Kontakt aufnehmen
 Dauer 14 Stunden

Schulungsübersicht

Einführung in AIOps mit Open-Source-Tools

  • Übersicht über AIOps-Konzepte und deren Vorteile
  • Die Rolle von Prometheus und Grafana im Observability-Stack
  • Die Position von ML in AIOps: prädiktive vs. reaktive Analytik

Einrichtung von Prometheus und Grafana

  • Installation und Konfiguration von Prometheus für die Erfassung von Zeitreihen
  • Erstellung von Dashboards in Grafana mithilfe von Echtzeit-Metriken
  • Erfassung von Exportern, Relabeling und Service Discovery

Datenpräparation für Machine Learning

  • Extraktion und Transformation von Prometheus-Metriken
  • Vorbereitung von Datensätzen für Anomalieerkennung und Prognose
  • Nutzung der Transformatiosfunktionen von Grafana oder Python-Pipelines

Anwendung von Machine Learning zur Anomalieerkennung

  • Grundlegende ML-Modelle zur Ausreißererkennung (z. B. Isolation Forest, One-Class SVM)
  • Training und Bewertung von Modellen anhand von Zeitreihendaten
  • Visualisierung von Anomalien in Grafana-Dashboards

Prognose von Metriken mit ML

  • Aufbau einfacher Prognosemodelle (ARIMA, Prophet, Einführung in LSTM)
  • Vorhersage der Systemlast oder der Ressourcennutzung
  • Nutzung von Vorhersagen für Frühwarnungen und Skalierungsentscheidungen

Integration von ML in Alarmierung und Automatisierung

  • Definition von Alarmregeln basierend auf ML-Ausgaben oder Schwellwerten
  • Einsatz von Alertmanager und Routing von Benachrichtigungen
  • Auslösung von Skripten oder Automatisierungsworkflows bei 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 bei großem Maßstab

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Verständnis der Konzepte des System-Monitorings und der Observability
  • Praktische Erfahrung in der Nutzung von Grafana oder Prometheus
  • Vertrautheit mit Python und grundlegenden Prinzipien des Machine Learning

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