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.
Durata 14 ore
Schița de curs
Introducere în AIOps cu instrumente open source
- Prezentarea conceptelor și beneficiilor AIOps
- Prometheus și Grafana în stack-ul de observabilitate
- Unde se încadrează ML în AIOps: analitică predicțivă vs. reactivă
Configurarea Prometheus și Grafana
- Instalarea și configurarea Prometheus pentru colectarea seriilor temporale
- Crearea de dashboard-uri în Grafana folosind metrici în timp real
- Explorarea exporter-elor, relabeling-ului și service discovery-ului
Pregătirea datelor pentru ML
- Extragerea și transformarea metricilor din Prometheus
- Pregătirea seturilor de date pentru detectarea anomaliilor și predicții
- Utilizarea transformărilor din Grafana sau a pipeline-urilor în Python
Aplicarea machine learning pentru detectarea anomaliilor
- Modele de bază de ML pentru detectarea outlier-elor (ex. Isolation Forest, One-Class SVM)
- Antrenarea și evaluarea modelelor pe date de serie temporală
- Vizualizarea anomaliilor în dashboard-urile Grafana
Predicerea metricilor cu ML
- Construirea de modele simple de predicție (ARIMA, Prophet, introducere în LSTM)
- Predicerea încărcării sistemului sau utilizării resurselor
- Utilizarea predicțiilor pentru alertare timpurie și decizii de scaling
Integrarea ML cu alertarea și automatizarea
- Definirea regulilor de alertă bazate pe output-ul ML sau pe praguri
- Utilizarea Alertmanager și a rutării notificărilor
- Declanșarea script-urilor sau a workflow-urilor de automatizare la detectarea anomaliilor
Scalarea și operaționalizarea AIOps
- Integrarea instrumentelor externe de observabilitate (ex. stack-ul ELK, Moogsoft, Dynatrace)
- Operaționalizarea modelelor de ML în pipeline-uri de observabilitate
- Practici recomandate pentru AIOps la scară largă
Rezumat și pași următori
Cerințe
- Înțelegerea conceptelor de monitorare și observabilitate a sistemelor
- Experiență în utilizarea Grafana sau Prometheus
- Familiaritate cu Python și principii de bază ale machine learning-ului
Public țintă
- Engineers în observabilitate
- Echipe de infrastructură și DevOps
- Arhitecți de platforme de monitoring și Site Reliability Engineers (SRE)