Благодарим ви, че изпратихте вашето запитване! Един от членовете на нашия екип ще се свърже с вас скоро.
Благодарим ви, че направихте своята резервация! Един от членовете на нашия екип ще се свърже с вас скоро.
Продължителност 14 часa
Съдържание и теми, включени в курса
Проектиране на отворена AIOps архитектура
- Преглед на ключовите компоненти в отворените AIOps конвейери
- Поток на данните от внасянето до алармирането
- Сравнение на инструменти и стратегия за интеграция
Събиране и агрегиране на данни
- Внасяне на данни за времеви серии с Prometheus
- Събиране на лога с Logstash и Beats
- Нормализиране на данните за корелация между източници
Изграждане на дашбордове за наблюдаемост
- Визуализиране на метрики с Grafana
- Изграждане на дашбордове в Kibana за анализ на лога
- Използване на Elasticsearch заявки за извличане на оперативни инсайти
Откриване на аномалии и предвиждане на инциденти
- Експортиране на данни за наблюдаемост към Python конвейери
- Трениране на ML модели за откриване на отклонения и прогнозиране
- Разгръщане на модели за живо инференция в конвейера за наблюдаемост
Алармиране и автоматизация с отворени инструменти
- Създаване на правила за алармиране в Prometheus и маршрутизация в Alertmanager
- Активиране на скриптове или API работни потоци за автоматичен отговор
- Използване на оркестрационни инструменти с отворен код (напр. Ansible, Rundeck)
Интеграция и разглеждане на възможностите за мащабизиране
- Обработване на високи обеми от внасяне и дългосрочно запазване
- Сигурност и контрол на достъпа в стек с отворен код
- Мащабиране на всеки слой независимо: внасяне, обработка, алармиране
Приложения в реалния свят и разширения
- Кейс стъдии: оптимизация на производителността, предотвратяване на прекъсвания и оптимизация на разходите
- Разширяване на конвейерите с инструменти за проследяване или графове на услуги
- Най-добрите практики за изпълнение и поддръжка на AIOps в продукцията
Обобщение и следващи стъпки
Изисквания
- Опит с инструменти за наблюдаемост като Prometheus или ELK
- Работни знания по Python и основите на машинното обучение
- Разбиране на IT операциите и процесите за алармиране
Целева аудитория
- Напреднали инженери за надеждност на услугите (SRE)/li>
- Инженери по данни, работещи в оперативни функции
- Руководители на DevOps платформи и архитекти на инфраструктура