Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Durée 14 heures
Plan du cours
Concevoir une architecture AIOps ouverte
- Vue d'ensemble des composants clés des pipelines AIOps open source
- Flux de données de l'ingestion à l'alerte
- Comparaison des outils et stratégie d'intégration
Collecte et agrégation de données
- Ingestion de données de séries temporelles avec Prometheus
- Capture des journaux avec Logstash et Beats
- Normalisation des données pour la corrélation multi-sources
Création de tableaux de bord d'observabilité
- Visualisation des métriques avec Grafana
- Construction de tableaux de bord Kibana pour l'analyse des journaux
- Utilisation des requêtes Elasticsearch pour extraire des informations opérationnelles
Détection d'anomalies et prédiction des incidents
- Export des données d'observabilité vers des pipelines Python
- Entraînement de modèles de machine learning pour la détection des valeurs aberrantes et la prévision
- Déploiement des modèles pour l'inférence en direct dans le pipeline d'observabilité
Alertes et automatisation avec des outils ouverts
- Création de règles d'alerte Prometheus et routage via Alertmanager
- Déclenchement de scripts ou de flux API pour la réponse automatique
- Utilisation d'outils d'orchestration open source (par ex. Ansible, Rundeck)
Considérations d'intégration et d'évolutivité
- Gestion de l'ingestion à haut volume et de la conservation à long terme
- Sécurité et contrôle d'accès dans les piles open source
- Évolutivité indépendante de chaque couche : ingestion, traitement, alerte
Applications réelles et extensions
- Études de cas : optimisation des performances, prévention des pannes et optimisation des coûts
- Extension des pipelines avec des outils de traçage ou des graphes de services
- Meilleures pratiques pour l'exécution et la maintenance de l'AIOps en production
Summary and Next Steps
Pré requis
- Expérience avec des outils d'observabilité tels que Prometheus ou ELK
- Connaissances opérationnelles de Python et des fondamentaux du machine learning
- Compréhension des opérations informatiques et des flux de travail d'alerte
Public cible
- Ingénieurs SRE (Site Reliability Engineers) de niveau avancé
- Ingénieurs de données travaillant dans les opérations
- Responsables de plateformes DevOps et architectes d'infrastructure