azure-resource-health-diagnose

Azure リソース正常性と問題診断

このワークフローは、特定の Azure リソースを分析して正常性状態を評価し、ログとテレメトリデータを使用して潜在的な問題を診断し、発見された問題に対する包括的な修復計画を策定します。

前提条件

• Azure MCP サーバーが構成され、認証されていること
• 対象の Azure リソースが特定されていること (名前、および必要に応じてリソースグループ/サブスクリプション)
• ログ/テレメトリを生成するために、リソースがデプロイされ実行中であること
• 利用可能な場合は、直接 Azure CLI を使用するよりも Azure MCP ツール (azmcp-*) を優先すること

ワークフローの手順

ステップ 1: Azure のベストプラクティスを取得する

アクション: 診断とトラブルシューティングのベストプラクティスを取得します ツール: Azure MCP ベストプラクティスツール プロセス:

1. ベストプラクティスを読み込む:
   • Azure ベストプラクティスツールを実行して診断ガイドラインを取得します
   • 正常性の監視、ログ分析、問題解決のパターンに焦点を当てます
   • これらのプラクティスを使用して、診断アプローチと修復の推奨事項に反映させます

ステップ 2: リソースの検出と特定

アクション: 対象の Azure リソースを特定します ツール: Azure MCP ツール + Azure CLI フォールバック プロセス:

1. リソースの検索:

   • リソース名のみが指定された場合: azmcp-subscription-list を使用してサブスクリプション全体を検索します
   • az resource list --name <resource-name> を使用して一致するリソースを検索します
   • 複数の一致が見つかった場合は、サブスクリプション/リソースグループを指定するようユーザーに促します
   • リソースの詳細情報を収集します:
     • リソースの種類と現在の状態
     • 場所、タグ、構成
     • 関連するサービスと依存関係

2. リソースの種類の検出:

   • リソースの種類を特定して、適切な診断アプローチを決定します:
     • Web Apps/Function Apps: アプリケーションログ、パフォーマンスメトリック、依存関係の追跡
     • Virtual Machines: システムログ、パフォーマンスカウンター、ブート診断
     • Cosmos DB: リクエストメトリック、スロットリング、パーティション統計
     • Storage Accounts: アクセスログ、パフォーマンスメトリック、可用性
     • SQL Database: クエリパフォーマンス、接続ログ、リソース使用率
     • Application Insights: アプリケーションテレメトリ、例外、依存関係
     • Key Vault: アクセスログ、証明書の状態、シークレットの使用状況
     • Service Bus: メッセージメトリック、デッドレターキュー、スループット

ステップ 3: 正常性状態の評価

アクション: 現在のリソースの正常性と可用性を評価します ツール: Azure MCP 監視ツール + Azure CLI プロセス:

1. 基本的な正常性チェック:

   • リソースのプロビジョニング状態と運用状態を確認します
   • サービスの可用性と応答性を確認します
   • 最近のデプロイまたは構成の変更を確認します
   • 現在のリソース使用率 (CPU、メモリ、ストレージなど) を評価します

2. サービス固有の正常性指標:

   • Web Apps: HTTP 応答コード、応答時間、稼働時間
   • Databases: 接続成功率、クエリパフォーマンス、デッドロック
   • Storage: 可用性の割合、リクエスト成功率、レイテンシ
   • VMs: ブート診断、ゲスト OS メトリック、ネットワーク接続性
   • Functions: 実行成功率、実行時間、エラー頻度

ステップ 4: ログとテレメトリの分析

アクション: ログとテレメトリを分析して、問題とパターンを特定します ツール: Log Analytics クエリ用の Azure MCP 監視ツール プロセス:

1. 監視ソースの特定:

   • azmcp-monitor-workspace-list を使用して Log Analytics ワークスペースを特定します
   • リソースに関連付けられた Application Insights インスタンスを特定します
   • azmcp-monitor-table-list を使用して関連するログテーブルを特定します

2. 診断クエリの実行: リソースの種類に基づいた対象を絞った KQL クエリで azmcp-monitor-log-query を使用します:

   一般的なエラー分析:

   // Recent errors and exceptions
   union isfuzzy=true 
       AzureDiagnostics,
       AppServiceHTTPLogs,
       AppServiceAppLogs,
       AzureActivity
   | where TimeGenerated > ago(24h)
   | where Level == "Error" or ResultType != "Success"
   | summarize ErrorCount=count() by Resource, ResultType, bin(TimeGenerated, 1h)
   | order by TimeGenerated desc
   

   パフォーマンス分析:

   // Performance degradation patterns
   Perf
   | where TimeGenerated > ago(7d)
   | where ObjectName == "Processor" and CounterName == "% Processor Time"
   | summarize avg(CounterValue) by Computer, bin(TimeGenerated, 1h)
   | where avg_CounterValue > 80
   

   アプリケーション固有のクエリ:

   // Application Insights - Failed requests
   requests
   | where timestamp > ago(24h)
   | where success == false
   | summarize FailureCount=count() by resultCode, bin(timestamp, 1h)
   | order by timestamp desc
   
   // Database - Connection failures
   AzureDiagnostics
   | where ResourceProvider == "MICROSOFT.SQL"
   | where Category == "SQLSecurityAuditEvents"
   | where action_name_s == "CONNECTION_FAILED"
   | summarize ConnectionFailures=count() by bin(TimeGenerated, 1h)
   

3. パターン認識:

   • 繰り返し発生するエラーパターンや異常を特定します
   • エラーをデプロイ時刻や構成変更と関連付けます
   • パフォーマンスの傾向と劣化パターンを分析します
   • 依存関係の障害や外部サービスの問題を探します

ステップ 5: 問題の分類と根本原因分析

アクション: 特定された問題を分類し、根本原因を判断します プロセス:

1. 問題の分類:

   • Critical: サービス停止、データ損失、セキュリティ侵害
   • High: パフォーマンス劣化、断続的な障害、高いエラー率
   • Medium: 警告、最適化されていない構成、軽微なパフォーマンス問題
   • Low: 情報提供のアラート、最適化の機会

2. 根本原因分析:

   • 構成の問題: 不正確な設定、不足している依存関係
   • リソースの制約: CPU/メモリ/ディスクの制限、スロットリング
   • ネットワークの問題: 接続の問題、DNS 解決、ファイアウォールルール
   • アプリケーションの問題: コードのバグ、メモリリーク、非効率なクエリ
   • 外部依存関係: サードパーティサービスの障害、API 制限
   • セキュリティの問題: 認証の失敗、証明書の有効期限切れ

3. 影響評価:

   • ビジネスへの影響と影響を受けるユーザー/システムを判断します
   • データの整合性とセキュリティへの影響を評価します
   • 復旧時間目標と優先順位を評価します

ステップ 6: 修復計画の生成

アクション: 特定された問題に対処するための包括的な計画を作成します プロセス:

1. 即時の対応 (Critical の問題):

   • サービス可用性を回復するための緊急修正
   • 影響を軽減するための一時的な回避策
   • 複雑な問題のためのエスカレーション手順

2. 短期的な修正 (High/Medium の問題):

   • 構成の調整とリソースのスケーリング
   • アプリケーションの更新とパッチ
   • 監視とアラートの改善

3. 長期的な改善 (すべての問題):

   • 復元性を高めるためのアーキテクチャ変更
   • 予防措置と監視の強化
   • ドキュメントとプロセスの改善

4. 実装手順:

   • 具体的な Azure CLI コマンドを伴う優先順位付けされたアクション項目
   • テストと検証の手順
   • 各変更のロールバック計画
   • 問題解決を確認するための監視

ステップ 7: ユーザーの確認とレポートの生成

アクション: 調査結果を提示し、修復アクションの承認を得ます プロセス:

1. 正常性評価の概要を表示:

   🏥 Azure Resource Health Assessment
   
   📊 Resource Overview:
   • Resource: [Name] ([Type])
   • Status: [Healthy/Warning/Critical]
   • Location: [Region]
   • Last Analyzed: [Timestamp]
   
   🚨 Issues Identified:
   • Critical: X issues requiring immediate attention
   • High: Y issues affecting performance/reliability  
   • Medium: Z issues for optimization
   • Low: N informational items
   
   🔍 Top Issues:
   1. [Issue Type]: [Description] - Impact: [High/Medium/Low]
   2. [Issue Type]: [Description] - Impact: [High/Medium/Low]
   3. [Issue Type]: [Description] - Impact: [High/Medium/Low]
   
   🛠️ Remediation Plan:
   • Immediate Actions: X items
   • Short-term Fixes: Y items  
   • Long-term Improvements: Z items
   • Estimated Resolution Time: [Timeline]
   
   ❓ Proceed with detailed remediation plan? (y/n)
   

2. 詳細レポートの生成:

   # Azure Resource Health Report: [Resource Name]
   
   **Generated**: [Timestamp]  
   **Resource**: [Full Resource ID]  
   **Overall Health**: [Status with color indicator]
   
   ## 🔍 Executive Summary
   [Brief overview of health status and key findings]
   
   ## 📊 Health Metrics
   - **Availability**: X% over last 24h
   - **Performance**: [Average response time/throughput]
   - **Error Rate**: X% over last 24h
   - **Resource Utilization**: [CPU/Memory/Storage percentages]
   
   ## 🚨 Issues Identified
   
   ### Critical Issues
   - **[Issue 1]**: [Description]
     - **Root Cause**: [Analysis]
     - **Impact**: [Business impact]
     - **Immediate Action**: [Required steps]
   
   ### High Priority Issues  
   - **[Issue 2]**: [Description]
     - **Root Cause**: [Analysis]
     - **Impact**: [Performance/reliability impact]
     - **Recommended Fix**: [Solution steps]
   
   ## 🛠️ Remediation Plan
   
   ### Phase 1: Immediate Actions (0-2 hours)
   ```bash
   # Critical fixes to restore service
   [Azure CLI commands with explanations]
   

   フェーズ 2: 短期的な修正 (2～24 時間)

   # Performance and reliability improvements
   [Azure CLI commands with explanations]
   

   フェーズ 3: 長期的な改善 (1～4 週間)

   # Architectural and preventive measures
   [Azure CLI commands and configuration changes]
   

   📈 監視の推奨事項

   • 構成するアラート: [推奨されるアラートのリスト]
   • 作成するダッシュボード: [監視ダッシュボードの提案]
   • 定期的な正常性チェック: [推奨される頻度と範囲]

   ✅ 検証手順

   • ログを通じて問題解決を確認する
   • パフォーマンスの改善を確認する
   • アプリケーションの機能をテストする
   • 監視とアラートを更新する
   • 得られた教訓を文書化する

   📝 予防措置

   • [同様の問題を防ぐための推奨事項]
   • [プロセスの改善]
   • [監視の強化]

Error Handling

• Resource Not Found: Provide guidance on resource name/location specification
• Authentication Issues: Guide user through Azure authentication setup
• Insufficient Permissions: List required RBAC roles for resource access
• No Logs Available: Suggest enabling diagnostic settings and waiting for data
• Query Timeouts: Break down analysis into smaller time windows
• Service-Specific Issues: Provide generic health assessment with limitations noted

Success Criteria

• ✅ Resource health status accurately assessed
• ✅ All significant issues identified and categorized
• ✅ Root cause analysis completed for major problems
• ✅ Actionable remediation plan with specific steps provided
• ✅ Monitoring and prevention recommendations included
• ✅ Clear prioritization of issues by business impact
• ✅ Implementation steps include validation and rollback procedures