serv_benchmark/IMPLEMENTATION_STATUS.md

État d'Implémentation - Linux BenchTools

✅ Complété

1. Script de Collecte Local (script_test.sh)

• ✅ Collecte complète des informations hardware
• ✅ Données SMART des disques (santé + vieillissement)
• ✅ Statistiques RAM détaillées (used, free, shared)
• ✅ Wake-on-LAN pour cartes ethernet
• ✅ Benchmarks (CPU, RAM, Disk, Network via iperf3)
• ✅ Génération de result.json complet
• ✅ PATH fix pour /usr/sbin

2. Docker Infrastructure

• ✅ Service backend (FastAPI)
• ✅ Service frontend (Nginx)
• ✅ Service iperf3 (port 5201)

3. Modèles de Base de Données

• ✅ Modèle HardwareSnapshot mis à jour (RAM used/free/shared)
• ✅ Nouveau modèle DiskSMART pour données de vieillissement
• ✅ Relations entre modèles configurées

4. Script Client (scripts/bench.sh)

• ✅ Wrapper pour script_test.sh
• ✅ Parsing d'arguments (--server, --token, --iperf-server)
• ✅ Vérification et installation des dépendances
• ✅ Envoi POST des résultats au serveur

🚧 En Cours / À Faire

5. Schémas Pydantic (Backend)

Problème: Les schémas actuels ne correspondent pas à la structure de result.json

Format actuel attendu par l'API:

{
  "device_identifier": "hostname",
  "bench_script_version": "1.0.0",
  "hardware": {
    "cpu": { "vendor": "...", "model": "..." },
    "ram": { "total_mb": 8000, "layout": [...] },
    "storage": { "devices": [...], "partitions": [...] },
    ...
  },
  "results": {
    "cpu": { "score": 50 },
    "memory": { "score": 60 },
    ...
  }
}

Format généré par result.json:

{
  "metadata": {
    "script_version": "1.0.0",
    "timestamp": "2025-12-07T19:47:34Z"
  },
  "system": {
    "hostname": "lenovo-bureau",
    "os": { "name": "debian", ... }
  },
  "hardware": {
    "cpu": { "vendor": "...", "model": "...", "flags": [...] },
    "ram": {
      "total_mb": 7771,
      "used_mb": 6123,      // NOUVEAU
      "free_mb": 923,       // NOUVEAU
      "shared_mb": 760,     // NOUVEAU
      "layout": [...]
    },
    "storage": [            // Format différent: array au lieu d'objet
      {
        "device": "sda",
        "model": "...",
        "smart": {          // NOUVEAU
          "health_status": "PASSED",
          "power_on_hours": 7101,
          ...
        }
      }
    ],
    "network": [           // Format différent: array au lieu d'objet
      {
        "name": "eno1",
        "wake_on_lan": true  // NOUVEAU
      }
    ]
  },
  "benchmarks": {          // "results" dans l'API
    "cpu": { "events_per_sec": 1206, "score": 12.06 },
    "global_score": 10.85
  }
}

Actions Requises:

Option A: Modifier les Schémas Pydantic (Recommandé)

• Mettre à jour RAMInfo pour ajouter used_mb, free_mb, shared_mb
• Créer SMARTData schema pour les données SMART
• Mettre à jour StorageDevice pour inclure smart: SMARTData
• Mettre à jour NetworkInterface pour ajouter wake_on_lan, ip_address
• Créer un mapper qui convertit result.json → format API attendu
  • metadata.script_version → bench_script_version
  • system.hostname → device_identifier
  • hardware.storage[] → hardware.storage.devices[]
  • hardware.network[] → hardware.network.interfaces[]
  • benchmarks → results

Option B: Adapter le script client

• Modifier script_test.sh pour générer le format attendu par l'API
• ⚠️ Moins flexible, car le format local serait différent du format serveur

6. API Backend (backend/app/api/benchmark.py)

• Adapter le parsing pour les nouvelles données
• Sauvegarder les données SMART dans la table disk_smart_data
• Gérer les nouveaux champs RAM (used/free/shared)
• Gérer wake_on_lan pour les interfaces réseau

7. Migration Alembic

• Créer migration pour:
  • hardware_snapshots.ram_used_mb
  • hardware_snapshots.ram_free_mb
  • hardware_snapshots.ram_shared_mb
  • Nouvelle table disk_smart_data

8. Frontend

• Afficher les données SMART (santé des disques)
• Afficher l'utilisation RAM détaillée
• Afficher Wake-on-LAN status
• Graphiques d'évolution SMART (power_on_hours, température)

9. Tests

• Tester le flux complet local → serveur
• Vérifier que toutes les données sont bien sauvegardées
• Tester avec plusieurs machines

🎯 Prochaines Étapes Recommandées

1. Créer un mapper result.json → API format

   • Fichier: backend/app/utils/result_mapper.py
   • Fonction: map_result_json_to_api_payload(result_json) -> BenchmarkPayload

2. Mettre à jour les schémas Pydantic

   • Ajouter les nouveaux champs dans schemas/hardware.py

3. Adapter l'API benchmark.py

   • Utiliser le mapper
   • Sauvegarder les données SMART

4. Créer la migration Alembic

   cd backend
   alembic revision --autogenerate -m "Add RAM stats and SMART data"
   alembic upgrade head
   

5. Tester le flux complet

   # 1. Démarrer le serveur
   docker-compose up -d
   
   # 2. Exécuter le benchmark
   sudo bash scripts/bench.sh --server http://10.0.1.97:8007 --token YOUR_TOKEN
   
   # 3. Vérifier dans la base de données
   sqlite3 backend/data/data.db "SELECT * FROM disk_smart_data LIMIT 5;"
   

📊 Structure de result.json Complète

Voir le fichier result.json pour un exemple réel complet.

Nouvelles Données vs Ancien Format

Donnée	Ancien	Nouveau	Location
RAM utilisée	❌	✅ ram.used_mb	hardware.ram.used_mb
RAM libre	❌	✅ ram.free_mb	hardware.ram.free_mb
RAM partagée	❌	✅ ram.shared_mb	hardware.ram.shared_mb
SMART santé	❌	✅ smart.health_status	hardware.storage[].smart.health_status
SMART heures	❌	✅ smart.power_on_hours	hardware.storage[].smart.power_on_hours
SMART secteurs	❌	✅ smart.reallocated_sectors	hardware.storage[].smart.reallocated_sectors
Wake-on-LAN	❌	✅ wake_on_lan	hardware.network[].wake_on_lan
Network ping	❌	✅ ping_ms	benchmarks.network.ping_ms
IP address	❌	✅ ip_address	hardware.network[].ip_address

📝 Notes de Migration

Base de Données

• Nouvelle table: disk_smart_data
• Champs ajoutés à hardware_snapshots: ram_used_mb, ram_free_mb, ram_shared_mb
• Relations: HardwareSnapshot ← (1:N) → DiskSMART

Compatibilité Ascendante

• Les anciens benchmarks sans ces données afficheront null
• Le système reste compatible avec les scripts clients plus anciens