Thực hiện AIOps với Prometheus, Grafana và Machine Learning Khóa Học Đào Tạo

Giới thiệu về AIOps với các Công cụ Mã nguồn mở

• Tổng quan về các khái niệm và lợi ích của AIOps
• Prometheus và Grafana trong bộ quan sát (observability stack)
• Vị trí của ML trong AIOps: Phân tích dự đoán so với phản ứng

Cài đặt và Cấu hình Prometheus và Grafana

• Cài đặt và cấu hình Prometheus cho việc thu thập chuỗi thời gian
• Tạo bảng điều khiển (dashboards) trong Grafana sử dụng các chỉ số thời gian thực
• Khám phá các bộ xuất (exporters), đánh nhãn lại (relabeling) và khám phá dịch vụ

Tiền xử lý dữ liệu cho ML

• Trích xuất và biến đổi các chỉ số Prometheus
• Chuẩn bị bộ dữ liệu cho việc phát hiện bất thường và dự báo
• Sử dụng các phép biến đổi của Grafana hoặc các đường ống Python

Áp dụng Machine Learning để Phát hiện Bất thường

• Các mô hình ML cơ bản cho việc phát hiện ngoại lai (ví dụ: Isolation Forest, One-Class SVM)
• Huấn luyện và đánh giá mô hình trên dữ liệu chuỗi thời gian
• Trực quan hóa các bất thường trong các bảng điều khiển Grafana

Dự báo Chỉ số với ML

• Xây dựng các mô hình dự báo đơn giản (ARIMA, Prophet, giới thiệu về LSTM)
• Dự đoán tải hệ thống hoặc mức sử dụng tài nguyên
• Sử dụng các dự đoán để cảnh báo sớm và ra quyết định mở rộng

Tích hợp ML với Cảnh báo và Tự động hóa

• Định nghĩa các quy tắc cảnh báo dựa trên đầu ra ML hoặc ngưỡng
• Sử dụng Alertmanager và định tuyến thông báo
• Kích hoạt các kịch bản hoặc luồng công việc tự động hóa khi phát hiện bất thường

Mở rộng và Vận hành hóa AIOps

• Tích hợp các công cụ quan sát bên ngoài (ví dụ: bộ ELK, Moogsoft, Dynatrace)
• Vận hành hóa các mô hình ML trong các đường ống quan sát
• Các thực hành tốt nhất cho AIOps ở quy mô lớn

Tóm tắt và Các Bước Tiếp Theo