Simple Log Service:Aktifkan eksekusi terkendali OpenClaw dengan SLS

Pilar observabilitas untuk agen AI

Observabilitas berlandaskan tiga pilar: data log, metrik, dan jejak. Untuk OpenClaw, setiap pilar dipetakan ke sumber data spesifik dan pertanyaan inti:

Ketiga pilar ini penting. Metrik saja tidak dapat menjawab "siapa" atau "mengapa." Log sesi saja tidak memberikan gambaran global tentang kesehatan sistem. Log waktu proses saja tidak mencakup perilaku bisnis. Hanya bersama-sama ketiganya mendukung audit keamanan, manajemen biaya, dan troubleshooting operasional.

Kemampuan SLS

SLS menawarkan keunggulan berikut untuk skenario OpenClaw:

• Penyelarasan native dengan stack teknologi OpenClaw

  LoongCollector secara native mendukung protokol log dan OTLP serta unggul dalam mengumpulkan log sesi teks panjang. LoongCollector terintegrasi mulus dengan plugin diagnostics-otel OpenClaw tanpa memerlukan modifikasi, serta mengirimkan metrik dan jejak langsung ke SLS melalui OTLP.

• Operator kueri, analisis, dan pemrosesan yang kaya

  Log sesi menggunakan JSON bersarang (misalnya, message.content, message.usage.cost, message.toolName). Mesin SQL + SPL SLS mengindeks dan menganalisis bidang bersarang secara real time tanpa ETL tambahan.

• Kemampuan keamanan dan kepatuhan

  Kontrol akses RAM, penyembunyian data sensitif, dan penyimpanan terenkripsi memenuhi persyaratan jejak audit dan kepatuhan. SLS memiliki sertifikasi produk keamanan jaringan khusus, sehingga cocok untuk skenario yang memerlukan kepatuhan terhadap Skema Perlindungan Multi-Tingkat (MLPS). Saluran peringatan mendukung DingTalk, SMS, dan email untuk notifikasi insiden tepat waktu.

• Fully managed, bayar sesuai penggunaan, dan auto scaling

  Analisis log merupakan pipeline one-stop: "Pengumpulan → Penyimpanan → Pengindeksan → Kueri → Dasbor → Peringatan," yang sepenuhnya dikelola oleh LogStore dan MetricStore. Model bayar sesuai penggunaan menjaga biaya tetap rendah pada skala kecil, sementara auto scaling menangani pertumbuhan trafik tanpa perencanaan kapasitas manual atau kluster Elasticsearch atau Prometheus yang dikelola sendiri.

SLS merupakan fondasi observabilitas dan audit yang ideal untuk eksekusi terkendali OpenClaw.

SLS kini menawarkan solusi integrasi one-stop untuk OpenClaw:

• Gunakan wizard Data Import untuk mengonfigurasi pengumpulan. Konfigurasi akan dibuat otomatis dan menyediakan titik masuk dan Proyek terpadu untuk log sesi, log aplikasi, dan telemetri OTLP, sehingga mengurangi kompleksitas pengelolaan sumber terpisah.

• Satu sumber data sesi melayani berbagai skenario, termasuk audit keamanan, analisis biaya, dan analisis perilaku.

• Dasbor bawaan untuk audit, analisis biaya, dan metrik waktu proses menyediakan solusi observabilitas siap pakai untuk eksekusi terkendali.

Langkah 1: Ingesti log (contoh log sesi)

Log sesi mencatat setiap giliran percakapan, panggilan tool, dan token yang dikonsumsi.

Prasyarat

• Anda telah membuat Proyek (misalnya, openclaw-observability) dan membuat LogStore.

• Pastikan LoongCollector telah diinstal pada Instance ECS atau server on-premises tempat OpenClaw berjalan.

Proses ingesti

1. Login ke Konsol Log Service. Di panel kanan, klik Quick Data Import, pilih kartu integrasi OpenClaw-Session Log, lalu pilih Proyek dan LogStore tujuan.

2. Pada bagian Machine Group Configurations, temukan kelompok mesin yang Anda buat saat menginstal LoongCollector dalam daftar Source Machine Group dan tambahkan ke daftar Applied Machine Group.

   Jika kelompok mesin mengalami pengecualian heartbeat: Troubleshoot heartbeat exceptions.

3. Pada halaman Logtail Configuration, Log Service secara otomatis mengisi konfigurasi pengumpulan bawaan. Jika tidak perlu perubahan, klik Next.

   • Configuration Name telah diisi sebelumnya. Anda dapat mengubahnya jika diperlukan.

   • Di bawah Other Global Configurations, Log Topic Type telah dikonfigurasi sebelumnya.

     Tentang tipe topik log: LoongCollector dapat secara otomatis mengekstraksi topik dan session_id dari jalur file. Jika Anda telah menyesuaikan jalur file dan tidak sesuai dengan nilai yang telah diisi, Anda harus menyesuaikannya.

   • File Path telah diisi otomatis sebelumnya.

     Tentang jalur file teks: Jalur file yang telah diisi mengasumsikan instalasi default oleh pengguna non-root pada host Linux. Jika jalur aktual Anda berbeda, pastikan untuk mengubahnya.

   • Pada Processing Method, kombinasi plugin pemrosesan telah dikonfigurasi sebelumnya.

     Tentang parsing waktu: Secara default, OpenClaw menghasilkan log dalam zona waktu UTC+0. Jika Anda telah menyesuaikannya, Anda juga harus mengubah zona waktu dalam plugin parsing waktu untuk menghindari ketidaksesuaian waktu.

4. Pada halaman Query and Analysis Configurations, Log Service secara otomatis membuat indeks dan laporan bawaan. Anda dapat melihatnya nanti di Dashboard dan dasbor.

   • Indeks bawaan: Indeks bidang yang dihasilkan secara otomatis mencakup bidang-bidang berikut:

     Jalur bidang	Tipe
     __tag__:__hostname__	text
     __tag__:__session_id__	text
     __tag__:_pod_name_	text
     id	text
     message	json

     Bidang message berisi subbidang bersarang berikut:

     Jalur bidang	Tipe
     api	text
     content	text
     details	text
     details.aggregated	text
     details.cwd	text
     details.durationMs	long
     details.exitCode	long
     details.status	text

   • Dasbor:

     • Dasbor Analisis Perilaku OpenClaw

     • Dasbor Audit Keamanan OpenClaw

     • Dasbor Metrik OpenClaw

     • Dasbor Analisis Token OpenClaw

Langkah 2: Audit dan observasi

SLS menyediakan dasbor OpenClaw bawaan yang mencakup audit keamanan, analisis biaya, analisis perilaku, dan metrik waktu proses.

1. Login ke Konsol Log Service. Di Projects, pilih Proyek tujuan.

2. Di bawah Log Storage, buka LogStore tujuan dan klik Search & Analyze untuk memverifikasi ingesti data dan format log.

3. Di panel navigasi kiri, klik Dashboard untuk melihat dasbor bawaan.

   • Dasbor Audit Keamanan

     Dasbor Audit Keamanan adalah panel inti untuk eksekusi OpenClaw terkendali. Panel ini menjawab: "Apa yang dilakukan agen, apakah ada tindakan berisiko tinggi, dan siapa yang melakukan operasi di luar batas?" Panel ini menyediakan pemantauan perilaku real-time, identifikasi ancaman, dan kemampuan forensik di berbagai aspek: ikhtisar perilaku, perintah berisiko tinggi, injeksi prompt, dan eksfiltrasi data.

     • Halaman ikhtisar statistik audit keamanan:

       • Halaman ini menyediakan snapshot risiko dengan hitungan multidimensi operasi berisiko tinggi dalam jendela waktu tertentu. Tujuh metrik—eksekusi perintah berisiko tinggi, permintaan web arah keluar, eksekusi command-line arah keluar, komunikasi arah keluar, akses file sensitif, dan injeksi prompt—ditampilkan dengan perbandingan periode-ke-periode untuk penilaian anomali cepat.

       • Berikan perhatian khusus pada operasi berisiko tinggi yang mengikuti peristiwa injeksi prompt. Meskipun operasi berisiko tinggi biasa mungkin sah, perilaku berisiko tinggi pasca-injeksi merupakan sinyal ancaman kuat yang menunjukkan instruksi berbahaya mendorong agen untuk bertindak. "Jumlah sesi dengan panggilan tool setelah injeksi" merupakan sinyal dengan kepercayaan tertinggi di halaman ini—tiga sesi seperti ini sering kali lebih prioritas daripada ratusan perintah berisiko tinggi biasa.

       • Tabel sesi berisiko tinggi mengagregasi jumlah risiko per sesi dan mengurutkan berdasarkan skor risiko gabungan, sehingga menampilkan sesi yang memerlukan intervensi manual terlebih dahulu.

     • Analisis Penggunaan Keterampilan

       • Skills adalah mekanisme OpenClaw untuk memperluas kemampuan tetapi juga titik masuk utama untuk injeksi prompt. Pengguna mungkin tanpa sengaja menginstal Skills dengan kerentanan atau instruksi berbahaya yang disematkan. Distribusi panggilan Skills oleh karena itu menjadi dasar penting untuk menganalisis jalur serangan.

       • Grafik pie distribusi penggunaan menetapkan garis dasar untuk panggilan Skills. Peningkatan mendadak pada Skill yang jarang digunakan atau munculnya Skill baru sering kali menunjukkan agen sedang diarahkan ke jalur yang tidak diinginkan dan memerlukan investigasi.

       • Entri baru dalam tabel Skills sangat penting. Karena Skills baru belum sepenuhnya dinilai keamanannya, batas izin dan pola perilakunya merupakan titik buta bagi tim keamanan. Untuk menemukan Skills baru segera setelah muncul, urutkan berdasarkan waktu panggilan pertama secara menurun. Hal ini memungkinkan Anda meninjaunya sebelum disalahgunakan.

     • Pemantauan panggilan perintah berisiko tinggi

       • Kemampuan OpenClaw untuk mengeksekusi perintah sistem menjadikannya potensi springboard bagi penyerang. Agen yang dikompromikan dapat menghapus file, menaikkan hak istimewa, atau mengekstraksi data sambil tampak sebagai perilaku tugas normal.

       • Pemantauan perintah berisiko tinggi menetapkan lapisan observabilitas independen di luar perlindungan waktu proses. Kesalahan konfigurasi atau batas izin yang kurang didefinisikan dengan baik dapat membiarkan perintah berisiko tinggi lolos. Lapisan observabilitas memastikan bahwa bahkan jika kontrol waktu proses gagal, operasi berisiko tinggi tetap terdeteksi.

       • Tampilan linimasa mengidentifikasi pola perilaku di luar jumlah kejadian. Ledakan padat panggilan berisiko tinggi dalam periode singkat—tanda agen yang dikompromikan mengeksekusi instruksi berbahaya—memerlukan intervensi segera. Tabel detail menyediakan konteks forensik lengkap untuk melacak anomali ke sesi dan perintah tertentu.

     • Deteksi injeksi prompt

       • Injeksi prompt adalah metode serangan inti yang mendorong AI melakukan tindakan berbahaya. Terlepas dari jalur serangan, instruksi berbahaya harus masuk ke prompt untuk memengaruhi Agen. Jalur-jalur ini dapat mencakup input pengguna langsung, data yang dikembalikan dari panggilan Skills, atau data eksternal yang dibaca oleh tool seperti web_fetch dan read. Prompt adalah titik masuk akhir untuk semua jalur serangan.

       • Distribusi sumber injeksi membantu menentukan sifat risiko. Injeksi dari input pengguna langsung biasanya disengaja. Sebaliknya, pengguna sering tidak menyadari injeksi yang dikirim melalui toolResult. Untuk Agen asisten pribadi seperti OpenClaw, injeksi tidak langsung merupakan ancaman utama. Skills yang diinstal atau konten eksternal yang diakses dapat menjadi vektor injeksi yang sulit diidentifikasi dan dihindari pengguna.

       • Nilai klasifikasi injeksi adalah mengidentifikasi maksud serangan, bukan hanya menandai anomali. Misalnya, injeksi ROLE_HIJACK dan JAILBREAK menunjukkan penyerang mencoba melewati batas perilaku Agen. HIDDEN_INSTRUCTION merepresentasikan teknik implantasi yang lebih samar. Prioritas respons dan prosedur penanganan berbeda untuk setiap jenis. Memantau terus-menerus perubahan distribusi klasifikasi ini membantu mendeteksi upaya terfokus pada permukaan serangan tertentu.

       • Tabel detail mencatat tool pemicu, konteks sesi, dan konten asli untuk setiap kejadian injeksi. Tabel ini memungkinkan tim keamanan dengan cepat menyelidiki lebih dalam dari statistik ringkasan ke insiden spesifik. Hal ini menutup loop dari pengenalan pola ke analisis akar penyebab dan respons.

     • Deteksi eksfiltrasi data sensitif

       • Eksfiltrasi data dari agen AI biasanya merupakan rantai: agen membaca file sensitif, kontennya masuk ke konteks model, dan panggilan tool berikutnya mengirimkannya secara eksternal. Hanya dengan mengorelasikan akses file dengan perilaku arah keluar yang mengungkap maksud serangan secara utuh.

       • Deteksi menggunakan pendekatan corong: lapisan pertama mencatat akses file sensitif berdasarkan tipe aset (SSH_KEY, ENV_FILE, CREDENTIALS, CONFIG_SECRET, HISTORY). Lapisan kedua melacak perilaku arah keluar berdasarkan saluran (API_CALL, MESSAGE_SEND, WEB_ACCESS, EMAIL). Lapisan ketiga mengorelasikan keduanya—jika akses file sensitif dan operasi arah keluar terjadi berurutan dalam sesi yang sama, maka kejadian eksfiltrasi prioritas tinggi ditandai.

       • Nilainya terletak pada pelokalan sebab-akibat, bukan peringatan titik tunggal. Membaca SSH_KEY saja bukan ancaman, demikian pula API_CALL. Tetapi keduanya dalam sesi yang sama, berjarak beberapa menit, dengan parameter arah keluar yang berisi konten file, secara dramatis meningkatkan kepercayaan ancaman. Tabel rantai perilaku menunjukkan selisih waktu dan parameter panggilan lengkap untuk penilaian forensik tanpa korelasi log manual.

   • Dasbor Analisis Token

     Konsumsi token berhubungan langsung dengan biaya, dan fluktuasinya sering kali menandakan anomali seperti inflasi konteks akibat injeksi prompt. Dasbor Analisis Token menjawab: "Ke mana uang dihabiskan, apakah wajar, dan apakah ada anomali?"

     Tentang data biaya: Bidang cost di dasbor berasal dari bidang usage.cost di OpenClaw. OpenClaw tidak mendukung penetapan harga bertingkat secara native, dan logika perhitungan cacheRead + cacheWrite-nya mungkin tidak selaras dengan penyedia. Biaya hanya diperkirakan untuk satu panggilan menggunakan rumus seperti inputTokens × input + outputTokens × output + .... Oleh karena itu, biaya yang ditampilkan di dasbor merupakan garis dasar untuk estimasi biaya, bukan pernyataan penagihan yang tepat. Untuk model di mana cost tidak dikonfigurasi, kolom biaya akan menampilkan 0.

     Contoh konfigurasi Qwen3.5-Plus

     Ambil model Qwen3.5-Plus sebagai contoh. Biaya untuk panggilan API Studio Model dapat ditemukan di Daftar Model.

     Konfigurasi biaya model di .openclaw adalah sebagai berikut:

     {
       "id": "qwen3.5-plus",
       "name": "Qwen3.5 Plus",
       "cost": {
         "input": 0.4, // Dari harga input tier terendah
         "output": 2.4, // Dari harga output tier terendah
         "cacheRead": 0.2, // Diperkirakan separuh dari biaya input
         "cacheWrite": 0
       },
     }

     • Ikhtisar keseluruhan dan distribusi model

       • Dasbor menunjukkan perbandingan 1 hari untuk token dan biaya keseluruhan dengan persentase periode-ke-periode. Jika perubahan harian melebihi ambang batas (misalnya, ±30%), biasanya menunjukkan inflasi prompt, loop panggilan, atau sesi anomali yang memerlukan investigasi.

     • Tren konsumsi berdasarkan penyedia / model (deret waktu)

       • Dua grafik deret waktu (1 minggu) menunjukkan tren konsumsi token dan biaya per model. Lonjakan token sering kali merupakan sinyal keamanan: injeksi prompt yang mengembangkan konteks, loop panggilan tool tak terbatas, atau ekspansi sesi yang tidak terdeteksi. Dikodekan warna berdasarkan model, pergantian muncul sebagai perubahan komposisi warna untuk identifikasi cepat.

     • Konsumsi teratas berdasarkan sesi dan host/Pod (grafik batang)

       • Tata letak grafik batang 2×2 menjawab "siapa yang menghabiskan uang" dari perspektif sesi dan host (atau Pod):

         • Token teratas berdasarkan sesi / Biaya teratas berdasarkan sesi: Menunjukkan total token dan biaya per sesi selama seminggu terakhir, diurutkan menurun. Distribusi biaya biasanya mengikuti distribusi ekor panjang—beberapa sesi menyumbang sebagian besar konsumsi.

         • Token teratas berdasarkan host / Biaya teratas berdasarkan host: Mengagregasi token dan biaya berdasarkan host atau Pod untuk analisis biaya dan pelokalan risiko dalam penyebaran multi-instans. Dikombinasikan dengan kepemilikan aset, hal ini memetakan konsumsi ke pihak yang bertanggung jawab dan membantu mengidentifikasi pengguna berisiko atau sesi yang lepas kendali.

     • Tabel detail token model (rincian biaya)

       • Tabel detail (relatif 1 minggu) mencantumkan hal berikut untuk setiap model: totalTokens, inputTokens, outputTokens, cacheReadTokens, dan cacheWriteTokens, beserta totalCost, inputCost, outputCost, cacheReadCost, dan cacheWriteCost yang sesuai. Tabel ini mendukung pengurutan dan penyaringan, memungkinkan Anda langsung menjawab "model mana yang paling banyak menghabiskan uang dan bagaimana rincian input/output-nya." Rasio inputTokens terhadap outputTokens mencerminkan pola interaksi agen: rasio input tinggi menunjukkan prompt atau konteks berlebihan, sedangkan rasio output tinggi mungkin mengindikasikan model menghasilkan banyak konten tidak valid. Persentase cacheReadTokens secara langsung menunjukkan manfaat strategi caching—semakin tinggi persentasenya, semakin rendah jumlah yang sebenarnya ditagih, memberikan dasar kuantitatif untuk rekayasa prompt dan penyetelan cache.

   • Dasbor Analisis Perilaku

     Dasbor Analisis Perilaku mencatat dan mengklasifikasikan perilaku operasional OpenClaw berdasarkan sesi, menjawab: "Apa yang dilakukan agen selama jendela waktu saat ini?"

     • Statistik sesi

       • Kartu hitungan memecah panggilan tool berdasarkan tipe perilaku—eksekusi perintah, proses latar belakang, permintaan web, tool komunikasi, dan I/O file. Pengecualian panggilan dicantumkan secara terpisah untuk penilaian stabilitas.

       • Tabel statistik sesi mencatat jumlah panggilan per tipe perilaku dalam setiap sesi, diurutkan berdasarkan waktu aktif terakhir. Sesi yang tidak biasa aktif (misalnya, 1.925 panggilan tool vs. jumlah rendah khas) disorot untuk ditinjau prioritas.

     • Statistik volume panggilan tool dan analisis error

       • Panggilan tool adalah satu-satunya saluran interaksi eksternal agen. Linimasa panggilan tool menunjukkan frekuensi panggilan dari waktu ke waktu, dikodekan warna berdasarkan tipe tool—lonjakan merupakan titik masuk pertama untuk troubleshooting. Grafik tren tingkat error berbagi sumbu waktu yang sama; selisih waktu antara puncak error dan volume sering kali mengungkap sumber masalah sebenarnya.

       • Log panggilan tool lengkap menyediakan error protokol, status eksekusi, dan konten balasan untuk setiap panggilan, memungkinkan Anda dengan cepat menyelidiki lebih dalam dari anomali tren ke panggilan gagal spesifik untuk menemukan akar penyebab.

     • Interaksi eksternal

       • Interaksi eksternal mencatat semua tindakan arah keluar yang diprakarsai agen selama operasinya, termasuk panggilan API, akses web, pengiriman pesan, dan pengiriman email. Data disajikan dikategorikan berdasarkan sesi, nama tool, dan tipe interaksi.

       • Bagi agen AI, interaksi eksternal sekaligus diperlukan untuk menyelesaikan tugas dan sumber risiko potensial. Catatan lengkap perilaku interaksi eksternal membantu tim memahami batas kemampuan aktual dan kebiasaan penggunaan agen. Di sisi lain, catatan ini menyediakan konteks perilaku lengkap saat terjadi anomali, mendukung analisis korelasi dan forensik lintas tool dan sesi.

Langkah 3: Jelajahi data dengan kueri kustom

Dasbor bawaan merupakan titik awal untuk penemuan masalah, bukan akhirnya. Saat dasbor menandai sesi berisiko tinggi, lonjakan abnormal, atau peringatan metrik, Anda perlu menyelidiki lebih dalam dari ikhtisar statistik ke kejadian spesifik untuk merekonstruksi rantai perilaku dan mengonfirmasi akar penyebab.

Model data log untuk analisis kustom

SLS telah membangun indeks untuk analisis audit, sehingga Anda dapat langsung mengkueri data. Dua tipe log merupakan sumber data inti:

• Log sesi — Mencatat perilaku bisnis lengkap agen dan merupakan dasar utama untuk audit keamanan dan analisis biaya. Ini adalah log yang diingesti di Langkah 1: Ingesti log (contoh log sesi).

  Jalur bidang	Tipe	Tujuan
  __tag__:__session_id__	text	Identifikasi sesi unik. Bidang kunci untuk mengisolasi dan mengagregasi data berdasarkan sesi.
  type	text	Tipe entri: session (metadata sesi), message (pesan percakapan), atau compaction (ringkasan kompresi konteks). Gunakan untuk memfilter catatan percakapan yang dapat diaudit.
  message.role	text	Peran pesan: user (input pengguna), assistant (respons model), atau toolResult (pengembalian tool). Gunakan untuk mengidentifikasi subjek tindakan.
  message.content	text	Isi pesan. Termasuk input pengguna, output model, dan parameter/pengembalian nilai tool. Mendukung deteksi injeksi, pencocokan data sensitif, dan pencarian teks lengkap.
  message.provider message.model	text	Penyedia model dan nama model. Gunakan untuk analisis biaya dan statistik perilaku berdasarkan model.
  message.usage.totalTokens message.usage.cost.total	long / double	Penggunaan token dan perkiraan biaya. Gunakan untuk deteksi konsumsi anomali dan peringkat biaya tingkat sesi.
  message.stopReason	text	Alasan penghentian respons: stop (akhir normal), toolUse (panggilan tool dipicu; entri berikutnya biasanya toolResult), error / aborted / timeout (penghentian abnormal). Bidang kunci untuk memfilter sesi anomali.
  message.toolName message.isError	text / bool	Nama panggilan tool dan status eksekusi. Gunakan dengan peran toolResult untuk audit tingkat tool.
  id, parentId	text	ID entri dan ID induk. Gunakan untuk membangun pohon percakapan dan merekonstruksi urutan pesan. id dari entri tipe session adalah sessionId.
  timestamp	text	Stempel waktu kejadian. Gunakan untuk penyaringan jendela waktu, pengurutan, dan definisi cakupan peringatan.

• Log waktu proses — Mencatat status operasional gerbang dan berbagai subsistem. Ini adalah fondasi data untuk troubleshooting dan analisis kesehatan sistem.

  Catatan

  Pilih kartu OpenClaw-Runtime Log dan ikuti petunjuk di Langkah 1: Ingesti log (contoh log sesi) untuk menyelesaikan ingesti.

  Jalur bidang	Type	Tujuan
  _meta.logLevelName	text	Tingkat log (TRACE / DEBUG / INFO / WARN / ERROR / FATAL). Gunakan untuk fokus pada ERROR dan FATAL untuk troubleshooting.
  _meta.path	text	Jalur file kode sumber dan nomor baris. Menghubungkan secara tepat ke lokasi kode untuk analisis jejak stack.
  Kunci numerik "0"	object (JSON)	Konteks terstruktur. Biasanya berisi bidang subsystem (seperti gateway, channels, telegram, atau plugins).
  Kunci numerik "1" dan kunci berikutnya	text	Isi pesan log dan konten jejak stack. Mendukung pencarian teks lengkap dan pencocokan kata kunci.

Penyelidikan tingkat sesi

Skenario khas: Dasbor audit menandai sesi berisiko tinggi. Tim keamanan perlu merekonstruksi interaksi lengkapnya untuk mengonfirmasi ancaman.

Dalam penyebaran multi-instans, semua log ditulis terpusat ke satu LogStore SLS. Isolasi berdasarkan ID sesi untuk memperjelas "siapa yang memicu permintaan apa, tool apa yang dipanggil, dan bagaimana model merespons."

1. Login ke Konsol Log Service. Di Projects, pilih Proyek tujuan.

2. Di bawah Log Storage, buka LogStore tujuan dan klik Search & Analyze untuk menjelajahi data. Gunakan kueri * and __tag__:__session_id__:<Session_Id> untuk menyaring, ganti <Session_Id> dengan ID sesi aktual.

3. Setelah menyaring sesi, di bagian Raw Logs, temukan log target di tab Raw Data dan klik ikon untuk membuka tampilan log kontekstual. Hal ini merekonstruksi rantai perilaku lengkap dalam sesi tersebut dalam urutan aslinya—input pengguna, inferensi model, permintaan panggilan tool, dan hasil eksekusi tool ditampilkan secara berurutan. Hal ini sangat penting untuk audit—mengidentifikasi urutan panggilan abnormal (seperti pembacaan file sensitif diikuti operasi arah keluar) dan menyediakan konteks lengkap untuk mereproduksi dan menyimpan bukti insiden keamanan.

Troubleshooting waktu proses: pencarian kata kunci dan analisis agregasi

Skenario khas: Peringatan dari dasbor metrik waktu proses menunjukkan peningkatan mendadak pada tingkat error. Anda perlu dengan cepat menemukan modul yang rusak dan akar penyebabnya dari volume besar log waktu proses.

SLS mendukung kombinasi pencarian teks lengkap dan pencarian bidang terstruktur, yang bersama dengan penyaringan rentang waktu memungkinkan Anda secara progresif mempersempit cakupan investigasi. Jalur troubleshooting khas melibatkan dua langkah: pertama, mempersempit cakupan, lalu mengkuantifikasi distribusi.

Langkah 1: Secara progresif menyaring untuk mengisolasi masalah

1. Saring berdasarkan tingkat log: Gunakan kueri _meta.logLevelName: ERROR or _meta.logLevelName: WARN or _meta.logLevelName: FATAL untuk menyaring semua log error dan peringatan, memfokuskan perhatian pada kejadian abnormal.

2. Selidiki lebih dalam berdasarkan subsistem: Tambahkan kondisi bidang ke kueri log error, seperti 0.subsystem: plugins. Pernyataan analisis lengkapnya adalah (_meta.logLevelName: ERROR or _meta.logLevelName: WARN or _meta.logLevelName: FATAL) and 0.subsystem: plugins. Hal ini mempersempit cakupan ke subsistem tertentu. Dua langkah penyaringan ini dapat dengan cepat menemukan log error yang relevan.

Langkah 2: Gunakan agregasi SQL untuk mengkuantifikasi distribusi global

Meskipun penyaringan kata kunci menunjukkan kejadian individual, analisis agregasi SQL meningkatkannya ke tampilan statistik global. Misalnya, mengelompokkan berdasarkan bidang subsystem dengan pernyataan analisis _meta.logLevelName: ERROR or _meta.logLevelName: WARN or _meta.logLevelName: FATAL | select "0.subsystem" as subsystem, count(1) as c group by subsystem secara visual menyajikan distribusi error di semua subsistem. Hal ini membantu Anda dengan cepat mengidentifikasi anomali terkonsentrasi dan mengarahkan Anda ke arah yang tepat untuk investigasi lebih lanjut.