Takk for at du sendte din henvendelse! En av våre teammedlemmer vil kontakte deg straks.
Takk for at du sendte din bestilling! En av våre teammedlemmer vil kontakte deg straks.
Varighet 14 timer
Kursplan
Design av en åpen AIOps-arkitektur
- Oversikt over nøkkels komponenter i åpne AIOps-pipelines
- Dataflyt fra inntak til varsling
- Sammenligning av verktøy og integreringsstrategi
Datainnsamling og aggregering
- Inntak av tidsseriesdata med Prometheus
- Fange opp logger med Logstash og Beats
- Normalisere data for korskjellskorrelasjon
Bygge observabilitetsdashboards
- Visualisere metrikker med Grafana
- Bygge Kibana-dashboards for logganalyse
- Bruke Elasticsearch-spørringer for å trekke ut driftsinnsikter
Anomalidetektering og hendelsesprediksjon
- Eksportere observabilitetsdata til Python-pipelines
- Trene ML-modeller for avviksdeteksjon og forutsigelse
- Rulle ut modeller for live-inferens i observabilitetspipeline
Varsling og automatisering med åpne verktøy
- Opprette Prometheus-varslingregler og Alertmanager-routing
- Utløse skript eller API-workflows for automatisk respons
- Bruke orkestreringsverktøy med åpen kildekode (f.eks. Ansible, Rundeck)
Integrering og skalerbarhetsovervegelser
- Håndtere høyt volum ved inntak og langsiktig lagring
- Sikkerhet og tilgangskontroll i stakker med åpen kildekode
- Skalere hvert lag uavhengig: inntak, behandling, varsling
Reell verden applikasjoner og utvidelser
- Casestudier: ytelsejustering, nedetidspredisjon og kostnadsoptimalisering
- Utvide pipelines med sporingsverktøy eller tjenestegraf
- Beste praksis for å kjøre og vedlikeholde AIOps i produksjon
Oppsummering og neste steg
Krav
- Erfaring med observabilitetsverktøy som Prometheus eller ELK
- Kunnskap om Python og maskinlæringsgrunnleggende
- Forståelse av IT-drift og varslingssyklus
Målgruppe
- Avanserte site reliability engineers (SREs)
- Dataingeniører som jobber med drift
- DevOps-plattformledere og infrastrukturarkitekter
