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
- Übersicht der wichtigsten Komponenten in offenen AIOps-Pipelines
- Datenfluss von der Erfassung bis zur Benachrichtigung
- Vergleich von Tools und Integrationsstrategie
Datenerfassung und -aggregation
- Erfassen von Zeitreihendaten mit Prometheus
- Protokollierung mit Logstash und Beats
- Normalisierung von Daten für die Korrelation über verschiedene Quellen hinweg
Aufbau von Observability-Dashboards
- Visualisierung von Metriken mit Grafana
- Erstellung von Kibana-Dashboards für Log-Analysen
- Nutzung von Elasticsearch-Abfragen zur Gewinnung operativer Erkenntnisse
Anomalieerkennung und Vorhersage von Störungen
- Export von Observability-Daten in Python-Pipelines
- Training von ML-Modellen zur Erkennung von Ausreißern und Prognostik
- Bereitstellung von Modellen für Live-Inferenz in der Observability-Pipeline
Benachrichtigung und Automatisierung mit Open-Source-Tools
- Erstellung von Prometheus-Alert-Regeln und Routing in Alertmanager
- Auslösung von Skripten oder API-Workflows für automatische Reaktionen
- Einsatz von Open-Source-Orchestrierungstools (z. B. Ansible, Rundeck)
Integration und Skalierbarkeitsaspekte
- Bewältigung hoher Erfassungsraten und langfristiger Datenspeicherung
- Sicherheit und Zugriffskontrolle in Open-Source-Stacks
- Unabhängige Skalierung der einzelnen Ebenen: Erfassung, Verarbeitung, Benachrichtigung
Anwendungen in der Praxis und Erweiterungen
- Fallstudien: Leistungsoptimierung, Vermeidung von Ausfallzeiten und Kostenoptimierung
- Erweiterung von Pipelines um Tracing-Tools oder Service-Grafos
- Best Practices für Betrieb und Wartung von AIOps in der Produktion
Zusammenfassung und nächste Schritte
Voraussetzungen
- Erfahrung mit Observability-Tools wie Prometheus oder ELK
- Grundkenntnisse in Python und den Grundlagen des Machine Learnings
- Verständnis für IT-Betrieb und Benachrichtigungsworkflows
Zielgruppe
- Fortgeschrittene Site Reliability Engineers (SREs)
- Daten-Ingenieure im Bereich Betrieb
- DevOps-Plattformleiter und Infrastrukturarchitekten