Building an AIOps Pipeline with Open Source Tools

• Doświadczenie z narzędziami do monitorowania, takimi jak Prometheus lub ELK
• Znajomość Python i podstaw uczenia maszynowego
• Zrozumienie operacji IT i przepływów powiadamiania

Grupa docelowa

• Zaawansowani inżynierowie odpowiedzialni za niezawodność systemów (SRE)
• Inżynierowie danych pracujący w operacjach
• Liderzy platformy DevOps i architektowie infrastruktury

Rurociadowa AIOps zbudowana wyłącznie z narzędzi open-source pozwala zespołom na projektowanie ekonomicznych i elastycznych rozwiązań dla obserwacji, wykrywania anomalii oraz inteligentnego alertowania w środowiskach produkcyjnych.

Ten prowadzony przez instruktora kurs (online lub na miejscu) jest skierowany do zaawansowanych inżynierów, którzy chcą zbudować i wdrożyć całościowy rurociąd AIOps przy użyciu narzędzi takich jak Prometheus, ELK, Grafana i niestandardowe modele ML.

Po zakończeniu tego szkolenia uczestnicy będą w stanie:

• Zaprojektować architekturę AIOps używając tylko komponentów open-source.
• Zbierać i normalizować dane z logów, metryk i śladów.
• Zastosować modele ML do wykrywania anomalii i przewidywania incydentów.
• Automatyzować alertowanie i naprawę za pomocą narzędzi open-source.

Format kursu

• Interaktywne wykłady i dyskusje.
• Wiele ćwiczeń i praktyki.
• Ręczne wdrażanie w środowisku laboratoryjnym.

Opcje dostosowywania kursu

• Aby poprosić o dostosowany kurs dla tego szkolenia, skontaktuj się z nami, aby ułożyć.

Projektowanie otwartej architektury AIOps

• Przegląd kluczowych komponentów w otwartych rurach AIOps
• Przepływ danych od wczytywania do alertowania
• Porównanie narzędzi i strategia integracji

Zbieranie i agregacja danych

• Wczytywanie danych czasowych z Prometheus
• Zbieranie logów z Logstash i Beats
• Normalizowanie danych dla korygacji źródła

Budowanie dashboradów obserwowalności

• Wizualizowanie metryk z Grafana
• Budowanie dashboradów Kibana do analizy logów
• Używanie zapytań Elasticsearch do wyciągania wglądu operacyjnego

Wykrywanie anomalii i prognozowanie incydentów

• Eksportowanie danych obserwowalności do rur Python
• Trenowanie modeli ML do wykrywania odstępstw i prognozowania
• Wdrażanie modeli do live inference w rurze obserwowalności

Alertowanie i automatyzacja z otwartymi narzędziami

• Tworzenie reguł alertów Prometheus i routingu Alertmanager
• Wykonywanie skryptów lub API workflowów do automatycznego reagowania
• Używanie otwartych narzędzi orchestracji (np. Ansible, Rundeck)

Integracja i rozważania skalowalności

• Obsługa wysokiej objętości wczytywania i długoterminowego przechowywania
• Bezpieczeństwo i kontrola dostępu w otwartych stosach
• Skalowanie każdej warstwy niezależnie: wczytywanie, przetwarzanie, alertowanie

Prawdziwe zastosowania i rozszerzenia

• Studia przypadków: optymalizacja wydajności, zapobieganie przerwom i optymalizacja kosztów
• Rozszerzanie rur z narzędziami śledzenia lub grafami usług
• Najlepsze praktyki dla uruchamiania i utrzymywania AIOps w produkcji

Podsumowanie i następne kroki