AIOps mit Prometheus, Grafana und ML umsetzen Schulung

Einführung in AIOps mit Open-Source-Tools

• Überblick über AIOps-Konzepte und deren Vorteile
• Prometheus und Grafana im Observability-Stack
• Die Rolle des ML in AIOps: prädiktive vs. reaktive Analysen

Einrichtung von Prometheus und Grafana

• Installation und Konfiguration von Prometheus zur Erfassung von Zeitreihen
• Erstellen von Dashboards in Grafana mit Echtzeit-Metriken
• Erkundung von Exportern, Relabeling und Service Discovery

Datenvorverarbeitung für ML

• Extraktion und Transformation von Prometheus-Metriken
• Vorbereitung von Datenbeständen für die Anomalieerkennung und Prognostik
• Verwendung der Transformationen in Grafana oder Python-Pipelines

Anwendung von maschinellem Lernen für die Anomalieerkennung

• Basis-ML-Modelle für die Ausreißererkennung (z. B. Isolation Forest, One-Class SVM)
• Training und Bewertung von Modellen auf Basis von Zeitreihendaten
• Visualisierung von Anomalien in Grafana-Dashboards

Prognose von Metriken mit ML

• Erstellung einfacher Prognosemodelle (ARIMA, Prophet, Einführung in LSTM)
• Vorhersage der Systemlast oder Ressourcennutzung
• Nutzung von Prognosen für frühe Benachrichtigungen und Skalierungsentscheidungen

Integration von ML in Benachrichtigungen und Automatisierung

• Definierung von Benachrichtigungsregeln basierend auf ML-Ergebnissen oder Schwellwerten
• Verwendung von Alertmanager und der Routing-Funktion für Benachrichtigungen
• Auslösen von Skripten oder Automatisierungsworkflows bei Anomalieerkennung

Skalierung und Operationalisierung von AIOps

• Integration externer Observability-Tools (z. B. ELK-Stack, Moogsoft, Dynatrace)
• Operationalisierung von ML-Modellen in Observability-Pipelines
• Best Practices für AIOps im großen Maßstab

Zusammenfassung und nächste Schritte