azure-resource-health-diagnose

Azure 资源运行状况与问题诊断

此工作流分析特定的 Azure 资源，以评估其运行状况，利用日志和遥测数据诊断潜在问题，并针对发现的任何问题制定全面的修复计划。

先决条件

• 已配置并验证 Azure MCP 服务
• 已确定目标 Azure 资源（名称，以及可选的资源组/订阅）
• 资源必须已部署并正在运行，以生成日志/遥测数据
• 在可用的情况下，优先使用 Azure MCP 工具（azmcp-*），而非直接使用 Azure CLI

工作流步骤

步骤 1：获取 Azure 最佳实践

操作：检索诊断和故障排除最佳实践 工具：Azure MCP 最佳实践工具 过程：

1. 加载最佳实践：
   • 执行 Azure 最佳实践工具以获取诊断指南
   • 重点关注运行状况监控、日志分析和问题解决模式
   • 使用这些实践来指导诊断方法和修复建议

步骤 2：资源发现与识别

操作：定位并识别目标 Azure 资源 工具：Azure MCP 工具 + Azure CLI 回退 过程：

1. 资源查找：

   • 如果仅提供了资源名称：使用 azmcp-subscription-list 跨订阅搜索
   • 使用 az resource list --name <resource-name> 查找匹配的资源
   • 如果找到多个匹配项，提示用户指定订阅/资源组
   • 收集详细的资源信息：
     • 资源类型和当前状态
     • 位置、标记和配置
     • 关联的服务和依赖项

2. 资源类型检测：

   • 识别资源类型以确定适当的诊断方法：
     • Web 应用/函数应用：应用程序日志、性能指标、依赖项跟踪
     • 虚拟机：系统日志、性能计数器、启动诊断
     • Cosmos DB：请求指标、限制、分区统计信息
     • 存储帐户：访问日志、性能指标、可用性
     • SQL 数据库：查询性能、连接日志、资源利用率
     • Application Insights：应用程序遥测、异常、依赖项
     • Key Vault：访问日志、证书状态、机密使用情况
     • Service Bus：消息指标、死信队列、吞吐量

步骤 3：运行状况评估

操作：评估当前资源运行状况和可用性 工具：Azure MCP 监控工具 + Azure CLI 过程：

1. 基本运行状况检查：

   • 检查资源配置状态和运行状态
   • 验证服务可用性和响应能力
   • 查看最近的部署或配置更改
   • 评估当前资源利用率（CPU、内存、存储等）

2. 服务特定的运行状况指标：

   • Web 应用：HTTP 响应代码、响应时间、运行时间
   • 数据库：连接成功率、查询性能、死锁
   • 存储：可用性百分比、请求成功率、延迟
   • VM：启动诊断、来宾 OS 指标、网络连接
   • 函数：执行成功率、持续时间、错误频率

步骤 4：日志与遥测分析

操作：分析日志与遥测数据，以识别问题和模式 工具：用于 Log Analytics 查询的 Azure MCP 监控工具 流程：

1. 查找监控源：

   • 使用 azmcp-monitor-workspace-list 识别 Log Analytics 工作区
   • 定位与该资源关联的 Application Insights 实例
   • 使用 azmcp-monitor-table-list 识别相关日志表

2. 执行诊断查询： 根据资源类型，使用 azmcp-monitor-log-query 执行有针对性的 KQL 查询：

   常规错误分析：

   // 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
   

   性能分析：

   // 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
   

   应用程序特定查询：

   // 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. 模式识别：

   • 识别反复出现的错误模式或异常
   • 将错误与部署时间或配置变更关联起来
   • 分析性能趋势和退化模式
   • 查找依赖项故障或外部服务问题

步骤 5：问题分类与根因分析

操作：对识别出的问题进行分类并确定根因 流程：

1. 问题分类：

   • 严重：服务不可用、数据丢失、安全泄露
   • 高：性能退化、间歇性故障、高错误率
   • 中：警告、次优配置、轻微性能问题
   • 低：信息性警报、优化机会

2. 根因分析：

   • 配置问题：设置不正确、缺少依赖项
   • 资源限制：CPU/内存/磁盘限制、限流
   • 网络问题：连接问题、DNS 解析、防火墙规则
   • 应用程序问题：代码缺陷、内存泄漏、低效查询
   • 外部依赖项：第三方服务故障、API 限制
   • 安全问题：身份验证失败、证书过期

3. 影响评估：

   • 确定业务影响以及受影响的用户/系统
   • 评估数据完整性和安全影响
   • 评估恢复时间目标和优先级

步骤 6：生成修复计划

操作：创建全面计划以解决识别出的问题 流程：

1. 即时操作（严重问题）：

   • 通过紧急修复恢复服务可用性
   • 通过临时变通方法减轻影响
   • 针对复杂问题的升级流程

2. 短期修复（高/中问题）：

   • 配置调整和资源扩缩容
   • 应用程序更新和补丁
   • 监控和告警改进

3. 长期改进（所有问题）：

   • 通过架构变更提升韧性
   • 预防措施和监控增强
   • 文档和流程改进

4. 实施步骤：

   • 带有具体 Azure CLI 命令的优先行动项
   • 测试和验证流程
   • 每项变更的回滚计划
   • 通过监控验证问题解决情况

步骤 7：用户确认与报告生成

操作：展示发现结果并获取修复操作的批准 流程：

1. 显示健康状况评估摘要：

   🏥 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. 生成详细报告：

   # 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]
   

   阶段 2：短期修复（2-24 小时）

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

   阶段 3：长期改进（1-4 周）

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

   📈 监控建议

   • 要配置的告警：[推荐告警列表]
   • 要创建的仪表板：[监控仪表板建议]
   • 定期健康检查：[推荐频率和范围]

   ✅ 验证步骤

   • 通过日志验证问题已解决
   • 确认性能改进
   • 测试应用程序功能
   • 更新监控和告警
   • 记录经验教训

   📝 预防措施

   • [防止类似问题的建议]
   • [流程改进]
   • [监控增强]

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