Dziękujemy za wysłanie zapytania! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Dziękujemy za wysłanie rezerwacji! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Czas trwania 14 godzin
Plan Szkolenia
Projektowanie otwartej architektury AIOps
- Przegląd kluczowych komponentów w otwartych pipeline'ach AIOps
- Przepływ danych od pobierania (ingestion) do alertowania
- Porównanie narzędzi i strategia integracji
Pobieranie i agregacja danych
- Pobieranie danych szeregu czasowego za pomocą Prometeusza
- Zbieranie logów za pomocą Logstash i Beats
- Normalizacja danych w celu korelacji między źródłami
Tworzenie pulpitów obserwowalności (dashboards)
- Wizualizacja metryk za pomocą Grafana
- Budowanie pulpitów Kibana do analityki logów
- Wykorzystanie zapytań Elasticsearch do wydobycia operacyjnych wniosków
Wykrywanie anomalii i przewidywanie incydentów
- Eksport danych obserwowalności do pipeline'ów Pythona
- Trenowanie modeli ML do wykrywania outliersów i prognozowania
- Wdrażanie modeli do inferencji na żywo w pipeline'ie obserwowalności
Alertowanie i automatyzacja za pomocą otwartych narzędzi
- Tworzenie reguł alertowych Prometeusza i routingu Alertmanagera
- Inicjowanie skryptów lub workflow API do automatycznej reakcji
- Korzystanie z narzędzi orkiestracji open source (np. Ansible, Rundeck)
Rozważania dotyczące integracji i skalowalności
- Obsługa masowego pobierania danych i długoterminowego przechowywania
- Bezpieczeństwo i kontrola dostępu w stosach (stackach) open source
- Skalowanie każdej warstwy niezależnie: pobieranie, przetwarzanie, alertowanie
Zastosowania w praktyce i rozbudowy
- Studium przypadku: strojenie wydajności, zapobieganie przestojom i optymalizacja kosztów
- Rozbudowa pipeline'ów o narzędzia do śledzenia (tracingu) lub wykresy usług
- Najlepsze praktyki w zakresie uruchamiania i utrzymania AIOps w produkcji
Podsumowanie i następne kroki
Wymagania
- Doświadczenie w pracy z narzędziami obserwowalności, takimi jak Prometheus lub ELK
- Znajomość Pythona oraz podstaw maszynowego uczenia się (machine learning)
- Rozumienie procesów operacyjnych IT i workflow alertowania
Grupa docelowa
- Zaawansowani inżynierowie Site Reliability Engineering (SRE)
- Inżynierowie danych pracujący w obszarze operacji
- Prowadzący platformy DevOps i architekci infrastruktury