🍊 Opal — SD-WAN Fleet Audit & Migration Optimizer

Hackathon Orange Business × Epitech — February 2026

An AI-powered audit tool that reduced SD-WAN replacement costs by 64% through real telemetry analysis.

🇫🇷 Français · 🇬🇧 English · 📁 Structure · 🗄️ Database

---

🇫🇷 Français

🎯 Objectif

Optimiser le remplacement d'un parc de 90 routeurs SD-WAN (Edge 840 / Edge 680 → Edge 7x0). Le but est d'analyser la télémétrie réelle du réseau pour proposer une architecture cible économiquement viable et techniquement robuste, plutôt qu'un remplacement "1 pour 1" coûteux.

Un assistant IA local (LLM) permet de poser des questions en langage naturel sur le parc, les coûts et la stratégie de migration — 100% confidentiel, zéro donnée dans le cloud.

📊 Contexte Business

• Parc actuel : 80 sites Edge 840 (End of Life) + 10 sites Edge 680 (End of Sale)
• Problème : Un remplacement tout-en-740 coûterait 63 000 (relatif) — sur-dimensionné pour la plupart des sites
• Solution : Algorithme de décision basé sur la consommation réelle (Throughput, Tunnels, Flows, SFP)
• Résultat : Coût optimisé 22 250 — soit 64% d'économies

📈 Résultats de l'Audit

Indicateur	Valeur
📦 Équipements audités	90
🔴 CRITICAL (EoL dépassé)	80 sites (Edge 840)
🟠 HIGH (EoS dépassé)	10 sites (Edge 680)
➡️ Edge 710 recommandés	71 sites
➡️ Edge 720 recommandés	15 sites
➡️ Edge 740 recommandés	4 sites
💰 Coût optimisé	22 250
💸 Coût baseline (tout 740)	63 000
✅ Économies	40 750 (64%)

Pourquoi pas tout en Edge 740 ? La plupart des sites ont un faible débit — un Edge 710 suffit. On ne recommande un 720/740 que quand les mesures l'exigent :

• Edge 720 : 2+ ports SFP, tunnels > 50, ou débit > 395 Mbps
• Edge 740 : tunnels > 400, débit > 2300 Mbps, ou flows/s > 18 000

🤖 Assistant IA (LLM Local)

Un LLM local (Ollama) connecté à la base de données permet de poser des questions en français :

Question > Combien d'équipements sont dans le parc ?
→ Il y a 90 équipements dans le parc actuel.

Question > Quels sites nécessitent un Edge 740 et pourquoi ?
→ 4 sites : host-edge680-08 (450 tunnels), host-edge840-14 (21000 flows/s)...

Question > Combien coûte la migration totale ?
→ Coût optimisé: 22 250 vs baseline 63 000 = 64% d'économies.

Question > export
→ 90 fichiers JSON créés dans exports/

Le LLM ne calcule rien — il interroge la base SQLite pré-remplie et synthétise les résultats.

Mémoire adaptative : chaque interaction (succès/erreur) est capturée. Plus on l'utilise, plus il est précis. 🧠

🛠️ Architecture & Stack

┌─────────────────────────────────────────────────────┐
│                  👤 UTILISATEUR                      │
│             (Jury / Ingénieur réseau)                │
│                Question en français                  │
└──────────────────────┬──────────────────────────────┘
                       │
                       ▼
┌──────────────────────────────────────────────────────┐
│              🤖 src/llm_agent.py                     │
│             LangChain SQL Agent                      │
│      + Mémoire adaptative (llm_memory.json)          │
└──────┬───────────────────────────────┬───────────────┘
       │                               │
       ▼                               ▼
┌──────────────┐              ┌────────────────────┐
│  🗄️ SQLite   │              │  🧠 LLM Local      │
│  8 tables    │              │  Ollama via         │
│  323 rows    │              │  Open WebUI         │
│              │              │  (OpenAI-compat.)   │
└──────────────┘              └────────────────────┘
       │
       ▼
┌──────────────────────────────────────────────────────┐
│              🌐 frontend/                            │
│         React 19 + Recharts Dashboard                │
│    Vue d'ensemble · Arborescence · Chatbot IA        │
└──────────────────────────────────────────────────────┘

Flux : Question → LLM génère du SQL → Exécute sur la DB → LLM synthétise → Réponse en français

🚀 Installation

# 1. Cloner le repo
git clone https://github.com/silvucani/Opal.git && cd Opal

# 2. Installer les dépendances Python
pip install -r requirements.txt

# 3. Remplir la base de données depuis l'Excel source
python src/populate_db.py

# 4. Lancer l'assistant IA (CLI)
python src/llm_agent.py

# 5. Lancer les tests (55 tests)
python -m pytest tests/ -v

🌐 Dashboard Web (optionnel)

cd frontend
npm install
npm run dev     # → http://localhost:5173

🔌 Connexion au LLM

L'agent utilise une API compatible OpenAI. Configurez votre propre instance Ollama :

Paramètre	Valeur par défaut
🌐 Base URL	http://localhost:11434/v1
🖥️ Interface	Open WebUI (Docker)
⚙️ Backend	Ollama
🤖 Modèles recommandés	qwen2.5-coder:7b / mistral-nemo
📡 Protocole	OpenAI-compatible API

Note : Le projet a été développé avec un LLM hébergé localement via Tailscale VPN. Remplacez base_url dans src/llm_agent.py par votre propre endpoint Ollama.

---

🇬🇧 English

🎯 Objective

Optimize the replacement of a 90-device SD-WAN fleet (Edge 840 / Edge 680 → Edge 7x0). The goal is to analyze real network telemetry to propose a target architecture that is cost-effective and technically robust, rather than an expensive "1-for-1" replacement.

A local AI assistant (LLM) allows asking questions in natural language about the fleet, costs, and migration strategy — 100% confidential, zero data sent to the cloud.

📊 Business Context

• Current fleet: 80x Edge 840 (End of Life) + 10x Edge 680 (End of Sale)
• Problem: An all-740 replacement would cost 63,000 (relative) — oversized for most sites
• Solution: Decision algorithm based on actual usage (Throughput, Tunnels, Flows, SFP ports)
• Result: Optimized cost 22,250 — that's 64% savings

📈 Audit Results

Metric	Value
📦 Devices audited	90
🔴 CRITICAL (past EoL)	80 sites (Edge 840)
🟠 HIGH (past EoS)	10 sites (Edge 680)
➡️ Edge 710 recommended	71 sites
➡️ Edge 720 recommended	15 sites
➡️ Edge 740 recommended	4 sites
💰 Optimized cost	22,250
💸 Baseline (all 740)	63,000
✅ Savings	40,750 (64%)

🤖 AI Assistant (Local LLM)

A local LLM (Ollama) connected to the database allows natural language queries:

• "How many devices in the fleet?" → 90
• "Which sites need an Edge 740 and why?" → 4 sites with technical justification
• "What's the total migration cost?" → optimized vs. baseline comparison
• "Export data to JSON" → generates files for the web frontend

The LLM computes nothing — it queries the pre-filled SQLite database and synthesizes results.

Adaptive memory: every interaction (success/error) is captured. The more you use it, the more accurate it gets. 🧠

🚀 Quick Start

git clone https://github.com/silvucani/Opal.git && cd Opal
pip install -r requirements.txt
python src/populate_db.py     # Fill the database from Excel source
python src/llm_agent.py       # Start the AI assistant (CLI)
python -m pytest tests/ -v    # Run 55 unit tests

🌐 Web Dashboard (optional)

cd frontend && npm install && npm run dev
# Open http://localhost:5173

🔌 Connecting your own LLM

The agent uses an OpenAI-compatible API endpoint. Replace the base_url in src/llm_agent.py with your own Ollama or any other compatible LLM server URL.

---

📁 Project Structure

Opal/
├── 📄 README.md
├── 📄 LICENSE
├── 📄 .gitignore
├── 📄 requirements.txt
│
├── 🐍 src/                            ← Python source code
│   ├── audit_engine.py                ← Audit engine (pure functions, zero side effects)
│   ├── populate_db.py                 ← SQLite population from Excel + reference data
│   ├── export_json.py                 ← JSON export for web frontend
│   └── llm_agent.py                   ← AI assistant (LangChain + Ollama)
│
├── 🧪 tests/                          ← Unit tests
│   └── test_audit_engine.py           ← 55 tests for the audit engine
│
├── 💾 data/                            ← Input data
│   └── data_hackathon_extended.xlsx    ← Fleet inventory + real telemetry measurements
│   (*.db and generated files are gitignored — run populate_db.py to create them)
│
├── 🌐 frontend/                        ← React 19 web dashboard
│   ├── index.html
│   ├── vite.config.js
│   ├── package.json
│   └── src/
│       ├── main.jsx
│       └── OpalDashboard.jsx          ← Full dashboard: overview, network tree, AI chatbot
│
└── 📚 docs/                            ← Reference documents
    ├── SD-WAN edges lifecycle.pdf     ← Official Arista EoS/EoL dates
    ├── VeloCloud-SD-WAN-Edge-7x0-Series.pdf ← Edge 7x0 specs
    ├── edges measured max values.pdf  ← Current fleet measurements
    └── release-notes/                 ← SD-WAN version release notes

🗄️ Database — 8 Tables

Table	Content	Rows
parc_actuel	Fleet inventory (90 devices)	90
mesures_detaillees	Throughput, tunnels, flows, ports per device	90
scenarios_migration	Edge 7x0 recommendation + cost + complexity	90
lifecycle	EoS/EoL dates per model (Arista source)	12
edge_7x0_specs	Technical specs Edge 710, 720, 740	3
software_compatibility	Model/version compatibility matrix	27
upgrade_paths	Step-by-step software upgrade sequences	5
catalogue_reference	Hardware + license relative costs	6

The database is not committed to the repo. Run python src/populate_db.py to regenerate it from data/data_hackathon_extended.xlsx.

🔒 Confidentiality

• 100% local — no data leaves your machine
• LLM runs on your own hardware via Ollama
• Network infrastructure data is anonymized in this public demo

📄 License

This project is licensed under the MIT License.

---

🍊 Built at the Orange Business × Epitech Hackathon — February 2026