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
Einführung in AIOps mit Open-Source-Tools
- Überblick über AIOps-Konzepte und deren Vorteile
- Prometheus und Grafana im Observability-Stack
- Die Rolle von ML in AIOps: vorausschauende vs. reaktive Analysen
Einrichtung von Prometheus und Grafana
- Installation und Konfiguration von Prometheus für die Erfassung von Zeitreihendaten
- Erstellen von Dashboards in Grafana unter Verwendung von Echtzeit-Metriken
- Erfassung von Exportern, Relabeling und Service Discovery
DatenVorverarbeitung für ML
- Extrahieren und Transformieren von Prometheus-Metriken
- Vorbereiten von Datensätzen für Anomalieerkennung und Prognose
- Nutzung der Transformationen von Grafana oder Python-Pipelines
Anwendung von maschinellem Lernen für die Anomalieerkennung
- Grundlegende ML-Modelle für die Ausreißererkennung (z. B. Isolation Forest, One-Class SVM)
- Training und Auswertung von Modellen anhand von Zeitreihendaten
- Visualisierung von Anomalien in Grafana-Dashboards
Prognose von Metriken mit ML
- Erstellen einfacher Prognosemodelle (ARIMA, Prophet, Einführung in LSTM)
- Vorhersage der Systemauslastung oder der Ressourcennutzung
- Nutzung der Prognosen für frühzeitige Alarmierung und Skalierungsentscheidungen
Integration von ML in Alarmierung und Automatisierung
- Definition von Alarmregeln basierend auf ML-Ausgaben oder Schwellenwerten
- Einsatz von Alertmanager und Benachrichtigungs-Routing
- Auslösung von Skripten oder Automatisierungsworkflows bei der Erkennung von Anomalien
Skalierung und Betrieb von AIOps
- Integration externer Observability-Tools (z. B. ELK-Stack, Moogsoft, Dynatrace)
- Operationalisierung von ML-Modellen in Observability-Pipelines
- Best Practices für AIOps im großen Maßstab
Zusammenfassung und nächste Schritte
Voraussetzungen
- Grundlegendes Verständnis der Konzepte des System-Monitorings und der Observability
- Erfahrung in der Nutzung von Grafana oder Prometheus
- Vertrautheit mit Python und grundlegenden Prinzipien des maschinellen Lernens
Zielgruppe
- Observability-Engineers
- Infrastruktur- und DevOps-Teams
- Architekten für Monitoring-Plattformen und Site Reliability Engineers (SREs)