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

Entwurf einer offenen AIOps-Architektur

• Überblick über die wichtigsten Komponenten in offenen AIOps-Pipelines
• Datenfluss von der Erfassung bis zur Benachrichtigung
• Werkzeugvergleich 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
• Verwendung von Elasticsearch-Abfragen zur Extraktion betrieblicher Erkenntnisse

Anomalie-Erkennung und Incident-Vorhersage

• Export von Observability-Daten in Python-Pipelines
• Training von ML-Modellen zur Erkennung von Ausreißern und Prognostik
• Deployment von Modellen für Live-Inferenz in der Observability-Pipeline

Benachrichtigung und Automatisierung mit Open-Source-Tools

• Erstellung von Prometheus-Alert-Regeln und Alertmanager-Routing
• Auslösung von Skripten oder API-Workflows für automatische Reaktionen
• Verwendung von Open-Source-Orchestrierungs-Tools (z. B. Ansible, Rundeck)

Überlegungen zu Integration und Skalierbarkeit

• Verarbeitung von Hochvolumen-Erfassung und Langzeitarchivierung
• Sicherheit und Zugriffskontrolle in Open-Source-Stacks
• Unabhängige Skalierung jeder Ebene: Erfassung, Verarbeitung, Benachrichtigung

Realitätsnahe Anwendungen und Erweiterungen

• Fallstudien: Performance-Tuning, 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