Aufbau einer AIOps-Pipeline mit Open-Source-Tools Schulung

Design einer offenen AIOps-Architektur

• Überblick über die Schlüsselkomponenten in offenen AIOps-Pipelines
• Datenfluss von der Erfassung bis zur Benachrichtigung
• Tool-Vergleich und Integrationsstrategie

Datenerfassung und Aggregation

• Erfassung von Zeitreihendaten mit Prometheus
• Erfassung von Logs mit Logstash und Beats
• Normalisierung von Daten für die Korrelation über verschiedene Quellen hinweg

Erstellung von Observability-Dashboards

• Visualisierung von Metriken mit Grafana
• Erstellung von Kibana-Dashboards für die Log-Analyse
• Nutzung von Elasticsearch-Abfragen zur Gewinnung operativer Erkenntnisse

Anomalieerkennung und Vorhersage von Vorfällen

• Export von Observability-Daten in Python-Pipelines
• Training von ML-Modellen zur Erkennung von Ausreissern und Prognose
• Bereitstellung von Modellen für Live-Inferenz in der Observability-Pipeline

Benachrichtigung und Automatisierung mit Open-Source-Werkzeugen

• Erstellung von Prometheus-Benachrichtigungsregeln und Routing mit Alertmanager
• Auslösen von Skripten oder API-Workflows für die automatische Reaktion
• Verwendung von Open-Source-Orchestrierungstools (z. B. Ansible, Rundeck)

Integration und Skalierbarkeitsaspekte

• Verarbeitung hoher Datenvolumina und langfristige Aufbewahrung
• Sicherheit und Zugriffskontrolle in Open-Source-Stacks
• Unabhängige Skalierung jeder Ebene: Erfassung, Verarbeitung, Benachrichtigung

Praxisanwendungen und Erweiterungen

• Fallstudien: Leistungsoptimierung, Vermeidung von Ausfallzeiten und Kostenoptimierung
• Erweiterung von Pipelines mit Tracing-Tools oder Service-Graphen
• Best Practices für den Betrieb und die Wartung von AIOps in der Produktion

Zusammenfassung und nächste Schritte