Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Dauer 14 Stunden
Schulungsübersicht
Entwurf einer offenen AIOps-Architektur
- Überblick über die Kernkomponenten offener AIOps-Pipelines
- Datenfluss von der Erfassung bis zur Benachrichtigung
- Vergleich von Tools und Integrationsstrategie
Datenerfassung und Aggregation
- Erfassung von Zeitreihendaten mit Prometheus
- Erfassung von Logs mit Logstash und Beats
- Normalisierung von Daten zur 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 Ableitung operativer Erkenntnisse
Anomalie-Erkennung und Störungsvorhersage
- Export von Observability-Daten in Python-Pipelines
- Training von ML-Modellen zur Erkennung von Ausreissern und Prognosen
- Deployment von Modellen für die Live-Inferenz in der Observability-Pipeline
Benachrichtigung und Automatisierung mit Open-Source-Werkzeugen
- Erstellung von Prometheus-Alertregeln und Routing mit Alertmanager
- Auslösung von Skripten oder API-Workflows für die automatische Reaktion
- Einsatz von Open-Source-Orchestrierungstools (z. B. Ansible, Rundeck)
Integrations- und Skalierbarkeitsaspekte
- Bearbeitung hoher Datenmengen bei der Erfassung und Langzeitarchivierung
- Sicherheit und Zugriffskontrolle in Open-Source-Stacks
- Unabhängige Skalierung jeder Ebene: Erfassung, Verarbeitung, Benachrichtigung
Anwendungen und Erweiterungen in der Praxis
- Studienfälle: Performance-Optimierung, Vermeidung von Ausfallzeiten und Kostenoptimierung
- Erweiterung von Pipelines mit Tracing-Tools oder Service-Grafiken
- Bester Praxis für den Betrieb und die Wartung von AIOps in Produktion
Zusammenfassung und nächste Schritte
Voraussetzungen
- Erfahrung mit Observability-Tools wie Prometheus oder ELK
- Praktische Kenntnisse in Python und Grundlagen des maschinellen Lernens
- Verständnis von IT-Betrieb und Benachrichtigungsworkflows
Zielgruppe
- Fortgeschrittene Site Reliability Engineers (SREs)
- datengetriebene Ingenieure im operativen Umfeld
- DevOps-Plattform-Leiter und Infrastruktur-Architekten