Implementace AIOps pomocí Prometheus, Grafana a strojového učení Počítačový Kurz

Úvod do AIOps s open source nástroji

• Přehled konceptů a výhod AIOps
• Prometheus a Grafana v observability stohu
• Místo, které má ML v AIOps: prediktivní vs. reaktivní analýza

Nastavení Prometheus a Grafana

• Instalace a konfigurace Prometheus pro sběr časových řad
• Vytváření dashboardů v Grafana pomocí metrik v reálném čase
• Prozkoumání exporterů, relabeling a service discovery

Předzpracování dat pro ML

• Extrahování a transformace metrik Prometheus
• Příprava datasetů pro detekci anomalií a predikci
• Použití transformací v Grafana nebo Python pipelines

Aplikace strojového učení pro detekci anomalií

• Základní ML modely pro detekci odlehlých bodů (např. Isolation Forest, One-Class SVM)
• Trénování a vyhodnocování modelů na datech časových řad
• Vizualizace anomalií v dashboardích Grafana

Predikce metrik pomocí ML

• Vytvoření jednoduchých predikčních modelů (ARIMA, Prophet, úvod do LSTM)
• Předpovídání zátěže systému nebo využití zdrojů
• Použití predikcí pro včasné upozornění a rozhodnutí o škálování

Integrace ML s upozorňováním a automatizací

• Definice pravidel upozornění na základě výstupu ML nebo prahových hodnot
• Použití Alertmanageru a routingu notifikací
• Spouštění skriptů nebo automatizovaných workflow při detekci anomalií

Skálování a operationalizace AIOps

• Integrace externích nástrojů pro observability (např. ELK stack, Moogsoft, Dynatrace)
• Operationalizace ML modelů v observability pipeline
• Nejlepší praktiky pro AIOps ve velkém měřítku

Shrnutí a další kroky