使用 Prometheus、Grafana 和机器学习实现 AIOps 培训

使用开源工具介绍 AIOps

• AIOps 概念和优势概览
• 可观测性技术栈中的 Prometheus 和 Grafana
• 机器学习在 AIOps 中的位置：预测分析与反应分析

设置 Prometheus 和 Grafana

• 安装和配置 Prometheus 以收集时间序列数据
• 使用实时指标在 Grafana 中创建仪表板
• 探索导出器、重标记和服务发现

机器学习的数据预处理

• 提取和转换 Prometheus 指标
• 为异常检测和预测准备数据集
• 使用 Grafana 转换或 Python 管道

应用机器学习进行异常检测

• 用于离群点检测的基础机器学习模型（例如，孤立森林、单类支持向量机）
• 在时间序列数据上训练和评估模型
• 在 Grafana 仪表板中可视化异常

使用机器学习预测指标

• 构建简单的预测模型（ARIMA、Prophet、LSTM 简介）
• 预测系统负载或资源使用情况
• 使用预测进行早期告警和扩缩容决策

将机器学习与告警和自动化集成

• 基于机器学习输出或阈值定义告警规则
• 使用 Alertmanager 和通知路由
• 在检测到异常时触发脚本或自动化工作流

扩展和运维 AIOps

• 集成外部可观测性工具（例如，ELK 技术栈、Moogsoft、Dynatrace）
• 在可观测性管道中运维机器学习模型
• 大规模 AIOps 的最佳实践

总结与下一步