Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Dauer 14 Stunden
Schulungsübersicht
Design einer offenen AIOps-Architektur
- Übersicht der Kernkomponenten in offenen AIOps-Pipelines
- Datenfluss von der Erfassung bis zur Alarmierung
- Vergleich der Tools und Strategie zur Integration
Erfassung und Aggregation von Daten
- Erfassen von Zeitreihendaten mit Prometheus
- Erfassen von Logs mit Logstash und Beats
- Normalisierung von Daten für die Korrelation über verschiedene Quellen hinweg
Aufbau von Observability-Dashboards
- Visualisierung von Metriken mit Grafana
- Erstellen von Kibana-Dashboards für die Log-Analyse
- Nutzung von Elasticsearch-Abfragen zur Gewinnung operativer Erkenntnisse
Anomalie-Erkennung und Incident-Vorhersage
- Exportieren von Observability-Daten in Python-Pipelines
- Training von ML-Modellen für die Erkennung von Ausreißern und Prognosen
- Deployment von Modellen für Live-Inferenz in der Observability-Pipeline
Alarmierung und Automatisierung mit Open-Source-Tools
- Erstellen von Prometheus-Alarmregeln und Routing in Alertmanager
- Auslösen von Skripten oder API-Workflows für die automatische Reaktion
- Einsatz von Open-Source-Orchestrierungstools (z. B. Ansible, Rundeck)
Integration und Aspekte der Skalierbarkeit
- Bearbeitung hoher Datenaufkommen und Langzeitarchivierung
- Sicherheit und Zugriffskontrolle in Open-Source-Stacks
- Skalierung jeder Ebene unabhängig: Erfassung, Verarbeitung, Alarmierung
Anwendungen in der Praxis und Erweiterungen
- Case Studies: Performance-Tuning, Vermeidung von Downtime und Kostenoptimierung
- Erweiterung von Pipelines mit Tracing-Tools oder Service-Graphen
- Best Practices für den Betrieb und die Wartung von AIOps in der Produktion
Zusammenfassung und nächste Schritte
Voraussetzungen
- Praxiserfahrung mit Observability-Tools wie Prometheus oder ELK
- Sicherer Umgang mit Python und Grundlagen des maschinellen Lernens
- Verständnis für IT-Betrieb (IT Operations) und Alarmierungs-Workflows
Zielgruppe
- Fortgeschrittene Site Reliability Engineers (SREs)
- Daten-Ingenieurinnen und -Ingenieure im operativen Umfeld
- DevOps-Plattformleads und Infrastrukturchefarchitektinnen und -architekten