聯繫我們
 課程時長 14 時間:

課程簡介

使用開源工具實施 AIOps 簡介

  • AIOps 概念與優勢概覽
  • 可觀察性棧中的 Prometheus 和 Grafana
  • ML 在 AIOps 中的定位:預測性 vs. 反應式分析

設置 Prometheus 和 Grafana

  • 安裝和配置 Prometheus 以進行時間序列收集
  • 使用實時指標在 Grafana 中創建儀表板
  • 探索导出器 (exporters)、重新標記 (relabeling) 及服務發現

機器學習數據預處理

  • 提取和轉換 Prometheus 指標
  • 為異常檢測和預測準備數據集
  • 使用 Grafana 的轉換功能或 Python 管線

應用機器學習進行異常檢測

  • 用於離群值檢測的基本 ML 模型(例如:隔離森林、One-Class SVM)
  • 在時間序列數據上訓練和評估模型
  • 在 Grafana 儀表板中可視化異常

使用機器學習預測指標

  • 構建簡單的預測模型(ARIMA、Prophet、LSTM 簡介)
  • 預測系統負載或資源使用情況
  • 利用預測進行早期告警和擴展決策

將機器學習整合至告警與自動化

  • 基於 ML 輸出或閾值定義告警規則
  • 使用 Alertmanager 及通知路由
  • 在檢測到異常時觸發腳本或自動化工作流

擴展和運營化 AIOps

  • 整合外部可觀察性工具(例如:ELK 棧、Moogsoft、Dynatrace)
  • 在可觀察性管線中運營化 ML 模型
  • 大規模 AIOps 的最佳實踐

總結與後續步驟

最低要求

  • 理解系統監控與可觀察性概念
  • 具備使用 Grafana 或 Prometheus 的經驗
  • 熟悉 Python 及基礎機器學習原理

目標受眾

  • 可觀察性工程師
  • 基礎設施與 DevOps 團隊
  • 監控平台架構師及站点可靠性工程師 (SRE)

課程分類