Ευχαριστούμε που στάλθηκε η αποσαφήνισή σας! Ένα μέλος της ομάδου μας θα επικοινωνήσει μαζί σας σύντομα.
Ευχαριστούμε για την εκδήλωση κράτησης! Ένας από τους συνεργάτες μας θα επικοινωνήσει μαζί σας σύντομα.
Διάρκεια 14 Ώρες
Εξέλιξη Κομματιού
Εισαγωγή στο AIOps με Εργαλεία Open Source
- Επισκόπηση των εννοιών και οφέλων του AIOps
- Τα Prometheus και Grafana στη στοίβα παρατηρησιμότητας
- Πού τοποθετείται το ML στο AIOps: προγνωστική vs αντιδραστική ανάλυση
Διαμόρφωση του Prometheus και του Grafana
- Εγκατάσταση και διαμόρφωση του Prometheus για συλλογή χρονικών σειρών
- Δημιουργία dashboards στο Grafana χρησιμοποιώντας μετρικές σε πραγματικό χρόνο
- Εξερεύνηση exporters, επαναταγμολόγησης και ανίχνευσης υπηρεσιών
Επεξεργασία Δεδομένων για ML
- Εκχώρηση και μετασχηματισμός μετρικών Prometheus
- Προετοιμασία σετ δεδομένων για εντοπισμό ανωμαλιών και προβλέψεις
- Χρήση μετασχηματισμών Grafana ή διαδρομών Python
Εφαρμογή Machine Learning για Εντοπισμό Ανωμαλιών
- Βασικά μοντέλα ML για ανίχνευση εξαιρέσεων (π.χ., Isolation Forest, One-Class SVM)
- Εκπαίδευση και αξιολόγηση μοντέλων σε δεδομένα χρονικών σειρών
- Οπτικοποίηση ανωμαλιών σε dashboards Grafana
Προβλέψεις Μετρικών με ML
- Δημιουργία απλών μοντέλων πρόβλεψης (ARIMA, Prophet, εισαγωγή σε LSTM)
- Πρόβλεψη φορτίου συστήματος ή χρήσης πόρων
- Χρήση προβλέψεων για πρόωρη ειδοποίηση και αποφάσεις κλιμάκωσης
Ενσωμάτωση ML με Ειδοποιήσεις και Αυτοματοποίηση
- Ορισμός κανόνων ειδοποιήσεων βάσει εξόδου ML ή ορίων
- Χρήση Alertmanager και δρομολόγησης ειδοποιήσεων
- Επικίνδυνη ενεργοποίηση σενάριων ή ροών αυτοματοποίησης κατά την ανίχνευση ανωμαλιών
Κλιμάκωση και Λειτουργική Εφαρμογή AIOps
- Ενσωμάτωση εξωτερικών εργαλείων παρατηρησιμότητας (π.χ., στοίβα ELK, Moogsoft, Dynatrace)
- Λειτουργική εφαρμογή μοντέλων ML σε διαδρομές παρατηρησιμότητας
- Βέλτιστες πρακτικές για AIOps σε μεγάλη κλίμακα
Σύνοψη και Επόμενα Βήματα
Απαιτήσεις
- Κατανόηση των εννοιών παρακολούθησης συστημάτων και παρατηρησιμότητας
- Εμπειρία στη χρήση Grafana ή Prometheus
- Οικειότητα με Python και βασικές αρχές machine learning
Κοινό
- Μηχανικοί παρατηρησιμότητας
- Ομάδα υποδομής και DevOps
- Σχεδιαστές πλατφορμών παρακολούθησης και μηχανικοί αξιοπιστίας τοποθεσίας (SREs)