Formation Création d'un pipeline AIOps avec des outils open source

Conception d'une architecture AIOps ouverte

• Aperçu des composants clés des pipelines AIOps ouverts
• Flux de données, de l'ingestion à l'alertage
• Comparaison des outils et stratégie d'intégration

Collecte et agrégation de données

• Ingestion de données en séries temporelles avec Prometheus
• Capture des journaux avec Logstash et Beats
• Normalisation des données pour la corrélation multi-sources

Création de tableaux de bord d'observabilité

• Visualisation des métriques avec Grafana
• Création de tableaux de bord Kibana pour l'analyse des journaux
• Utilisation des requêtes Elasticsearch pour extraire des informations opérationnelles

Détection d'anomalies et prédiction d'incidents

• Exportation des données d'observabilité vers des pipelines Python
• Entraînement de modèles de machine learning pour la détection de valeurs aberrantes et la prévision
• Déploiement de modèles pour l'inférence en direct dans le pipeline d'observabilité

Alertage et automatisation avec des outils ouverts

• Création de règles d'alerte Prometheus et routage via Alertmanager
• Déclenchement de scripts ou de flux de travail d'API pour la réponse automatique
• Utilisation d'outils d'orchestration open source (par ex. : Ansible, Rundeck)

Considérations d'intégration et de scalabilité

• Gestion de l'ingestion à fort volume et de la rétention à long terme
• Sécurité et contrôle d'accès dans les piles open source
• Mise à l'échelle de chaque couche indépendamment : ingestion, traitement, alertage

Applications réelles et extensions

• Études de cas : optimisation des performances, prévention des temps d'arrêt et optimisation des coûts
• Extension des pipelines avec des outils de traçage ou des graphes de services
• Bonnes pratiques pour l'exécution et la maintenance de l'AIOps en production

Résumé et prochaines étapes