Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Kursplan
Att bygga en öppen AIOps arkitektur
- Översikt över nyckelkomponenter i öppna AIOps pipelines
- Dataflöde från insamling till varning
- Jämförelse och integrationsstrategi för verktyg
Insamling och aggregering av data
- Insamling av tidsbaserad data med Prometheus
- Fånga loggar med Logstash och Beats
- Normalisera data för korsreferens mellan olika källor
Bygga övervakningsinstrumentpaneler
- Visualisera mått med Grafana
- Bygga Kibana instrumentpaneler för logganalys
- Använda Elasticsearch förfrågningar för att extrahera operativa insikter
Avvikelsedetektering och incidentförutsägelse
- Exportera övervakningsdata till Python pipelines
- Träna ML-modeller för att upptäcka avvikelser och förutspå
- Distribuera modeller för levande inferens i övervakningspipelinen
Varning och automatisering med öppna verktyg
- Skapa Prometheus varningsregler och Alertmanager-routing
- Utlösa skript eller API-arbetsflöden för auto-svar
- Använda öppen källkod orchestrationsverktyg (t.ex., Ansible, Rundeck)
Integrations- och skalbarhetsöverväganden
- Hantera högvolyminsamling och långtidsbevarande
- Säkerhet och åtkomstkontroll i öppen källkodstackar
- Skala varje lager oberoende: insamling, bearbetning, varning
Principer och tillämpningar
- Fallstudier: prestandajustering, nedtidsförebyggande och kostnadsoptimering
- Utöka pipelines med spårningsverktyg eller tjänstegrafer
- Bästa praxis för att köra och underhålla AIOps i produktion
Sammanfattning och nästa steg
Krav
- Erfarenhet av övervakningsverktyg såsom Prometheus eller ELK
- Arbetsmässig kännedom om Python och grundläggande maskininlärning
- Förståelse för IT-operatörer och alertningsflöden
Målgrupp
- Avancerade webbplatsreliabilitetsingenjörer (SREs)
- Dataingenjörer som arbetar i operativa roller
- DevOps plattformsledare och infrastrukturarkitekter
14 timmar
