Prenez contact avec nous
 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

Nombre de participants


Prix par participant

Cours à venir

Catégories Similaires