使用 Prometheus、Grafana 與機器學習實施 AIOps培訓

使用開源工具入門 AIOps

• AIOps 概念與優勢概述
• Prometheus 和 Grafana 在可觀察性堆疊中的角色
• 機器學習在 AIOps 中的定位：預測性分析 vs. 反應性分析

設定 Prometheus 和 Grafana

• 安裝並配置 Prometheus 以進行時間序列數據收集
• 使用即時指標在 Grafana 中創建儀表板
• 探索出口器 (exporters)、重新標記 (relabeling) 和服務發現

機器學習數據預處理

• 提取並轉換 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

• 用於離群值檢測的基礎機器學習模型 (例如，Isolation Forest、One-Class SVM)
• 在時間序列數據上訓練和評估模型
• 在 Grafana 儀表板中視覺化異常

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
• 利用預測進行早期警報和擴展決策

整合機器學習於警報與自動化

• 基於機器學習輸出或閾值定義警報規則
• 使用 Alertmanager 和通知路由
• 觸發腳本或自動化工作流程以應對異常檢測

擴展與運維 AIOps

• 整合外部可觀察性工具 (例如，ELK 堆疊、Moogsoft、Dynatrace)
• 在可觀察性管道中運維機器學習模型
• AIOps 規模化的最佳實務

總結與下一步驟