mcp-log-analyzer-server

amammi/mcp-log-analyzer-server

3.2

If you are the rightful owner of mcp-log-analyzer-server and would like to certify it and/or have it hosted online, please leave a comment on the right or send an email to henry@mcphub.com.

The AI Log Analyzer project leverages LLM and MCP technology to analyze Docker container logs.

Tools

  1. get_container_error_level_logs

    Extracts logs of ERROR level from a specified container.

  2. get_container_level_logs_except_error

    Extracts logs of INFO and DEBUG levels, excluding ERROR, from a specified container.

AI Log Analyzer

Analisi intelligente dei log container

Questo repository contiene il codice sorgente del progetto finale del corso di Programmazione Python del primo modulo del master "Applied Artificial Intelligence".

Descrizione del progetto

Il progetto punta alla costruzione di un Proof of Concept che riesca, dato il nome di un container docker, ad analizzare i log su diversi livelli dell'applicazione che vive dentro quel container attraverso l'utilizzo degli LLM e del protocollo MCP.

Il progetto si compone di 3 moduli:

  • mcp_server: con all'interno il codice sorgente del server MCP che permette l'estrazione dei log dai container docker. Per costruire tale server MCP è stata utilizzata la libreria Python FastMCP.
  • app: una piccola FastAPI app costruita per generare log che alcuni dei tools presenti nel server MCP (in particolare get_container_error_level_logs e get_container_level_logs_except_error) dovranno estrarre su tre livelli:
    • INFO
    • DEBUG
    • ERROR
  • webapp: una webapp Django con un frontend in React che funge da client verso l'utente finale, che sfrutta la combinazione LLM + MCP server per l'analisi dei log dei container Docker.

Requisiti di sistema

I requisiti che il sistema deve avere per far partire il progetto sono:
  • Docker
  • Docker compose
  • WSL (se il progetto verrà fatto partire con Windows come OS)

Build del progetto

Una volta soddisfatti i requisiti di sistema e clonato questo repository, sarà necessario fare la build delle immagini docker di tutti e tre moduli e successivamente avviare i relativi container docker.

Per fare entrambe le cose (build + run), sarà necessario posizionarsi nella root del progetto (la medesima di questo file README.md) e lanciare il comando:

docker compose up -d

Si avvierà la fase di build delle immagini e successivamente la fase di start dei vari container. Una volta fatto, l'infrastruttura dei container sarà pronta per poter essere utilizzata.

Getting started

Una volta avviata l'infrastruttura dei vari container, la situazione sarà la seguente:

  • mcp_server: sarà attiva e in ascolto sulla porta 8080
  • application: sarà attiva e in ascolto sulla porta 8050
  • django_webapp: sarà attiva e in ascolto sulla porta 8000

Per prima cosa, poiché dovremo poter fare le analisi dei log del container application, si dovranno generare tali log. A tal proposito, dunque, sarà necessario fare delle richieste su 2 endpoint differenti:

  • GET /greet: genera log di livello INFO e DEBUG
  • POST /operations: genera log di livello INFO, DEBUG ed ERROR (simulati)

Per chiamare questi endpoint basterà farlo, anche con body vuoto, attraverso curl oppure tool come Postman o Insomnia.

Una volta generati i log con varie chiamate, possiamo cominciare ad utilizzare la django_webapp.

Configurazione Applicazione

Prima di utilizzare il client vanno, nell'ordine, settate 2 configurazioni nel pannello di amministrazione dell'applicazione:

  1. Collegarsi all'indirizzo http://localhost:8000/ e nella pagina iniziale, come si vede dalla figura, cliccare il tasto "Impostazioni". Si verrà reindirizzati al pannello di amministrazione dell'applicazione dove al primo accesso verranno chieste le credenziali (se non sono state cambiate in fase di build nel docker-compose file, user e password sono admin:admin)
  1. Aggingere un Provider Model: Per aggiungere un Provider Model, cliccare su "Add" nel menu a sinistra accanto alla relativa voce. Possibile scelta tra 3 diversi provider come Ollama, OpenAI e Anthropic. Di seguito viene riportato l'esempio per OpenAI

Per ogni provider model sarà necessario esplicitare:

  • il provider
  • il modello di quel provider da utilizzare
  • la relativa API key (lasciare anche "ollama" che appare di default se il provider scelto è Ollama)
  • se si seleziona Ollama come provider bisogna valorizzare obbligatoriamente il campo base url con l'indirizzo del server ollama remoto, diversamente, per gli altri provider questo campo non è necessario.
  • il flag is_active per attivare quel provider per l'intera applicazione
  1. Configurare i dati dell'MCP server: Per aggiungere un MCP Server Config, cliccare su "Add" nel menu a sinistra accanto alla relativa voce.

In questa schermata è necessario esplicitare un nome e l'url al quale è raggiungibile il nostro MCP Server. Nel nostro caso, sarà necessario inserire l'indirizzo http://host.docker.internal:8080

Utilizzo del client

Terminata la configurazione, è ora possibile utilizzare il client. Per far ciò, se si è all'interno del pannello di amministrazione dell'applicazione si potrà cliccare direttamente nella voce di menu "View Site", altrimenti basterà collegarsi all'indirizzo http://localhost:8000/ ed in questo modo si verrà reindirizzati alla seguente schermata:

Notiamo subito in alto a destra il numero dei container attivi ed la voce "Impostazioni" vista in precedenza per accedere al pannello di amministrazione, poi, proseguendo verso il basso, abbiamo l'area di sinistra dove sono presenti le info da selezionare per l'analisi dei log come:

  • Nome del container da analizzare
  • Log level

A destra invece troveremo la risposta del nostro LLM, dopo aver utilizzato gli opportuni tool del server MCP.

Subito dopo aver ricevuto la risposta dall'LLM tramite un apposito tasto che apparirà, sarà possibile scaricare un report in PDF sulla richiesta di analisi appena effettuata come di seguito mostrato:

Di seguito un breve video sul funzionamento:

demo.webm