Log ve veriyi ayrıştır, zenginleştir ve besle
Elastic Stack'in Logstash bileşenini pipeline mimarisi, Grok ayrıştırma, filtre eklentileri ve Elasticsearch'e dayanıklı veri beslemeyle uygulamalı öğreten orta seviye eğitim.
Logstash pipeline, input/filter/output, Grok ayrıştırma ve veri zenginleştirme
Bu orta seviye eğitim, Elastic Stack'in veri işleme bileşeni Logstash'i uçtan uca ele alır. Katılımcılar Logstash pipeline mimarisini (input, filter, output), yapılandırma dilini ve olay (event) modelini öğrenir. Ardından file, beats, kafka, jdbc ve http gibi input eklentileri, Grok ile yapılandırılmamış log ayrıştırma, mutate, date, geoip, dissect ve json filtreleri, koşullu işleme, veri zenginleştirme ve Elasticsearch output ele alınır. Çoklu pipeline, kalıcı kuyruk (persistent queue), ölü mektup kuyruğu (dead letter queue), performans ayarı ve Filebeat ile karşılaştırma uygulamalı işlenir.
2 Gün. Her gün dört modül; katılımcılar pipeline temelinden ayrıştırma ve üretim ayarlarına ilerler.
Orta Seviye — Logstash ile veri alma: input/filter/output pipeline, Grok ayrıştırma, dönüştürme ve Elasticsearch'e besleme.
Katılımcılar gerçek log dosyalarını Grok ile ayrıştırıp Elasticsearch'e besleyen pipeline'lar kurarak öğrenir.
Input-filter-output yapısıyla her kaynaktan veriyi işleyebilirsiniz.
Yapılandırılmamış logları Grok desenleriyle yapılandırılmış alanlara dönüştürürsünüz.
GeoIP ve lookup ile veriyi bağlamla zenginleştirirsiniz.
Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri
Komut satırı ve dosya yönetimi beklenir.
Log formatları ve düzenli ifade (regex) sezgisi faydalıdır.
Logstash ve Elasticsearch kurulu bir ortam gereklidir.
Temel yapılandırma dosyası okuma becerisi faydalıdır.
Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.
Program sonunda katılımcılar:
Input-filter-output yapısında Logstash pipeline kurarsınız.
File, beats, kafka ve jdbc input'larıyla veri alırsınız.
Event ve alan yapısıyla doğru biçimde çalışırsınız.
Grok desenleriyle yapılandırılmamış logları ayrıştırırsınız.
mutate, date, geoip ve translate ile veriyi dönüştürürsünüz.
Veriyi indeks ve data stream'e doğru biçimde beslersiniz.
Persistent queue ve DLQ ile veri kaybını önlersiniz.
Worker ve batch ayarıyla pipeline performansını iyileştirirsiniz.
Bu eğitim Digital Vizyon Akademi Başarı Sertifikası ile tamamlanır.
Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.
Veri hazırlama, SQL analizi, yıldız şema modelleme, pano tasarımı ve görselleştirme ilkeleriyle ham veriyi karar destekleyen raporlara dönüştürmeyi öğrenin.
Detayları Gör →
Tam popülasyon testi, mükerrer ödeme, Benford analizi, görev ayrılığı ve sürekli izlemeyle veri destekli denetim ve inceleme tekniklerini uygulamalı öğrenin.
Detayları Gör →
Dağıtık depolama, replikasyon, bölümleme, tutarlılık modelleri ve akış işlemeyle veri-yoğun uygulamalar için ölçeklenebilir platform mühendisliğini öğrenin.
Detayları Gör →
Google Cloud Vertex AI Forecasting ve BigQuery ML ARIMA_PLUS ile talep tahmini, quantile tahmin, backtest ve üretime almayı uygulamalı öğrenin.
Detayları Gör →
Virginia VCDPA kapsamı, veri sorumlusu/işleyen yükümlülükleri, tüketici hakları, rıza ve uyum programını CCPA ve GDPR karşılaştırmasıyla öğrenin.
Detayları Gör →