Implementing AIOps with Prometheus, Grafana, and ML

• Rozumienie pojęć monitorowania systemów i obserwowalności
• Doświadczenie w używaniu Grafana lub Prometheus
• Znałość z Python i podstawowych zasad uczenia maszynowego

Grupa docelowa

• Inżynierowie obserwowalności
• Zespoły infrastruktury i DevOps
• Architekci platform monitorowania i inżynierowie niezawodności (SRE)

Narzędzia Prometheus i Grafana są szeroko stosowanymi narzędziami do obserwowalności w nowoczesnej infrastrukturze, podczas gdy uczenie maszynowe wzmocnia te narzędzia inteligentnymi i przewidywalnymi wglądami do automatyzacji decyzji operacyjnych.

To prowadzone przez instruktora szkolenie na żywo (online lub na miejscu) jest skierowane do profesjonalistów zajmujących się obserwowalnością na poziomie średniozaawansowanym, którzy chcą modernizować swoją infrastrukturę monitorowania poprzez integrację praktyk AIOps z użyciem narzędzi Prometheus, Grafana i technik uczenia maszynowego.

Po zakończeniu tego szkolenia uczestnicy będą w stanie:

• Skonfigurować Prometheus i Grafana do obserwowalności w różnych systemach i usługach.
• Zbierać, przechowywać i wizualizować wysokiej jakości dane szeregowe.
• Stosować modele uczenia maszynowego do wykrywania anomalii i prognozowania.
• Budować inteligentne reguły alertów opierające się na przewidywalnych wglądach.

Format kursu

• Interaktywne wykłady i dyskusje.
• Wiele ćwiczeń i praktyki.
• Ręczne wdrażanie w środowisku live-lab.

Opcje dostosowania kursu

• Aby złożyć wniosek o dostosowane szkolenie dla tego kursu, skontaktuj się z nami w celu uzgodnienia.

Wprowadzenie do AIOps z narzędziami Open Source

• Przegląd koncepcji i korzyści AIOps
• Prometheus i Grafana w stosie obserwowalności
• Gdzie ML mieści się w AIOps: analityka predykcyjna vs. reaktywna

Konfiguracja Prometheus i Grafana

• Instalowanie i konfigurowanie Prometheus do zbierania danych czasowych
• Tworzenie wizualizacji w Grafana z użyciem danych w czasie rzeczywistym
• Badanie eksportów, ponownego etykietowania i odkrywania usług

Przygotowanie danych do ML

• Ekstrahowanie i transformowanie metryk Prometheus
• Przygotowanie zestawów danych do wykrywania anomalii i prognozowania
• Używanie transformacji Grafana lub rurociągów Python

Zastosowanie Machine Learning do wykrywania anomalii

• Podstawowe modele ML do wykrywania danech odchylających (np. Isolation Forest, One-Class SVM)
• Trenowanie i ocena modeli na danych czasowych
• Wizualizowanie anomalii w wizualizacjach Grafana

Metryki Forecasting z ML

• Budowanie prostych modeli prognozowania (ARIMA, Prophet, wprowadzenie do LSTM)
• Prognozowanie obciążenia systemu lub zużycia zasobów
• Używanie prognoz do wczesnego ostrzegania i podejmowania decyzji o skalowaniu

Integracja ML z ostrzeganiem i automatyzacją

• Definiowanie zasad ostrzegania na podstawie wyjściowych danych ML lub progów
• Używanie Alertmanager i routingu powiadomień
• Wyzwalanie skryptów lub przepływów pracy automatyzacji po wykryciu anomalii

Skalowanie i operatywne wdrażanie AIOps

• Integracja zewnętrznych narzędzi obserwowalności (np. ELK stack, Moogsoft, Dynatrace)
• Operatywne wdrażanie modeli ML w rurociągach obserwowalności
• Najlepsze praktyki dla AIOps w skali

Podsumowanie i następne kroki