Prenez contact avec nous
 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

Nombre de participants


Prix par participant

Cours à venir

Catégories Similaires