Kontakt aufnehmen
 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)

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Kommende Kurse

Verwandte Kategorien