Predictive Health Monitor

ML-basierte System-Health-Überwachung mit Trend-Analyse, Anomalie-Detektion, Disk-Volllauf-Prognose und Daemon-Modus.

Script

scripts/predictive-health.py — keine externen Dependencies (nur Python-Standardbibliothek).

CLI-Modi

Argument	Beschreibung
--collect	Sammelt Systemmetriken (RAM, Disk, CPU, Cron-Exit-Codes) und hängt an history.csv an
--predict	Führt Trend-Analyse + Anomalie-Detektion + Disk-Prognose aus (menschenlesbar)
--report	JSON-Report auf stdout (maschinenlesbar)
--watch [min]	Daemon-Modus, alle N Minuten sammeln + analysieren (Default: 5)
--daemon	Alias für --watch

Exit-Codes

Code	Bedeutung
0	Alles gut
1	Trend steigend
2	Anomalie erkannt (>2σ)
3	Disk-Volllauf < 30 Tage

Daten

• Historie: ~/.openamer/.predictive-health/history.csv (max 10.000 Zeilen)
• Report: ~/.openamer/.predictive-health/latest_report.json
• PID: ~/.openamer/.predictive-health/predictive-health.pid

Cron-Jobs

Job	Rhythmus	Beschreibung
predictive-health-collect	alle 30min	Metriken sammeln (--no-agent)
predictive-health-predict	alle 6h	Trend-Analyse + Report (--no-agent)

Verwendung

# Einmalig sammeln
python scripts/predictive-health.py --collect

# Trend-Report anzeigen
python scripts/predictive-health.py --predict

# JSON-Report
python scripts/predictive-health.py --report

# Als Daemon (alle 5 Minuten)
python scripts/predictive-health.py --watch

Architektur

• collect_metrics(): RAM, Disk, CPU via WMIC (Win), /proc/stat (Linux), psutil (Fallback)
• linear_regression(): y = slope*x + intercept mit R²
• detect_anomalies(): Gleitender Mittelwert (Fenster=20) + Z-Score > 2σ
• predict_disk_full(): Multi-Fenster-Analyse (24h/3d/7d), wählt bestes R²
• daemon_loop(): Loop mit Signal-Handling und PID-Datei