AIOps megvalósítása Prometheus, Grafana és ML segítségével Képzés

Bevezetés az AIOps-ba nyílt forráskódú eszközökkel

• Az AIOps fogalmainak és előnyeinek áttekintése
• A Prometheus és a Grafana a megfigyelhetőségi stackben
• Hol illeszkedik az ML az AIOps-ba: prediktív vs. reaktív analitika

A Prometheus és a Grafana beállítása

• A Prometheus telepítése és konfigurálása idősoros adatgyűjtéshez
• Irányítópultok létrehozása a Grafanában valós idejű metrikák segítségével
• Exportőrök, átcímkézés és szolgáltatásfelderítés felfedezése

Adat-előfeldolgozás az ML-hez

• Prometheus-metrikák kinyerése és átalakítása
• Adatkészletek előkészítése anomáliadetektáláshoz és előrejelzéshez
• A Grafana transzformációinak vagy Python-folyamatok használata

Gépi tanulás alkalmazása anomáliadetektáláshoz

• Alapvető ML-modellek kiugró értékek detektálásához (pl. Isolation Forest, One-Class SVM)
• Modellek betanítása és értékelése idősoros adatokon
• Anomáliák megjelenítése a Grafana irányítópultjain

Metrikák előrejelzése ML-lel

• Egyszerű előrejelzési modellek építése (ARIMA, Prophet, LSTM bevezető)
• Rendszerterhelés vagy erőforrás-használat előrejelzése
• Előrejelzések használata korai riasztáshoz és skálázási döntésekhez

Az ML integrálása a riasztással és az automatizálással

• Riasztási szabályok meghatározása ML-kimenet vagy küszöbértékek alapján
• Az Alertmanager és az értesítési útvonalak használata
• Szkriptek vagy automatizálási munkafolyamatok indítása anomáliadetektáláskor

Az AIOps skálázása és üzemeltetése

• Külső megfigyelhetőségi eszközök integrálása (pl. ELK stack, Moogsoft, Dynatrace)
• ML-modellek üzemeltetése megfigyelhetőségi folyamatokban
• Bevált gyakorlatok az AIOps skálázásához

Összefoglalás és következő lépések