感謝您提交詢問!我們的一位團隊成員將在短時間內與您聯繫。
感謝您提交預訂!我們的一位團隊成員將在短時間內與您聯繫。
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)