AIOps i praktiken: Incidentförutsägelse och automatisering av grundorsaksanalys Träningskurs

Introduktion till prediktiva AIOps

• Översikt över prediktiv analys i IT-drift
• Datakällor för förutsägelse (loggar, metrik, händelser)
• Väsentliga begrepp inom tidssekvensförutsägelse och anomali-mönster

Design av modeller för incidentförutsägelse

• Etikettering av historiska incidenter och systembeteende
• Val och träning av modeller (t.ex. LSTM, Random Forest, AutoML)
• Utvärdering av modellprestation och hantering av falska positiva

Datainsamling och funktionsteknik

• Inläsning och justering av logg- och metrikdata för modellinput
• Extraktion av funktioner från strukturerad och ostrukturerad data
• Hantering av brus och saknad data i driftsflöden

Automatisering av grundorsaksanalys (RCA)

• Grafbaserad korrelation av tjänster och infrastruktur
• Använda ML för att utleda sannolika grundorsaker från händel kedjor
• Visualisering av RCA med topologianskänsliga instrumentpaneler

Åtgärder och automatisering av arbetsflöden

• Integrering med automatiseringsplattformar (t.ex. Ansible, Rundeck)
• Utlösning av återställningar, omstarter eller trafikomdirigering
• Granskning och dokumentation av automatiserade ingripanden

Skalning av intelligenta AIOps-pipelines

• MLOps för observability: omträning och modellversionering
• Kör förutsägelser i realtid över distribuerade noder
• Bästa praxis för implementering av AIOps i produktionsmiljöer

Fallstudier och praktiska tillämpningar

• Analys av faktisk incidentdata med prediktiva AIOps-modeller
• Implementering av RCA-pipelines med syntetiska och produktionsdata
• Genomgång av branschfall: molnstörningar, instabilitet i microservices, nätverksnedgångar

Sammanfattning och nästa steg