🐳 Local ChatOps: Automated Bi-Directional Docker Server Management

Sistem ChatOps otomatisasi pengelolaan Docker Server dua arah secara lokal berbasis Python, pustaka pyTelegramBotAPI, dan mesin kecerdasan buatan lokal Ollama (Model qwen2.5-coder:7b). Proyek ini didesain sebagai dokumentasi arsitektur DevOps untuk memenuhi tugas Literasi Informasi.

---

📌 Pengenalan ChatOps & Literasi Informasi IT

Dalam dunia DevOps modern, ChatOps adalah kolaborasi kerja berbasis obrolan (chat) yang menghubungkan manusia, alat otomatisasi server, dan sistem operasi dalam satu alur kerja terintegrasi.

Proyek ini mendemonstrasikan Literasi Informasi IT dengan membuktikan bagaimana kecerdasan buatan lokal (LLM) dapat dipadukan dengan modul pemrograman deterministik secara aman untuk menjembatani instruksi bahasa manusia biasa (natural language) ke dalam eksekusi CLI server yang presisi, tanpa mengorbankan privasi data (100% berjalan offline/lokal).

---

🏛️ Arsitektur Sistem & Alur Kerja

Sistem ini berjalan secara dua arah (Bi-Directional ChatOps):

graph TD
    %% Arah A: User ke Server %%
    User([Telegram User]) -->|1. Kirim Instruksi Bahasa Alami| Bot[main.py Bot Engine]
    Bot -->|2. Muat Aturan & Prompt| Skill[skills/docker_management.md]
    Bot -->|3. Kirim Prompt Kontekstual| Ollama[Ollama: qwen2.5-coder:7b]
    Ollama -->|4. Balas Perintah Docker CLI| Bot
    Bot -->|5. Lolos Guardrail? Jalankan Subprocess| Host[Ubuntu Host CLI]
    Host -->|6. Ambil Output CLI| Bot
    Bot -->|7. Minta Penjelasan Manusiawi| Ollama
    Ollama -->|8. Kirim Ringkasan Penjelasan| Bot
    Bot -->|9. Kirim Format Rapi & Detail| User

    %% Arah B: Server ke User %%
    DockerDaemon[Docker Daemon Engine] -.->|1. Stream Event: Die/OOM| MonitorThread[Event Monitor Thread]
    MonitorThread -->|2. Tangkap Event & Ambil Logs| DockerSDK[Docker Python SDK]
    DockerSDK -->|3. Kirim Logs & Status| Ollama
    Ollama -->|4. Ringkas Penyebab Error AI| MonitorThread
    MonitorThread -->|5. Kirim Notifikasi & Tombol Aksi| User

Loading

🔄 Alur Dua Arah (Bi-Directional Workflow)

1. Arah A (User ke Server - Kontrol Aktif):

   • Pengguna mengirim instruksi (contoh: "tampilkan container aktif").
   • main.py memuat panduan dari skills/docker_management.md.
   • Payload dikirim ke Ollama untuk dievaluasi.
   • Perintah Docker CLI yang dihasilkan oleh Ollama divalidasi oleh filter Safety Guardrail.
   • Jika aman, perintah dieksekusi secara aman menggunakan subprocess (tanpa shell evaluation).
   • Hasil output dibaca, dirangkum ulang oleh Ollama ke dalam penjelasan bahasa Indonesia yang ramah, lalu dikirim ke Telegram pengguna.

2. Arah B (Server ke User - Notifikasi Pasif):

   • Asynchronous thread memantau event Docker melalui docker.from_env().events().
   • Jika mendeteksi container mati mendadak (die atau oom), thread mengambil log container tersebut.
   • Ollama menganalisis log kesalahan tersebut menjadi ringkasan penyebab error 1-2 kalimat (bahasa Indonesia).
   • Notifikasi peringatan dikirim ke pengguna via Telegram lengkap dengan tombol interaktif Inline Keyboard: [🔄 Restart Container] dan [📝 Lihat Log Singkat].

---

💻 Spesifikasi Infrastruktur Lokal

• Sistem Operasi: Ubuntu Linux (Native)
• Perangkat Keras: RAM 8GB, GPU NVIDIA RTX 2050 (4GB VRAM)
• AI Engine: Ollama lokal running model qwen2.5-coder:7b.
  • Optimalisasi Memori: Dikompilasi menggunakan split-processing 53% CPU / 47% GPU (melalui dynamic memory swap Ollama) karena ukuran model 5.8 GB melampaui VRAM fisik 4GB.
  • HTTP Request Timeout: Dikonfigurasi sebesar 90 detik guna mengakomodasi latensi pemrosesan split-computing pada CPU-GPU.

---

📁 Struktur Direktori

chatops-project/
├── .env                  # Menyimpan token bot, host Ollama, & whitelist ID
├── .env.example          # Template panduan konfigurasi variabel server
├── main.py               # Berkas utama ChatOps engine (Python)
├── requirements.txt      # Daftar dependensi modul Python yang dibutuhkan
└── skills/
    └── docker_management.md  # File Markdown berisi panduan batasan instruksi AI

---

🚀 Panduan Instalasi & Pengaturan

1. Prasyarat Sistem

Pastikan Docker, Python3, pip, dan Ollama sudah terpasang di sistem Ubuntu Anda:

sudo apt update
sudo apt install python3 python3-pip python3-venv docker.io -y

Pastikan user Anda terdaftar dalam group docker agar dapat mengakses Docker API tanpa sudo:

sudo usermod -aG docker $USER
newgrp docker

2. Persiapan AI Model di Ollama

Jalankan service Ollama dan pasang model Qwen2.5 Coder secara lokal:

systemctl start ollama
ollama pull qwen2.5-coder:7b

3. Clone & Inisialisasi Dependensi Python

Buat virtual environment dan instal modul pustaka proyek:

# Buat Virtual Environment
python3 -m venv .venv
source .venv/bin/activate

# Instal Pustaka Pendukung
pip install -r requirements.txt

4. Konfigurasi Variabel Lingkungan

Salin berkas template .env.example menjadi .env:

cp .env.example .env

Buka berkas .env dan lengkapi nilainya:

• TELEGRAM_BOT_TOKEN: Token bot Anda dari @BotFather.
• ALLOWED_TELEGRAM_IDS: ID unik Telegram Anda (untuk keamanan autentikasi).
• ALERT_CHAT_ID: ID unik chat tempat notifikasi error akan dikirimkan.

---

🛡️ Fitur Keamanan (Safety Guardrail)

Mengandalkan model bahasa kecerdasan buatan (LLM) saja tidak cukup untuk keamanan sistem operasi. Oleh karena itu, berkas main.py menyematkan lapisan keamanan deterministik mutlak sebelum instruksi dieksekusi:

1. Pemeriksaan Prefix: Perintah wajib diawali dengan keyword docker.
2. Blokir Operator Shell Chaining: Mencegah command injection dengan menolak adanya karakter ;, &&, ||, |, &.
3. Blokir Redirection: Menolak tanda >, >>, < agar tidak terjadi pembacaan/manipulasi file sistem luar.
4. Blokir Subshell & Backticks: Menolak ekspresi $(), dan ` untuk menghentikan nested command execution.
5. Whitelist & Blacklist Kata Kunci: Memblokir keyword berbahaya secara deterministik seperti rm -rf, sudo, /etc, docker.sock, sh, dan bash.
6. Subprocess execution (Shell=False): Menggunakan shlex.split untuk mengubah string command menjadi parameter list diskrit, memotong kemungkinan shell mengevaluasi operator berbahaya yang lolos.

---

🔬 Skenario Pengujian (Test Plan)

1. Jalankan Bot Server

Aktifkan bot ChatOps Anda dengan perintah:

python3 main.py

2. Pengujian Arah A (Teks Bahasa Manusia)

• Langkah: Kirim pesan "tampilkan daftar container" ke Telegram Bot Anda.
• Hasil Diharapkan: Bot membalas dengan penjelasan naratif bersahabat dari Ollama AI (misal: "Halo, saat ini tidak ada container yang berjalan"), diikuti oleh command asli docker ps dan output tabel raw CLI yang rapi.

3. Pengujian Filter Keamanan (Guardrail Block)

• Langkah: Kirim pesan "tampilkan container; rm -rf /" ke Telegram Bot.
• Hasil Diharapkan: Bot langsung mendeteksi upaya injeksi karakter ; dan rm -rf lalu mengembalikan pesan: ⚠️ Akses Ditolak / Perintah Tidak Aman!. Eksekusi langsung dibatalkan secara deterministik.

4. Pengujian Arah B (Alerting Otomatis & Tombol Aksi)

• Langkah: Sengaja buat kontainer uji coba yang akan langsung mati di terminal server Anda:

  docker run --name container-test-error -d alpine sh -c "sleep 5 && echo 'Koneksi database terputus' && exit 1"

• Hasil Diharapkan:
  • Dalam 5 detik, container berhenti karena error.
  • Thread monitor secara real-time menangkap event tersebut.
  • Bot mengirim pesan peringatan ke Telegram Anda lengkap dengan ringkasan AI: "Analisis AI: Container 'container-test-error' mengalami kegagalan karena koneksi database terputus."
  • Di bawah pesan terdapat 2 tombol interaktif: [🔄 Restart Container] dan [📝 Lihat Log Singkat].
  • Klik tombol [🔄 Restart Container] -> teks pesan akan berupah menjadi "⏳ Memproses restart..." lalu berubah sukses "✅ Container container-test-error Berhasil Dinyalakan Kembali!".