Mulțumim pentru trimiterea solicitării! Un membru al echipei noastre vă va contacta în curând.
Mulțumim pentru trimiterea rezervării! Un membru al echipei noastre vă va contacta în curând.
Schița de curs
Introducere în AIOps cu Instrumente Open Source
- Prezentare generală a conceptelor și beneficiilor AIOps
- Rolul Prometheus și Grafana în stiva de observabilitate
- Locul ML în AIOps: analize predictive vs. reactive
Configurarea Prometheus și Grafana
- Instalarea și configurarea Prometheus pentru colectarea de serii temporale
- Crearea de panouri în Grafana folosind metrici în timp real
- Explorarea exportatoarelor, relabeling și descoperirea serviciilor
Prelucrarea datelor pentru ML
- Extragerea și transformarea metricilor Prometheus
- Pregătirea seturilor de date pentru detectarea anomaliilor și prognoză
- Utilizarea transformărilor Grafana sau a conductelor Python
Aplicarea Învățării Automate pentru Detectarea Anomaliilor
- Modele de bază ML pentru detectarea outlier-ilor (de ex., Isolation Forest, One-Class SVM)
- Antrenarea și evaluarea modelelor pe date de serie temporală
- Vizualizarea anomaliilor în panourile Grafana
Prognozarea Metricilor cu ML
- Construirea de modele simple de prognoză (ARIMA, Prophet, introducere în LSTM)
- Predictia încărcării sistemului sau a utilizării resurselor
- Utilizarea predicțiilor pentru alertarea timpurie și decizii de scalare
Integrarea ML cu Alertarea și Automatizarea
- Definirea regulilor de alertare bazate pe rezultatele ML sau praguri
- Utilizarea Alertmanager și rutarea notificărilor
- Declanșarea scripturilor sau a fluxurilor de automatizare la detectarea anomaliilor
Scalarea și Operationalizarea AIOps
- Integrarea instrumentelor externe de observabilitate (de ex., ELK stack, Moogsoft, Dynatrace)
- Operationalizarea modelelor ML în conductele de observabilitate
- Practici recomandate pentru AIOps la scară largă
Rezumat și Pași Următori
Cerințe
- Înțelegerea conceptelor de monitorizare a sistemelor și observabilitate
- Experiență în utilizarea Grafana sau Prometheus
- Familiaritate cu Python și principiile de bază ale învățării automate
Publicul țintă
- Ingineri de observabilitate
- Echipe de infrastructură și DevOps
- Arhitecți de platforme de monitorizare și ingineri de fiabilitate a site-urilor (SREs)
14 Ore
