Feuille de route Pandora FMS

Version LTS 2026 de Pandora FMS, avec des améliorations importantes en matière d’architecture, de sécurité, de RMM, de SIEM, de SOAR, de FIM, de Marketplace, de Discovery, de cartes réseau, d’UX, de NCM, d’IoT/MQTT, de SAP S/4HANA, d’IBM-i/AS400 et de gestion à distance.

Inférence de topologies réseau au-delà de CDP/LLDP afin d’améliorer la visibilité dans les environnements complexes. Elle utilise un nouveau type d’élément, le bus de données, pour approximer la représentation d’un réseau avec des équipements non administrables par SNMP ou ne remontant pas d’informations CDP/LLDP complètes. Les heuristiques précédentes ont été améliorées afin d’approximer la représentation du réseau aux niveaux liaison et réseau, y compris la connexion entre les interfaces de tous les équipements identifiés.

Nouveau moteur de reporting basé sur des widgets partagés avec les tableaux de bord, des filtres dynamiques et des composants réutilisables. Il remplacera l’ancien système de reporting et coexistera tout au long de la release 800 jusqu’à la prochaine LTS. De nouveaux éléments de rapports/tableaux de bord seront implémentés au format Widget, permettant également leur utilisation dans les tableaux de bord. Déploiement progressif tout au long des releases 803–809.

Pandora AI propose le développement d’un composant indépendant et modulaire conçu comme un serveur avancé d’intelligence opérationnelle (AIOps). Son architecture repose sur une approche de neutralité technologique multiprestataire, permettant un déploiement hybride et flexible qui intègre aussi bien des modèles cloud haute performance (SaaS tels qu’OpenAI, Anthropic ou Google) que des instances locales open source (on-premise comme Ollama avec Llama4, LocalAI avec Mistral ou vLLM avec DeepSeek). Cette conception garantit la souveraineté numérique, le contrôle des données et l’optimisation des coûts selon les besoins de l’environnement opérationnel.

Le cœur fonctionnel de Pandora AI traite de manière transversale la base de connaissances et les flux communs de la plateforme — métriques, logs, événements, inventaire, RMM et topologies de services — en s’articulant autour de plusieurs phases incrémentales d’intelligence :

1. Support à l’analyse et réduction du bruit : mise en œuvre de modèles interprétables et de techniques de génération augmentée par récupération (RAG) pour la corrélation croisée des événements, la détection probabiliste d’anomalies statistiques et l’identification automatisée de la cause racine, réduisant la fatigue liée aux alertes jusqu’à 80 % et assistant l’opérateur humain dans la prise de décision.
2. Détection et inférence proactives : analyse prédictive de séries temporelles et de baselines dynamiques appliquées à l’historique des données, aux cartes de services et aux dépendances réseau, permettant d’inférer des incidents actuels sans signature préalable et d’anticiper de futurs incidents en estimant des métriques critiques telles que le temps estimé avant panne (time-to-failure).
3. Résolution autonome RMM et automatisation agentique : une capacité opérationnelle avancée fondée sur l’architecture MCP (Model Context Protocol). Dans un premier temps, le système expose les API d’entreprise comme des outils (tools) sécurisés afin que l’IA puisse ordonner l’exécution de diagnostics à distance sur les endpoints et collecter instantanément des données forensiques. Dans sa phase finale, il évolue vers une remédiation intelligente (self-healing) entièrement autonome, où des agents IA dotés de leur propre cycle de raisonnement interviennent directement sur l’environnement via l’architecture RMM (Tentacle) pour résoudre les incidents.
4. Narrations automatiques (NLG) : génération d’explications en langage naturel sur les rapports, les événements et les anomalies afin de faciliter l’interprétation technique et exécutive.
5. AI Management Layer : interface en langage naturel intégrée à Pandora FMS pour exécuter des tâches d’administration, configurer des agents, consulter des événements et obtenir une analyse contextuelle sans naviguer manuellement dans l’interface.

En résumé, Pandora AI transforme la supervision conventionnelle en un écosystème d’observabilité autonome et proactive, en optimisant les coûts d’infrastructure et en libérant les talents techniques des tâches de surveillance passive.

Permet de simuler manuellement l’impact sur les services en réévaluant le service dans des scénarios hypothétiques d’indisponibilité d’un service concret, sélectionné manuellement, afin d’en vérifier l’impact.

Première intégration avec Apache SkyWalking pour le traçage distribué des microservices et des applications, la visualisation des dépendances, l’analyse de la latence et des performances backend.

Intégration native avec OpenTelemetry pour collecter des métriques, des logs et des traces depuis des applications, des microservices et des environnements cloud native.

Nouvelle version LTS orientée vers l’IA opérationnelle, l’APM avec SkyWalking, le nouveau système de reporting, l’automatisation complète via API, OpenTelemetry et l’importation depuis d’autres plateformes.

Couverture complète de l’interface via API pour automatiser les opérations, les intégrations et les flux avancés sur Pandora FMS. Base technique nécessaire pour la couche d’IA.

Modèles automatiques de rapports et de tableaux de bord associés aux plugins Discovery pour visualiser les données sans configuration manuelle complexe, téléchargeables directement depuis le Marketplace.