Tack för att du skickade din fråga! En av våra teammedlemmar kontaktar dig snart.
Tack för att du skickade din bokning! En av våra teammedlemmar kontaktar dig snart.
Kursplan
Designing an Open AIOps Architecture
- Översikt över nyckelkomponenter i öppna AIOps-pipelines
- Dataflöde från inhämtning till varningsmeddelanden
- Jämförelse av verktyg och integrationsstrategi
Data Collection and Aggregation
- Inhämtning av tidsbaserad data med Prometheus
- Fånga loggar med Logstash och Beats
- Normalisera data för korsreferens mellan olika källor
Building Observability Dashboards
- Visualisering av mätvärden med Grafana
- Bygga Kibana dashboards för logganalys
- Använda Elasticsearch frågor för att extrahera operativa insikter
Anomaly Detection and Incident Prediction
- Exportera observabilitetsdata till Python pipelines
- Träna ML-modeller för utstickarupptäckt och prognoser
- Distribuera modeller för levande inferens i observabilitetspipelinen
Alerting and Automation with Open Tools
- Skapa Prometheus varningsregler och Alertmanager-routing
- Utlösa skript eller API-arbetsflöden för automatiskt svar
- Använda öppen källkod för orkestreringsverktyg (t.ex., Ansible, Rundeck)
Integration and Scalability Considerations
- Hantera höghastighetsinmatning och långtidsbevarande
- Säkerhet och åtkomstkontroll i öppen källkod
- Skala varje lager oberoende: inmatning, bearbetning, varningsmeddelanden
Real-World Applications and Extensions
- Fallstudier: prestandajustering, undvikande av neddragning och kostnadseffektivisering
- Utöka pipelines med spårningsverktyg eller tjänstgrafer
- Bäst praxis för att köra och underhålla AIOps i produktionen
Summary and Next Steps
Krav
- Erfarenhet av observabilitetsverktyg såsom Prometheus eller ELK
- Kunskap om Python och grunderna i maskininlärning
- Förståelse för IT-drift och varningsarbetsflöden
Målgrupp
- Avancerade systemreliabilitetsingenjörer (SRE)
- Datatekniker som arbetar i drift
- DevOps plattformledare och infrastrukturarkitekter
14 Timmar
