Sviluppo di un Agente IA per il monitoraggio intelligente e la gestione autonoma di anomalie di sicurezza e prestazioni

The growing volume of data generated by complex IT environments makes manual monitoring of security and performance anomalies increasingly difficult. This work describes the design and development of an AI Agent for intelligent monitoring and automated management of such anomalies, developed during an internship at Kirey S.r.l. The system integrates several data collection and analysis platforms to monitor user traffic flows in real time. At the core of the system is an AI Agent based on Large Language Models (LLM), capable of autonomously analyzing the collected data, classifying detected incidents, and producing structured output containing diagnoses and operational suggestions. The automated incident management workflow includes a human-in-the-loop mechanism for critical decisions, while detected anomalies are made accessible through a dedicated dashboard. An alternative implementation of the agent based on open-source frameworks is also proposed, along with a comparative analysis between the two approaches. The results show how the integration of LLMs into operational monitoring pipelines can significantly reduce triage times and effectively support security teams in incident management.

Il crescente volume di dati generati da ambienti informatici complessi rende sempre più difficile il monitoraggio manuale delle anomalie di sicurezza e di performance. Questo elaborato descrive la progettazione e lo sviluppo di un AI Agent per il monitoraggio intelligente e la gestione automatizzata di tali anomalie, realizzato durante un'attività di stage presso Kirey S.r.l. Il sistema integra diverse piattaforme di raccolta e analisi dei dati per monitorare in tempo reale flussi di traffico utente. Il nucleo del sistema è un AI Agent basato su modelli di linguaggio di grandi dimensioni (LLM), capace di analizzare autonomamente i dati raccolti, classificare gli incidenti rilevati e produrre output strutturati contenenti diagnosi e suggerimenti operativi. Il workflow automatizzato di gestione degli incidenti prevede un meccanismo di approvazione umana (human-in-the-loop) per le decisioni critiche, mentre le anomalie rilevate sono rese fruibili attraverso una dashboard dedicata. Viene inoltre proposta un'implementazione alternativa dell'agente basata su framework open source, con un'analisi comparativa tra i due approcci. I risultati mostrano come l'integrazione di LLM in pipeline di monitoraggio operativo possa ridurre significativamente i tempi di triage e supportare efficacemente i team di sicurezza nella gestione degli incidenti.