Zabbix告警分析新纪元：本地DeepSeek大模型实现智能化告警分析
作者介绍 ：张世宏，2016-2024 Zabbix中国峰会演讲嘉宾，Zbxtable研发者，社区专家
一、 引言
随着企业数字化转型的深入，IT系统日益复杂化和规模扩大化，传统的运维模式已难以应对海量告警信息的处理需求。如何在第一时间准确识别问题根源并提供有效的解决方案，成为运维团队面临的重大挑战。
Zabbix作为全球领先的开源监控解决方案，在帮助企业实现全面 IT 资产监控方面发挥着重要作用。而深度求索（DeepSeek）作为专注实现AGI的中国的人工智能公司，致力于为各行业提供先进的AI技术和服务。本文将介绍如何通过集成Zabbix与深度求索AI助手，构建智能化告警处理方案。
本文参考官方博文（https://blog.zabbix.com/creating-a-personal-assistant-in-zabbix-with-artificial-intelligence/29596/）
二、方案概述
2.1 技术架构
本方案基于Zabbix监控系统，通过Webhook机制集成Deepseek AI助手，构建智能化运维体系。其核心架构包括：
Zabbix监控平台：负责实时监控和告警触发
Webhook接口：实现告警信息的传递
Deepseek AI平台：提供智能分析能力
2.2 实现原理
- 告警触发时，Zabbix通过预定义动作发送HTTP请求至Webhook脚本
- 脚本解析告警数据并调用Deepseek API进行分析
- 返回结果整合到Zabbix操作界面，供运维人员参考
2.3 系统架构
三、DeepSeek环境搭建
可根据自身环境选择使用云上的服务接口或使用本地部署的环境。鉴于安全和部分环境为离线环境，本次采用本地部署DeepSeek环境,本次使用deepseek-r1:70b
3.1 硬件配置
| 组件 | 配置 |
|---|---|
| IP | 192.168.6.80 |
| OS | Ubuntu 22.04.5 LTS |
| CPU | Xeon Gold 6154 |
| 内存 | 88GB DDR5 |
| GPU | A100 80GB x2 |
| 磁盘 | 1TB NVMe SSD |
3.2 DeepSeek本地部署
本次使用Ollama框架进行部署
# 在GPU服务器上安装Ollama,此过程会安装ollama、显卡驱动、CUDA工具等
curl -fsSL https://ollama.com/install.sh | sh
# 修改Ollama监听地址，编辑/etc/systemd/system/ollama.service文件中添加环境变量Environment="OLLAMA_HOST=0.0.0.0:11434"，修改后的完整文件为
[Unit]
Description=Ollama Service
After=network-online.target
[Service]
Environment="OLLAMA_HOST=0.0.0.0:11434"
ExecStart=/usr/local/bin/ollama serve
User=ollama
Group=ollama
Restart=always
RestartSec=3
Environment="PATH=/usr/local/sbin:/usr/local/bin:/usr/sbin:/usr/bin:/sbin:/bin:/usr/games:/usr/local/games:/snap/bin"
[Install]
WantedBy=default.target
# 重启服务
systemctl daemon-reload
systemct restart ollama
# 拉取DeepSeek-r1-70B模型并运行,此过程会下载40G大小的模型，耐心等待，下载完成后会自动运行模型
ollama run deepseek-r1:70b
# 验证模型加载状态
curl http://localhost:11434/api/tags
启动后进入对话，输入/bye退出对话。
如本地无条件，可选择租用线上机器进行，推荐使用spacehpc平台，在镜像市场选择DeepSeek-R1 70b镜像即可，开机后模型已下载好，直接运行即可。
四、Zabbix智能分析集成
4.1 软件配置
| 组件 | 配置 |
|---|---|
| IP | 172.16.60.161 |
| OS | Debian 12 |
| Zabbix | Zabbix 7.0.9 |
| DB | Mariadb 10.11.6 |
4.2 Webhook配置
4.2.1 配置Webhook
在Zabbix控制台中创建新的Webhook脚本，具体步骤如下
- 登录Zabbix控制台，点击“Alerts”->“Scripts”
- 点击"Create script"按钮，填写以下内容
- Name: 解决方案
- Scope: Manual event action
- Menu path: AI助手
- Type: Webhook
- Parameters: name:detail value: {TRIGGER.NAME},name: host value: {HOST.HOST}
- 在Script body中粘贴如下内容：
// 配置信息
var OLLAMA_API_URL = 'http://192.168.6.80:11434/api/chat'
var MODEL_NAME = 'deepseek-r1:70b'
/**
* 生成告警消息
* @param {Object} params - Zabbix 告警参数
*/
function generateAlertMessage(params) {
return [
'当前服务器告警，主机: ' + params.host,
'详情: ' + params.detail,
'请执行：1. 根本原因分析（概率排序）2. 提供修复命令3. 关联知识文档',
].join('\n')
}
/**
* 发送消息到 Ollama Chat API
* @param {string} message - 要发送的消息
*/
function sendToOllama(message) {
try {
// 准备请求数据
var payload = JSON.stringify({
model: MODEL_NAME,
messages: [
{
role: 'user',
content: message,
},
],
stream: false,
})
// 记录请求日志
Zabbix.Log(4, '[Ollama Webhook] 发送请求: ' + payload)
// 发送请求
var response = new HttpRequest()
//response.addHeader('Content-Type: application/json')
var responseData = response.post(OLLAMA_API_URL, payload)
// 检查响应
if (response.getStatus() != 200) {
throw new Error('API 请求失败，状态码: ' + response.getStatus())
}
// 记录成功日志
Zabbix.Log(4, '[Ollama Webhook] 发送成功: ' + responseData)
try {
var result = JSON.parse(responseData)
// chat API 返回的是 message 对象
return result.message.content || '成功发送到 Ollama'
} catch (e) {
return '成功发送到 Ollama（响应解析失败）: ' + e.message
}
} catch (error) {
// 记录错误日志
Zabbix.Log(3, '[Ollama Webhook] 错误: ' + error.message)
throw error
}
}
/**
* Webhook 主函数
*/
try {
// 验证必要的输入参数
if (!value) {
throw new Error('未收到告警信息')
}
Zabbix.Log(4, '[Ollama Webhook] 收到告警信息: ' + value)
// 构造告警消息
var params
try {
params = JSON.parse(value)
} catch (e) {
throw new Error('告警信息格式无效: ' + e.message)
}
// 生成并发送告警消息
var alertMessage = generateAlertMessage(params)
var response = sendToOllama(alertMessage)
// 返回处理结果
return '模型分析结果：\n' + response
} catch (error) {
// 返回错误信息
return '处理告警时出错: ' + error.message
}
- 设置Timeout为60s
4.2.2 关键参数说明
- OLLAMA_API_URL 为Ollama接口地址，默认端口为11434
- OLLAMA_API_URL 为模型名称，可根据实际需求更改，本次使用deepseek-r1:70b
4.2.3 超时优化
Timeout配置为60s，点击保存。目前Webhook最大超时时间为60s，由于Deepseek思考时间可能较长，因此需要增加超时时间，可通过数据库方式直接配置为300s。
# 根据脚本名称更新脚本超时时间为300s
mysql -uzabbix -p
use zabbix;
update scripts set timeout='300s' where name ='解决方案';
4.3 告警分析实践
当Zabbix产生一个告警后，在问题上点击右键选择AI助手-解决方案，就会把此问题发送给Deepseek平台。
4.3.1 案例一：存储容量告警
告警信息：Windows: FS [(C:)]: Space is low (used > 80%, total 119.3GB)
模型输出：
4.3.2 案列二：Agent失联告警
告警信息： Linux: Zabbix agent is not available (for 3m)
模型输出：
从Deepseek给的思考过程和解决方案来看都非常专业，后期可考虑替代运维知识库。
五、 扩展应用场景
- 预测性维护
- 基于历史数据进行趋势分析
- 预测潜在硬件故障
- 知识库自动化
- 自动生成标准化运维文档
- 智能更新知识库内容
- 多模态监控
- 综合分析日志与性能指标
- 提供更全面的故障诊断视角
- 智能自愈
- 结合自动化工具实现简单故障自愈
- 设置分级响应策略
六、总结
Zabbix与深度求索AI助手的结合，为企业提供了一套智能化的告警处理解决方案。通过将人工智能技术引入运维领域，不仅提升了问题处理效率，还推动了运维模式的革新。未来，随着AI技术的不断发展，这种智能化运维方案必将得到更广泛的应用和持续优化。
后记
以上博文为Deepseek生成后再由作者修改，其中Webhook脚本也为Deepseek生成并通过本地调试修改后完成。