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.
Schulungsübersicht
Einführung in AIOps mit Open-Source-Werkzeugen
- Überblick über die Konzepte und Vorteile von AIOps
- Prometheus und Grafana im Rahmen der Beobachtbarkeitsstrategie
- Rolle des maschinellen Lernens in AIOps: prädiktive gegen reaktive Analysemethoden
Einrichtung von Prometheus und Grafana
- Installation sowie Konfiguration von Prometheus zur Erfassung von Zeitreihendaten
- Erstellung von Dashboards in Grafana unter Nutzung aktueller Metriken
- Erläuterung zu Exportern, Relabeling sowie Service Discovery
Vorverarbeitung von Daten für maschinelles Lernen
- Extrahieren und Umwandeln der von Prometheus bereitgestellten Metriken
- Vorbereiten von Datensätzen zur Anomalieerkennung sowie Prognosebildung
- Einsatz von Transformationsfunktionen in Grafana bzw. Python-Algorithmen
Anwendung von maschinellem Lernen zur Erkennung von Abweichungen
- Grundlegende Modelle für die Ausreißerdetektion, etwa Isolation Forest oder One-Class SVM
- Trainieren und Bewerten von Modellen anhand von Zeitreihendaten
- Visualisierung der erkannten Abweichungen in Grafana-Dashboards
Prognosebildung mittels maschinellem Lernen
- Erstellung einfacher Prognosemodelle wie ARIMA, Prophet oder eine Einführung in LSTM-Algorithmen
- Vorhersage von Systemlast sowie Ressourcenverbrauch
- Nutzung dieser Prognosen zur frühzeitigen Alarmierung sowie zur Automatisierung skalierbarer Maßnahmen
Integration von maschinellem Lernen in Alerting und Automatisierung
- Festlegen von Alarmregeln auf Basis der Ergebnisse des maschinellen Lernens oder fester Schwellenwerte
- Nutzung von Alertmanager sowie Einrichtung von Benachrichtigungswegen
- Auslösen von Skripten oder automatisierten Arbeitsabläufen im Falle einer Anomalieerkennung
Skalierung sowie operative Implementierung von AIOps
- Einbindung externer Beobachtbarkeitstools wie ELK-Stack, Moogsoft oder Dynatrace
- Operative Etablierung von Modellen des maschinellen Lernens in bestehenden Beobachtbarkeitsprozessen
- Best Practices für eine skalierbare AIOps-Implementierung
Zusammenfassung sowie nächste Schritte
Voraussetzungen
- Grundkenntnisse in den Konzepten der Systemüberwachung und Beobachtbarkeit
- Erfahrung im Umgang mit Grafana oder Prometheus
- Vertrautheit mit Python sowie grundlegenden Prinzipien des maschinellen Lernens
Zielgruppe
- Ingenieure für Beobachtbarkeit
- Infrastruktur- und DevOps-Teams
- Architekten von Monitoring-Plattformen sowie Site Reliability Engineers (SREs)
14 Stunden