Curs de pregatire Implementarea AIOps cu Prometheus, Grafana și ML

Introducere în AIOps cu instrumente open source

• Prezentare generală a conceptelor și beneficiilor AIOps
• Prometheus și Grafana în stack-ul de observabilitate
• Unde se integrează ML în AIOps: analiză predictivă vs. reactivă

Configurarea Prometheus și Grafana

• Instalarea și configurarea Prometheus pentru colectarea datelor time series
• Crearea de dashboard-uri în Grafana folosind metrici în timp real
• Explorarea exporterelor, relabeling-ului și descoperirii serviciilor

Preprocesarea datelor pentru ML

• Extragerea și transformarea metricilor Prometheus
• Pregătirea seturilor de date pentru detectarea anomaliilor și prognozare
• Utilizarea transformărilor Grafana sau a pipeline-urilor Python

Aplicarea machine learning-ului pentru detectarea anomaliilor

• Modele ML de bază pentru detectarea outlierilor (de exemplu, Isolation Forest, One-Class SVM)
• Antrenarea și evaluarea modelelor pe date time series
• Vizualizarea anomaliilor în dashboard-urile 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 alertare timpurie și decizii de scalare

Integrarea ML cu alertarea și automatizarea

• Definirea regulilor de alertare bazate pe output-ul ML sau pe praguri
• Utilizarea Alertmanager și rutarea notificărilor
• Declanșarea de scripturi sau workflow-uri de automatizare la detectarea anomaliilor

Scalarea și operaționalizarea AIOps

• Integrarea instrumentelor externe de observabilitate (de exemplu, stack-ul ELK, Moogsoft, Dynatrace)
• Operaționalizarea modelelor ML în pipeline-urile de observabilitate
• Cele mai bune practici pentru AIOps la scară

Rezumat și pașii următori