Un journal d’audit des commandes et des tentatives d’accès.
- Des identifiants stockés dans un gestionnaire de secrets et renouvelés régulièrement.
- Une validation du modèle de risque sur un historique de métriques plus long.
Livrables
- Workflows n8n d’interrogation et d’alerte
- Intégrations des API Zabbix et GLPI
- Interface WhatsApp avec authentification
- Modèle d’estimation du risque d’incident
Technologies
n8n · Zabbix · GLPI · WhatsApp · API Gemini · Python (Random Forest)
Besoin d’une intégration similaire pour un client ?
Intégrations API, workflows de supervision, automatisation du ticketing : commencez par un projet pilote au périmètre clairement défini.
Discuter d’un projet pilote