Prometheus, Grafana ve ML ile AIOps Uygulaması Eğitimi

Açık Kaynak Araçlarla AIOps’a Giriş

• AIOps kavramlarının ve faydalarının genel bakışı
• Gözlemlenebilirlik yığında Prometheus ve Grafana’nın yeri
• AIOps’te ML’nin rolü: Öngörüsel ve reaktif analitik

Prometheus ve Grafana’nın Kurulması

• Zaman serisi veri toplama için Prometheus’un kurulumu ve yapılandırılması
• Grafana’da gerçek zamanlı metrikler kullanılarak panoların oluşturulması
• Exporter’lar, yeniden etiketleme ve servis keşfini keşfetme

ML İçin Veri Ön İşleme

• Prometheus metriklerinin çıkarılması ve dönüştürülmesi
• Anomali tespiti ve öngörü için veri kümelerinin hazırlanması
• Grafana dönüşümlerinin veya Python boru hatlarının kullanılması

Anomali Tespiti İçin Makine Öğrenmesi Uygulaması

• Aykırı değer tespiti için temel ML modelleri (ör. Isolation Forest, One-Class SVM)
• Zaman serisi verilerinde modellerin eğitilmesi ve değerlendirilmesi
• Anomalilerin Grafana panolarında görselleştirilmesi

Metriklerin ML ile Öngörülmesi

• Basit öngörü modelleri oluşturma (ARIMA, Prophet, LSTM tanıtımı)
• Sistem yükünün veya kaynak kullanımının tahmini
• Erken uyarı ve ölçeklendirme kararları için tahminlerin kullanılması

ML’nin Uyarı ve Otomasyonla Entegrasyonu

• ML çıktısı veya eşik değerlerine dayalı uyarı kurallarının tanımlanması
• Alertmanager ve bildirim yönlendirmesinin kullanılması
• Anomali tespitinde script veya otomasyon iş akışlarının tetiklenmesi

AIOps’un Ölçeklenmesi ve Operasyona Alınması

• Dış gözlemlenebilirlik araçlarının entegrasyonu (ör. ELK yığını, Moogsoft, Dynatrace)
• Gözlemlenebilirlik boru hatlarında ML modellerinin operasyona alınması
• Ölçekli AIOps için en iyi uygulamalar

Özet ve Sonraki Adımlar