Pergunte à sua rede em português: como o ntop usa LLMs para analisar o tráfego
As três formas de colocar um LLM para trabalhar sobre a telemetria do ntop, do assistente via MCP ao modelo local e aos playbooks. Com as telas da apresentação no GRNOG 20.
3 min de leitura
No panorama da apresentação, vimos a virada: telemetria demais, tempo de menos, e a IA entrando para raciocinar sobre os dados. Aqui abrimos a parte prática. São três formas de colocar um LLM para trabalhar sobre o ntop, e todas as telas abaixo vêm da própria apresentação.
Por que um LLM, e não mais um painel
O ntopng não vira um chatbot. Ele continua sendo o motor de telemetria, só que agora com uma API REST que devolve JSON pronto para IA. Os dados ao vivo e históricos entram no prompt, e o modelo faz a triagem avançada: a pergunta complexa que exigiria um especialista e tempo vira uma resposta direta, cruzando tráfego, BGP e SNMP.
Forma 1: um assistente conectado via MCP
A primeira forma conecta um assistente de IA, como o Claude, ao ntopng usando MCP. Você pergunta em linguagem natural, por exemplo "quais hosts consultaram o domínio malicioso nas últimas 24 horas?", o assistente chama a API do ntopng, consulta o banco e devolve a resposta pronta.
A configuração é enxuta: você gera um token no ntopng e registra o servidor MCP com uma linha de comando.
Forma 2: um LLM local, para o dado não sair de casa
Nem toda rede pode mandar telemetria para uma IA na nuvem. Por isso o nAssistant roda um modelo local, ali dentro da sua infraestrutura. Você pergunta, ele responde, e nenhum dado atravessa a fronteira. É soberania na prática, com a inteligência acontecendo on-premise.
E não é uma caixa preta. O nAssistant mostra o raciocínio interno e até o SQL que ele montou para chegar à resposta, então você audita o caminho, não só o resultado.
A conversa também acontece no idioma que você quiser. Pergunta em português, responde em português.
Forma 3: playbooks descritos em linguagem natural
A terceira forma é a que mais economiza tempo no dia a dia. Você descreve em português o que quer verificar de forma recorrente, por exemplo "me avise se o tráfego TLS no trânsito passar do peering, e diga qual ASN é responsável". A IA transforma isso num playbook.
O playbook vira etapas concretas, com o SQL pronto, que você revisa e passa a executar periodicamente. A sua experiência de operação fica registrada, e a IA repete e interpreta para você.
O que fica
A conclusão é direta: telemetria é necessária, mas não basta, e um gráfico isolado é apenas uma curiosidade. O valor está no raciocínio sobre os dados. O futuro não coloca a IA no lugar do operador; junta os dois, no chamado AI-NetOps.
Onde a Lavineda entra
Imagine perguntar à sua rede, em português, o que está pegando, e receber a resposta pronta em segundos, com o raciocínio à mostra e sem um byte saindo da sua infraestrutura. Não é ficção. É o que essas ferramentas já entregam hoje.
A Lavineda monta essa operação de ponta a ponta: visibilidade real, IA que ajuda a decidir, tudo on-premise e com os seus dados no Brasil, com o modelo rodando localmente quando a soberania exige. Comece pela PoC guiada, sem custo: instalamos, coletamos e mostramos, na sua própria rede, o que dá para enxergar. Depois de ver, a decisão é sua.
Fontes
Baseado na apresentação de Luca Deri no GRNOG 20, em 30 de junho de 2026: