Курс за обучение по Внедряване на AIOps с Prometheus, Grafana и ML

Въведение в AIOps с инструменти с отворен код

• Преглед на концепциите и ползите от AIOps
• Prometheus и Grafana в стека за наблюдаемост
• Къде се вписва ML в AIOps: прогнозен срещу реактивен анализ

Настройка на Prometheus и Grafana

• Инсталиране и конфигуриране на Prometheus за събиране на времеви редове
• Създаване на табла в Grafana с помощта на показатели в реално време
• Проучване на експортери, повторно етикетиране и откриване на услуги

Предварителна обработка на данни за ML

• Извличане и трансформиране на показатели от Prometheus
• Подготовка на набори от данни за откриване на аномалии и прогнозиране
• Използване на трансформациите на Grafana или Python конвейери

Прилагане на машинно обучение за откриване на аномалии

• Основни ML модели за откриване на отклонения (напр. Isolation Forest, One-Class SVM)
• Обучение и оценка на модели върху данни от времеви редове
• Визуализиране на аномалии в табла на Grafana

Прогнозиране на показатели с ML

• Изграждане на прости модели за прогнозиране (ARIMA, Prophet, въведение в LSTM)
• Прогнозиране на натоварването на системата или използването на ресурси
• Използване на прогнози за ранно известяване и решения за мащабиране

Интегриране на ML с известяване и автоматизация

• Дефиниране на правила за известяване на базата на резултати от ML или прагове
• Използване на Alertmanager и маршрутизиране на известия
• Задействане на скриптове или работни потоци за автоматизация при откриване на аномалии

Мащабиране и операционализиране на AIOps

• Интегриране на външни инструменти за наблюдаемост (напр. ELK stack, Moogsoft, Dynatrace)
• Операционализиране на ML модели в конвейери за наблюдаемост
• Добри практики за AIOps в мащаб

Обобщение и следващи стъпки