こんにちは、AI Labの神﨑です。
今回取り組んだプロジェクトは、Infrastructure as Code(IaC)で定義された構成を、自動で、かつ人間が編集可能な形式で構成図に書き起こすというものです。
具体的には、TerraformやAnsibleによって管理されているインフラストラクチャやプロビジョニングの情報を解析し、最終的にDraw.ioに取り込める形式(XML/Draw.ioファイル)で出力するシステムを構築しました。
S3バケットを用いたウェブサイトをCloudFront経由で安全かつ高速に配信するための設定をmain.tfで記述して出力したXMLをDraw.ioをインポートすると、以下のように編集可能な状態で表示されます。

このシステム開発において最も重要視したことは、単に構成を画像化するだけでなく、あとから人の手で自由に編集・画像化できる形式での出力を行うことです。システムの一部についての会議では、システム全体の構成が描かれているとかえって見づらい場合も多いことが理由として挙げられます。
このプロジェクトを通じて実現されることは多岐にわたります。まず、インフラの全体像(VPC、サブネット、VM、ロードバランサーなど)をInfraMapが出力する画像ファイルで確認できます。
また、Ansibleのインベントリ構成図やPlaybookのプロビジョニングフロー図も別途可視化することで、インフラのアーキテクチャだけでなく、構成や処理の流れまで詳細に把握できるようになります。加えて、Draw.ioにインポートできる形式で出力を行うことにより、後から自由に編集が可能です。
目次
開発環境
本プロジェクトでは、IaCの構成情報を解析し、グラフを生成するための様々なオープンソースツール(OSS)と、実行環境としてDocker Composeを組み合わせました。
Draw.ioへのインポート用ファイル生成手法
このプロジェクトでは、編集可能な構成図(Draw.io XML形式)を生成するために、graphviz2drawioツールと後処理を組み合わせたアプローチと、LLM(大規模言語モデル)によるアプローチの2つのモードが選択可能です。
それぞれのモードの概要と適しているシナリオは以下の通りです。
| モード | 概要 | 適しているシナリオ |
|---|---|---|
| graphviz2drawio | InfraMapが出力したDOTファイル(グラフ構造)を専用ツールでXMLに変換し、事前に用意したJSONデータに基づきPythonスクリプトでアイコンや色などのスタイル情報を後から適用する。 | 安定性と正確性が求められる場合。特に、依存関係や矢印の方向について、構成が複雑であっても正確な図の構造を確実に再現したい場合に適しています。ただし、アイコン情報のマッピングが無いとアイコンが表示されません。 |
| LLM | InfraMapが出力したPNG画像またはDOTファイルをプロンプトとしてLLMに渡し、応答としてDraw.io用のXML形式ファイルを直接生成させる。 | シンプルな構成の場合や、新しいリソースや表現の柔軟性を試したい場合。ただし、構成が複雑になると、稀に矢印の方向が反対になるなど、依存関係の認識精度に課題が見られました。 |
LLMの精度には現状課題が見られるため、正しくDraw.io内のアイコン情報をマッピングしたJSON内にサービス情報を追加してgraphviz2drawioで変換する方が正確です。
使用した技術スタック
| ツール名 | 役割 | 備考 |
|---|---|---|
| Terraform / OpenTofu | インフラ構成の定義 | OpenTofuはTerraformと互換性が高く、既存の可視化ツールがそのまま利用可能です。 |
| Ansible | ホストの構成管理、プロビジョニングの定義 | インフラの「アーキテクチャ」よりも「構成」や「処理」に焦点を当てています。 |
| InfraMap | Terraform/OpenTofuの構成図生成 | コード(.tfファイル)やStateファイル(tfstate)を解析して図を生成します。プロトタイプで主に利用しました。 |
| ansible-inventory-grapher | Ansibleインベントリの関係性可視化 | hosts.ini(インベントリファイル)からホストグループの関係図を生成します。 |
| ansible-playbook-grapher | Ansible Playbookのフロー図生成 | Playbook(playbook.yml)のタスクや処理順序を解析し、フロー図を生成します。 |
| graphviz2drawio | Draw.io XMLへの変換 | InfraMapのDOTファイルをDraw.ioで利用できるXML形式に変換するために利用しました。 |
実行環境とAIリソース
- Docker/Docker Compose: 実行環境を統一し、依存関係の問題を回避するために採用しました。
- LLM (Azure OpenAI Service): Draw.ioファイル生成の別のアプローチとして、構成図の画像から直接Draw.io XMLを生成させるためにLLMを活用しました。エンドポイントやAPIキーは環境変数として管理しました。
- Draw.ioアイコンマッピング: AWSのサービスリソースと、Draw.ioで利用するアイコンのスタイル情報(形状、アイコン、色)を対応させるJSONファイル(icon_data.jsonなど)を作成し、後処理で利用しました。
環境構築
開発環境のセットアップと、特にローカル環境での依存関係の問題を回避するための環境整備を説明します。
ローカル依存関係の回避とDockerの採用
Dockerコンテナの整備
Docker Compose環境にて、InfraMap、Ansible、graphviz2drawioの実行環境をそれぞれDockerコンテナとして定義しました。
当初はこれらを別のコンテナとして定義していましたが、.drawio形式への変換時にInfraMapコンテナ内のキャッシュを参照できずにエラーが起きていました(後述)。キャッシュ用のフォルダをVolumeで共有することも検討しましたが、最終的には1つのコンテナに集約することで依存関係を解決する方針としました。
実行環境(Docker Compose)の構築
私たちはDocker Composeを使用して、InfraMapやAnsibleの実行を容易にしました。環境構築は以下の手順で実施可能です。
- 仮想環境の構築: Pythonの依存関係を管理するため、ローカルで仮想環境を構築し、必要なライブラリをインストールしました。
cd create_architecture_graph python -m venv venv source ./venv/bin/activate pip install -r requirements.txt
- 環境変数の設定: LLM連携に必要な認証情報を
.envファイルに設定しました。 - 構成図の生成: Dockerfile内に起動時に実行するコマンドを集約することで、最終的には
docker compose up -dやpython main.pyなどを記述したシェルスクリプトの実行により、構成図の生成、Draw.io XMLへの変換までを一括で実行できるようにしました。
メイン処理のスクリプトと開発フロー
1. InfraMapによるインフラ構成図(DOT/PNG)の生成
インフラ構成図の自動生成の基盤として、まずはInfraMapを使用しました。
初期課題:ファイル認識の失敗
Docker上でInfraMapを実行した際、当初、ボリュームマウントによってホスト側のディレクトリをコンテナ内の/dataに共有したにもかかわらず、tfstateファイルの中身が認識されないという問題が発生しました。その結果、依存関係を示す情報が含まれず、以下のような空のDOT形式が出力されてしまいました。
strict digraph G {
}
解決:Terraform構成の詳細情報の追加
この問題を解決するため、私たちはmain.tfファイルを調整し、具体的なAWSリソースの定義(aws_s3_bucketやaws_cloudfront_distributionなど)を含めることで、InfraMapが構成を認識し、画像を出力できるようになりました。
この段階で確立した基本的な実行コマンドは、Docker Composeを用いてInfraMapを実行し、DOT形式をdotコマンドでPNG画像に変換する形です。
# main.tfからInfraMapを用いて画像を生成するコマンド inframap generate --hcl /data/main.tf | dot -Tpng -o /data/infra.png
2. Ansible構成のフロー図とインベントリ図の可視化
インフラ構成図だけでなく、ホストの管理構成やプロビジョニングのフローの可視化も行いました。
Playbookの実行
私たちは、インベントリ構成図作成にansible-inventory-grapher、プロビジョニングフロー図作成にansible-playbook-grapherを採用しました。
サンプルのPlaybookとして、aws_s3とaws_cloudfrontに対するタスクを定義しました。
実行コマンド
Docker Compose環境にAnsible実行用のサービスを追加し、以下のコマンドで各種構成図を生成しました。
インベントリ構成図の生成:
# hosts.iniの解析とDOTファイル出力 ansible-inventory-grapher -i /workspace/hosts.ini -o /intermediate/ansible/inventory.dot aws_s3 aws_cloudfront # DOTファイルからPNGやSVGへの変換 dot -Tpng /intermediate/ansible/inventory.dot -o /output/ansible/inventory.png dot -Tsvg /intermediate/ansible/inventory.dot -o /output/ansible/inventory.svg
Playbookフロー図の生成:
ansible-playbook-grapher --include-role-tasks /workspace/playbook.yml --output /output/ansible/playbook
これにより、インフラ全体図と、ホスト管理・処理フロー図の両方を生成できるようになりました。
3. Draw.io編集可能形式への変換:2つのアプローチの検証
構成図を人の手で編集できるDraw.io形式(XMLファイル)で出力する方法を検討しました。私たちは、LLMによる直接生成と、Pythonライブラリ(graphviz2drawio)による変換の二つのアプローチを検証しました。
3.1. LLMを用いたXML生成の試行
方針: InfraMapが出力した構成図のPNG画像をプロンプトに含めてLLMに渡し、応答としてDraw.ioにインポートできるXMLファイルを生成させる。
LLMリソース: LLMの利用には、Azure OpenAI Serviceのエンドポイントやデプロイメント名を使用しました。
課題と精度:
シンプルなサービス構成の場合、アイコン、サービス名、XMLの作成は正確に行え、XMLをDraw.ioにインポートすることで正しく図を表示できました。
しかし、構成が複雑になると、矢印の方向が反対向きに出力される(ミス配置)など、図の依存関係の認識精度に問題が生じました。プロンプト改善が必要な状況でした。
また、Draw.ioに存在するAWSアイコン全てをマッピングデータとしてLLMに渡そうとすると、トークンの上限を超えてしまうという問題もありました。そのため、主要なアイコンのみのマッピング情報を渡し、必要に応じて予測させる形をとりました。
3.2. graphviz2drawioとアイコン後処理の導入
LLMアプローチの精度の課題を受けて、DOTファイルからDraw.io XMLを生成するPythonライブラリgraphviz2drawioの利用を検討しました。
課題: graphviz2drawioで生成されるXMLは、アイコンのスタイル指定まではできないため、アイコンがモノクロで表示され、ダークモードでは真っ黒で表示されてしまいました。
解決: アイコン表示を実現するため、後処理でスタイルを指定できるように、リソースタイプとアイコン情報(カラーやシェイプなど)をマッピングしたJSONリスト(icon_data.json)を作成し、XML形式のdrawioファイル内のタグをPythonで編集する方針にて解決しました。
このJSONでは、Terraformのリソース名(例: aws_s3_bucket)をキーとして、Draw.ioの形状 (shape)、リソースアイコン名 (resIcon)、塗りつぶしの色 (fillColor)、枠線色 (strokeColor) を1対1で対応させました。これにより、後続の処理で生成されたXMLにこのスタイル情報を適用できるようになりました。
4. Docker環境でのDraw.io XML生成の安定化
アイコン情報をマッピングし、後処理の準備が整った後、Docker上での一連の処理の安定化に取り組みました。
コンテナ間連携の問題とその解決
DOTファイル生成までは成功しましたが、次にgraphviz2drawioを実行した際に、先ほど述べたDockerコンテナ内Volumeに関するエラーが生じました。
課題: InfraMapコンテナで作成されたDOTファイルには、InfraMapがダウンロードしたアイコン画像へのキャッシュディレクトリパス(例: /root/.cache/...)が記載されていました。しかし、graphviz2drawioのコンテナはInfraMapコンテナとは別になっていたため、アイコン画像が参照できずクラッシュしました。
最終的な解決策: まずは、2つのコンテナ間でキャッシュディレクトリを共有するVolume設定を検討しました。 しかし、コンテナ間で構築環境に差があったこともあり、InfraMapキャッシュの保存先とgraphviz2drawioが読み込もうとする画像ファイルのパスが異なっており、このエラーは解決しませんでした。
そこで、方針を変更し、コンテナを一つに統合し、InfraMapの実行、DOTファイル生成、graphviz2drawioによるXML変換までを単一のコンテナ環境内で実行できる形に修正しました。これにより、Draw.ioファイルの作成まで問題なく行えるようになりました。
ただし、InfraMapが出力するSVGやDOTファイルに記載されるパスはroot直下であり、バインドマウントを行わないと参照できませんが、これではローカルの環境に依存してしまうため、アイコン情報をあらかじめ作成しておいたJSONから取得して変換することで最終的に適切なXML形式のデータが出力できました。
最終的なスクリプトや動作解説
最終実行コマンド
最終的に、Terraformの構成定義からPNG、DOT、そしてDraw.io XML(.drawio)ファイルを一括で生成する実行コマンドを確立しました。このコマンドは、コンテナを一つに統合した実行環境で、シェルスクリプト内から実行できるように設計しました。
詳細な実行プロセスは、Dockerfileに記述されている以下のステップで構成されています。
InfraMapによるDOTファイル生成:InfraMapツールを使用して、/terraformディレクトリ内のHCL設定ファイルからインフラ構成の依存関係を解析し、グラフ構造を示すDOTファイル(/intermediate/inframap/infra.dot)として出力します。
DOTファイル内の文字列置換:生成されたDOTファイルに対してsedコマンドを実行し、ファイル内の特定のパターン(例:数字の間に/があるパターン)を修正します。
インフラ構成図のPNG画像への変換:Graphvizのdotコマンドを使用し、生成されたDOTファイル(/intermediate/inframap/infra.dot)を読み込み、PNG形式の構成図(/intermediate/inframap/infra.png)として出力します。
Ansibleインベントリ構成図のDOTファイル生成:ansible-inventory-grapherツールを使用し、インベントリファイル(/workspace/hosts.ini)を解析することで、ホストグループの関係性をDOTファイル(/intermediate/ansible/inventory.dot)として出力します。
インベントリ構成図のPNG/SVG画像への変換:生成されたインベントリDOTファイル(/intermediate/ansible/inventory.dot)をdotコマンドで読み込み、視覚化のためにPNGおよびSVG画像として出力します。
Ansible Playbookフロー図の生成:ansible-playbook-grapherツールを使用し、Playbookファイル(/workspace/playbook.yml)のタスクや処理順序を解析し、フロー図をSVG形式で出力します。
Draw.io XML(編集可能形式)の生成と整形:InfraMapで作成されたDOTファイル(/intermediate/inframap/infra.dot)をgraphviz2drawioツールに渡し、その出力をxmllint –format -で整形することで、Draw.ioにインポート可能なXMLファイル(/intermediate/graphviz2drawio/infra.drawio)として保存します。
全体のフォルダ構成
create_architecture_graph/ ├── ansible/ │ ├── hosts.ini │ └── playbook.yml │ ├── data/ │ ├── input/ │ │ ├── icons_for_llm/ │ │ │ ├── aws_icons.xml │ │ │ └── draw.xml │ │ └── icon_data.json.sample │ │ │ ├── intermediate/ │ │ ├── ansible/ │ │ │ └── inventory.dot │ │ ├── drawio_llm/ │ │ │ └── mapping.json │ │ ├── graphviz2drawio/ │ │ │ └── infra.drawio │ │ └── inframap/ │ │ ├── infra.dot │ │ └── infra.png │ │ │ └── output/ │ ├── ansible/ │ │ ├── inventory.png │ │ ├── inventory.svg │ │ └── playbook.svg │ ├── drawio_llm/ │ │ └── infra.drawio │ └── graphviz2drawio/ │ └── infra.drawio │ ├── docker/ │ ├── ansible/ │ │ └── Dockerfile │ └── inframap/ │ └── Dockerfile │ ├── src/ │ ├── fetch_openai/ │ │ └── generate_raw_xml.py │ │ │ ├── mapping/ │ │ └── icon_mapping.py │ │ │ ├── response_parser/ │ │ └── parse_response.py │ │ │ ├── save_xml/ │ │ └── save_text_as_xml.py │ │ │ └── main.py │ ├── terraform/ │ ├── main.tf │ └── terraform.tfstate │ ├── .env ├── .gitignore ├── generate_xml_for_drawio.sh ├── docker-compose.yml ├── README.md └── requirements.txt
最終的な実行環境では、Pythonによる後処理(graphviz2drawio利用)を行うか、LLMを用いるかを、シェルスクリプト実行時に選択できるように構成しました。
### 構成図および.dotファイル出力
docker compose up -d
#### Drawioファイル内のアイコン形状を指定 ####
# 変換プロセスの指定(LLM or Local)
while true; do
echo "変換プロセスを選択してください(Enter=1):"
echo "1) Local"
echo "2) LLM"
read -r choice
if [ -z "$choice" ] || [ "$choice" = "1" ]; then
export CONVERT_MODE="local"
break
elif [ "$choice" = "2" ]; then
export CONVERT_MODE="llm"
break
else
echo "無効な入力です。1, 2 または Enter を入力してください。"
fi
done
# Drawioファイルの変換
python src/main.py
アイコンとスタイルの適用
graphviz2drawioによる変換後、Pythonスクリプトによる後処理を通じて、アイコンのスタイル情報が適用されます。これにより、Draw.ioインポート時にAWSリソースが正しいアイコンとカラーで表示されます。
スタイル指定のベースとなるのは、リソース名とスタイルを対応させたマッピングデータです。例えば、S3バケットやCloudFrontに関する設定は以下のようになります。
icon_data.json
{
"aws_s3_bucket": {
"shape": "mxgraph.aws4.resourceIcon",
"resIcon": "mxgraph.aws4.s3",
"fillColor": "#7AA116",
"strokeColor": "#ffffff"
},
"aws_cloudfront_distribution": {
"shape": "mxgraph.aws4.resourceIcon",
"resIcon": "mxgraph.aws4.cloudfront",
"fillColor": "#8C4FFF",
"strokeColor": "#ffffff"
}
// ... 他のサービス情報が続く
}
最終的に生成されるDraw.io用XML形式ファイル
ノードとエッジの表現
リソースはmxCellとして表現され、ノード間の依存関係はedgeとして定義されます。
graphviz2drawioを用いたinfra.drawio
<?xml version='1.0' encoding='utf-8'?>
<mxGraphModel grid="0">
<root>
<mxCell id="0" />
<mxCell id="1" parent="0" />
<mxCell id="node1" value="aws_cloudfront_distribution.test" style="shape=mxgraph.aws4.resourceIcon;resIcon=mxgraph.aws4.cloudfront;fillColor=#8C4FFF;strokeColor=#ffffff;labelPosition=center;verticalLabelPosition=bottom;verticalAlign=top" parent="1" vertex="1">
<mxGeometry x="92.0" y="4.0" width="72.0" height="72.0" as="geometry" />
</mxCell>
<mxCell id="node2" value="aws_s3_bucket.test" style="shape=mxgraph.aws4.resourceIcon;resIcon=mxgraph.aws4.s3;fillColor=#7AA116;strokeColor=#ffffff;labelPosition=center;verticalLabelPosition=bottom;verticalAlign=top" parent="1" vertex="1">
<mxGeometry x="92.0" y="123.0" width="72.0" height="72.0" as="geometry" />
</mxCell>
<mxCell id="edge1" style="html=1;endArrow=block;dashed=0;endFill=1;startArrow=none;startFill=0;fillColor=black;strokeColor=black;strokeWidth=1;rounded=0;exitX=0.5000;exitY=1.0000;entryX=0.5000;entryY=0.0000;" parent="1" edge="1" source="node1" target="node2">
<mxGeometry as="geometry" relative="1">
<mxPoint x="128.0" y="87.09" as="sourcePoint" />
<mxPoint x="128.0" y="112.7" as="targetPoint" />
</mxGeometry>
</mxCell>
</root>
</mxGraphModel>
LLMを用いたinfra.drawio
<?xml version="1.0" encoding="UTF-8"?>
<mxfile>
<diagram name="AWS Infra" id="VZuEtmfCC92IIpsLTs7t">
<mxGraphModel dx="1263" dy="832" grid="1" gridSize="10" guides="1" tooltips="1" connect="1" arrows="1" fold="1" page="1" pageScale="1" pageWidth="827" pageHeight="1169" math="0" shadow="0">
<root>
<mxCell id="0" />
<mxCell id="1" parent="0" />
<mxCell id="SzrQb_c7HdoqNjs_90iQ-14" value="" style="edgeStyle=orthogonalEdgeStyle;rounded=0;orthogonalLoop=1;jettySize=auto;html=1;" edge="1" parent="1" source="SzrQb_c7HdoqNjs_90iQ-12" target="SzrQb_c7HdoqNjs_90iQ-8">
<mxGeometry relative="1" as="geometry" />
</mxCell>
<mxCell id="SzrQb_c7HdoqNjs_90iQ-8" value="aws_s3_bucket.test" style="sketch=0;outlineConnect=0;fontColor=#232F3E;fillColor=#7AA116;strokeColor=#ffffff;dashed=0;verticalLabelPosition=bottom;verticalAlign=top;align=center;html=1;fontSize=12;fontStyle=0;aspect=fixed;shape=mxgraph.aws4.resourceIcon;resIcon=mxgraph.aws4.s3;" vertex="1" parent="1">
<mxGeometry x="375" y="360" width="78" height="78" as="geometry" />
</mxCell>
<mxCell id="SzrQb_c7HdoqNjs_90iQ-12" value="aws_cloudfront_distribution.test" style="sketch=0;outlineConnect=0;fontColor=#232F3E;fillColor=#8C4FFF;strokeColor=#ffffff;dashed=0;verticalLabelPosition=bottom;verticalAlign=top;align=center;html=1;fontSize=12;fontStyle=0;aspect=fixed;shape=mxgraph.aws4.resourceIcon;resIcon=mxgraph.aws4.cloudfront;" vertex="1" parent="1">
<mxGeometry x="375" y="180" width="78" height="78" as="geometry" />
</mxCell>
</root>
</mxGraphModel>
</diagram>
</mxfile>
このプロセスにより、手動でアイコンを配置する手間を省きながら、編集可能な図を効率的に生成できるようになりました。特に、ラベル名や背景色などの拡張性も確保できています。
Draw.ioに標準で用意されていないアイコンへの対応
Draw.ioにデフォルトで配置されているAWSのサービスなどのアイコンに加え、画像をDraw.ioに直接配置してXML形式で出力したアイコン情報とサービス名とをマッピングすることでDraw.ioに標準で備わっていないアイコンについても設定ができるよう拡張しました。
Draw.io(xn--diagrams-yh1t.net)は豊富な図形やアイコンを標準搭載していますが、プロジェクト固有の画像やマークを使いたい場合、標準セットに含まれていない画像を扱う必要があります。ここでは、社内システムでDraw.ioの図面に標準外画像を挿入・管理する手法についてまとめました。
- 画像データの管理とマッピング構造の用意 使いたいアイコンや画像ファイルをDraw.ioに一度インポートし、XML形式でエクスポートしたのち、style情報をJSON形式で管理します。Pythonスクリプト内でリサイズすることでスタイル指定を動的に割り当てられるようにしました。
拡張したicon_data.json
{
"aws_workspaces_workspace":{
"inputType" : "defaultIcon",
"shape": "mxgraph.aws4.resourceIcon",
"resIcon": "mxgraph.aws4.workspaces",
"fillColor": "#01A88D",
"strokeColor": "#ffffff"
},
"sakuracloud_archive": {
"inputType" : "img",
"style": "shape=image;verticalLabelPosition=...<アイコンのスタイル情報>;",
"width": 100,
"height": 100
},
}
XMLの mxCell 要素への画像スタイル埋め込み Draw.ioの図面はXMLで管理されており、各図形は
要素として表現されます。画像を表示するには、 style属性に “shape=image” を指定します。 標準外画像の適用では、JSONマッピングから取得したアイコンデータを、この style 属性内の image プロパティに埋め込みます。コード側で対象のセルを特定し、スタイルを書き換えることで任意の画像を図面に埋め込みました。サイズ・位置・間隔の制御 画像のサイズや比率はXML内の
要素の width と height、および x, y の位置情報で調整されます。マッピングされた画像の実寸に合わせて各セルのジオメトリをリサイズ・配置調整し、図面内でのバランスを確保しました。 画像タイプごとの処理分岐 画像管理JSONの中で、画像の種類や使い方を表す inputType を設定し、 • 画像(img)として扱う場合 • アイコン的にシンプルな装飾として扱う場合(defaultIcon) のようにパターンを区別しました。処理中に画像タイプごとに適用方法を変えることで柔軟に対応しています。
今後の展望
本プロジェクトはインフラ構成図の自動生成と編集可能なファイルの出力という目標を達成しました。今後の改善としては以下が挙げられます。
1. LLM活用の再評価と精度改善
LLMを用いたXML生成アプローチは、複雑な構成で矢印のミス配置が見られたため、現在はgraphviz2drawioによる変換を主軸としています。しかし、LLMによるアプローチは、より柔軟な図の生成や、未対応リソースへの対応の可能性を秘めています。今後はプロンプトの改善を重ね、特に複雑な依存関係やフローを正確に認識させることで、LLMの出力の精度向上を検討しています。
2. マッピングデータの拡充
現在、Draw.ioのAWSアイコン全てをマッピングするとトークン上限に達する制約から、主要なサービスに限定してマッピングデータ(icon_data.json)を作成しました。今後の展開として、Draw.ioに存在するすべてのAWSアイコンとリソースIDを1対1対応させ、マッピングデータを順次拡充していくことで、対応できるAWSサービスの種類を拡大し、プロジェクトの汎用性の向上が期待できます。
3. 実行環境のモジュール化
現在の解決策としてコンテナを一つに統合しましたが、よりクリーンでスケーラブルな構成を目指すため、InfraMapとgraphviz2drawioを役割ごとに独立したコンテナとして動作させ、キャッシュディレクトリを安定的に共有する方法も拡張性の向上として期待できます。
インフラ構成図の自動生成は、設計図を常に最新の状態に保つために非常に有用です。手作業による図の作成や更新の遅れというボトルネックを解消し、常に正確で編集可能な情報を提供することで、インフラ管理の効率を劇的に向上させます。
4. AIモデル変更によるTerraformからのDraw.ioファイルの作成
AIモデルの変更により、Terraformで記述したコードからAIモデルを通して直接drawioファイルの作成も検討しています。



