Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Durée 14 heures
Plan du cours
Conception d'une architecture AIOps ouverte
- Aperçu des principaux composants des canalisations AIOps ouvertes
- Flux de données depuis l'ingestion jusqu'aux alertes
- 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 inter-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 de requêtes Elasticsearch pour extraire des informations opérationnelles
Détection d'anomalies et prédiction des incidents
- Exportation des données d'observabilité vers des canalisations 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 la canalisation d'observabilité
Alertes et automatisation avec des outils ouverts
- Création de règles d'alerte Prometheus et de routage Alertmanager
- Déclenchement de scripts ou de flux de travail d'API pour la réponse automatique
- Utilisation d'outils d'orchestration à code source ouvert (par exemple, Ansible, Rundeck)
Considérations d'intégration et de scalabilité
- Gestion de l'ingestion de grands volumes et de la conservation à long terme
- Sécurité et contrôle d'accès dans les piles de technologies à code source ouvert
- Passage à l'échelle de chaque couche indépendamment : ingestion, traitement, alertes
Applications réelles et extensions
- Études de cas : réglage des performances, prévention des interruptions de service et optimisation des coûts
- Extension des canalisations avec des outils de traçage ou des graphiques de services
- Meilleures pratiques pour exécuter et maintenir l'AIOps en production
Résumé et prochaines étapes
Pré requis
- Expérience avec des outils d'observabilité tels que Prometheus ou ELK
- Connaissances fonctionnelles de Python et des bases de la machine learning
- Compréhension des opérations informatiques et des flux de travail de signalisation
Public cible
- Ingénieurs de fiabilité des sites avancés (SRE)
- Ingénieurs de données travaillant dans les opérations
- Responsables de plates-formes DevOps et architectes d'infrastructure