- 1. Die Philosophie des LGTM-Stacks
- The Three Pillars: Metriken, Logs und Traces in einer einheitlichen Korrelations-Engine.
- Open Source vs. Commercial: Kostenstruktur und Flexibilität im Vergleich zu Datadog/Splunk.
- Das Interface: Grafana als "Single Pane of Glass" für alle Datenquellen.
- 2. Grafana: Visualisierung und Korrelation
- Advanced Dashboarding: Dynamische Variablen, Ad-hoc-Filter und Library Panels.
- Data Links: Die Magie der Verknüpfung - mit einem Klick von der Metrik zum Log-Snippet.
- Alerting: Zentrales Alarm-Management über alle LGTM-Komponenten hinweg.
- 3. Loki: Log-Aggregation "Like Prometheus"
- Index-Strategie: Warum Loki nur Labels indiziert und wie das Speicherkosten spart.
- LogQL: Die Abfragesprache für Logs - Filtern, Parsen und Metriken aus Logs generieren.
- Promtail & Alloy: Effizientes Sammeln von Logs in Kubernetes- und VM-Umgebungen.
- 4. Mimir: Skalierbarer Long-term Metrics Storage
- Architektur: Wie Mimir Milliarden von aktiven Zeitreihen über Microservices verwaltet.
- PromQL-Kompatibilität: Nahtlose Migration von bestehenden Prometheus-Instanzen.
- Multi-Tenancy: Isolation von Daten für verschiedene Teams oder Kunden.
- 5. Tempo: Distributed Tracing ohne Overhead
- Trace Discovery: Finden von Traces via Logs oder Metriken (Service Graphs).
- Storage-Effizienz: Massives Tracing ohne teure Backend-Datenbanken (Object Storage).
- Instrumentierung: Kurzer Einblick in OpenTelemetry (OTel) als Datenlieferant.
- 6. Daten-Korrelation in der Praxis
- Exemplars: Die direkte Verbindung von Metrik-Punkten zu spezifischen Traces.
- Unified Querying: Komplexe Analysen über mehrere Datenquellen hinweg.
- Context-Switching: Fehleranalyse ohne Medienbruch zwischen verschiedenen Tools.
- 7. Deployment und Skalierung (Kubernetes)
- Helm Charts & Jsonnet: Best Practices für das Deployment des Stacks.
- Object Storage: Nutzung von S3, GCS oder Azure Blob für minimale Betriebskosten.
- High Availability: Read/Write-Pfad Trennung für maximale Ausfallsicherheit.
- 8. Performance-Tuning und Maintenance
- Caching-Strategien: Einsatz von Memcached zur Beschleunigung von Abfragen.
- Retention Policies: Wie man Speicherplatz durch intelligente Löschregeln optimiert.
- Monitoring the Monitor: Den LGTM-Stack selbst mit Metriken überwachen.
- 9. Praxis-Simulation: "The Golden Signal Challenge"
- Workshop: Aufbau einer kompletten Pipeline von der Applikation bis zum Dashboard.
- Troubleshooting-Task: Finden eines Fehlers in einer Microservice-Kette mittels Trace-ID aus einem Log-Eintrag.
- Design-Task: Erstellung eines SRE-Dashboards, das die 4 Golden Signals visualisiert.
- Final Audit: Kosten-Nutzen-Analyse und Migrations-Roadmap.
LernzieleDie Teilnehmenden erlernen die Installation, Konfiguration und Verknüpfung der LGTM-Komponenten. Ziel ist es, Dashboards zu erstellen, die Metriken aus Mimir direkt mit Logs in Loki und Traces in Tempo verknüpfen, um die Ursachenanalyse (Root Cause Analysis) drastisch zu beschleunigen und gleichzeitig die Speicherkosten gegenüber kommerziellen Tools zu senken.
Zielgruppen- DevOps & Site Reliability Engineers (SRE): Zur Implementierung tiefer Einblicke in verteilte Systeme.
- Systemarchitekten: Zur Planung kosteneffizienter und skalierbarer Monitoring-Lösungen.
- Cloud Engineers: Zur Überwachung von Kubernetes- und Microservice-Landschaften.
- IT-Betriebsleiter: Zur Evaluation von Open-Source-Alternativen zu teuren SaaS-Tools
