以 Prometheus、Grafana 及機器學習實施 AIOps培訓

使用開源工具入門 AIOps

• AIOps 概念和優勢概覽
• 可觀察性棧中的 Prometheus 和 Grafana
• 機器學習在 AIOps 中的角色：預測分析與被動分析

設置 Prometheus 和 Grafana

• 安裝和配置 Prometheus 以進行時間序列數據收集
• 使用實時指標在 Grafana 中創建儀表板
• 探索 exporters、重標簽和服務發現

機器學習的數據預處理

• 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 管道

應用機器學習進行異常檢測

• 基本機器學習模型用於離群值檢測（例如 Isolation Forest, 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 入門）
• 預測系統負載或資源使用
• 利用預測進行早期告警和擴容決策

將機器學習與告警和自動化集成

• 基於機器學習輸出或閾值定義告警規則
• 使用 Alertmanager 和通知路由
• 觸發腳本或自動化工作流進行異常檢測

擴展和運營化 AIOps

• 集成外部可觀察性工具（例如 ELK 棧、Moogsoft、Dynatrace）
• 在可觀察性管道中運營化機器學習模型
• 大規模 AIOps 的最佳實踐

總結與下一步