使用 Prometheus、Grafana 和 ML 實作 AIOps培訓

使用開源工具介紹 AIOps

• AIOps 概念與益處概觀
• 可觀察性堆疊中的 Prometheus 和 Grafana
• ML 在 AIOps 中的角色：預測性分析與反應式分析

設定 Prometheus 和 Grafana

• 安裝並設定 Prometheus 以進行時間序列收集
• 使用即時指標在 Grafana 中創建儀表板
• 探索導出器（exporters）、重新標記（relabeling）和服務發現

針對 ML 的數據預處理

• 提取和轉換 Prometheus 指標
• 準備用於異常檢測和預測的數據集
• 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本 ML 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 ML 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率
• 利用預測結果進行早期告警和擴縮容決策

整合 ML 至告警與自動化

• 基於 ML 輸出或閾值定義告警規則
• 使用 Alertmanager 和通知路由
• 在檢測到異常時觸發腳本或自動化工作流程

擴展和運維化 AIOps

• 整合外部可觀察性工具（例如：ELK stack、Moogsoft、Dynatrace）
• 在可觀察性管道中運維化 ML 模型
• 大規模 AIOps 的最佳實踐

總結與後續步驟