AIOps in der Praxis: Vorhersage von Störungen und Automatisierung der Ursachenanalyse Schulung

Einführung in prediktives AIOps

• Überblick über prediktive Analysen im IT-Betrieb
• Datenquellen für Vorhersagen (Logs, Metriken, Ereignisse)
• Wichtige Konzepte in der Zeitreihenprognose und Anomalie-Mustern

Gestaltung von Modellen zur Störungsvorhersage

• Kennzeichnung historischer Störungen und des Systemverhaltens
• Auswahl und Training von Modellen (z. B. LSTM, Random Forest, AutoML)
• Bewertung der Modellleistung und Umgang mit falsch-positiven Treffern

Datenerfassung und Feature Engineering

• Erfassung und Abgleich von Log- und Metrikdaten für die Modelleinbindung
• Extraktion von Merkmalen aus strukturierten und unstrukturierten Daten
• Behandlung von Rauschen und fehlenden Daten in operativen Pipelines

Automatisierung der Ursachenanalyse (RCA)

• Graphbasierte Korrelation von Diensten und Infrastruktur
• Verwendung von ML, um wahrscheinliche Ursachen aus Ereignisketten abzuleiten
• Visualisierung der RCA mit Topologie-bewussten Dashboards

Behebung und Workflow-Automatisierung

• Integration mit Automatisierungsplattformen (z. B. Ansible, Rundeck)
• Auslösung von Rollbacks, Neustarts oder Traffic-Umleitungen
• Prüfung und Dokumentation automatisierter Eingriffe

Skalierung intelligenter AIOps-Pipelines

• MLOps für Observability: Re-Training und Versionierung von Modellen
• Durchführung von Vorhersagen in Echtzeit über verteilte Knoten hinweg
• Best Practices für den Einsatz von AIOps in Produktivumgebungen

Fallstudien und praktische Anwendungen

• Analyse realer Störungdaten mit prediktiven AIOps-Modellen
• Einführung von RCA-Pipelines mit synthetischen und Produktionsdaten
• Übersicht über Branchenuse-Cases: Cloud-Ausfälle, Instabilität von Microservices, Netzwerkdegradierungen

Zusammenfassung und nächste Schritte