문의를 보내주셔서 감사합니다! 팀원이 곧 연락드리겠습니다.
예약을 보내주셔서 감사합니다! 저희 팀 멤버 중 한 분이 곧 연락드리겠습니다.
코스 개요
오픈소스 도구를 활용한 AIOps 소개
- AIOps의 개념과 실질적인 이점 설명
- 가시성 아키텍처 내에서의 Prometheus와 Grafana 역할
- 머신러닝이 AIOps에 기여하는 방식: 예측형 및 대응형 분석 비교
Prometheus와 Grafana 설정 방법
- 시계열 데이터 수집을 위한 Prometheus 설치 및 구성
- 실시간 메트릭을 기반으로 한 Grafana 대시보드 제작
- Exporter 활용법, 레이블 재지정 방법 및 서비스 디스커버리 기능 탐색
머신러닝을 위한 데이터 전처리 과정
- Prometheus에서 수집된 메트릭의 추출 및 변환 처리
- 이상 탐지와 예측 분석을 위한 데이터셋 준비 방법
- Grafana의 데이터 변환 기능 또는 Python 기반 파이프라인 활용법
이상 탐지를 위한 머신러닝 적용 방법
- 이단점 검출을 위한 기본적인 머신러닝 모델(예: Isolation Forest, One-Class SVM) 활용
- 시계열 데이터를 바탕으로 한 모델 훈련 및 성능 평가
- 이상 징후를 Grafana 대시보드에서 직관적으로 표현하는 방법
머신러닝을 활용한 메트릭 예측 기법
- 간단한 예측 모델(ARIMA, Prophet, LSTM 개론) 구성 방법
- 시스템 부하나 리소스 사용량의 향후 패턴을 예측하는 법
- 예측 결과를 활용해 조기 알림 설정 및 자동 스케일링 전략 수립
머신러닝과 알림 체계의 통합 방법
- 머신러닝 분석 결과 또는 설정된 임계값을 기준으로 알림 규칙 정의
- Alertmanager를 활용한 통지 경로 관리 방법
- 이상 탐지 발생 시 자동화 스크립트 또는 워크플로우 실행
AIOps의 확장성 및 운영 적용 방안
- 외부 모니터링 도구(예: ELK 스택, Moogsoft, Dynatrace)와의 연동 방법
- 가시성 파이프라인 내에서 머신러닝 모델을 지속적으로 활용하는 방안
- 대규모 환경에서의 AIOps 운영에 필요한 모범 사례들
요약 및 향후 실행 계획 안내
요건
- 시스템 모니터링 및 가시성 관련 개념에 대한 이해
- Grafana 또는 Prometheus 사용 경험이 있어야 합니다.
- Python 활용 능력과 기초적인 머신러닝 원리에 대한 지식이 필요합니다.
대상 수강생
- 가시성 관련 엔지니어
- 인프라 및 DevOps 팀원들
- 모니터링 플랫폼 설계자 및 사이트 신뢰성 엔지니어(SRE)
14 시간
