Hey Fedi, what do you use for monitoring your system?
I want to use Grafana for visualization, but what would be a good choice for collecting the data?

Systems to monitor:
- Linux Server
- qemu VMs
- LXC containers
- Docker containers with Docker compose (LXC)
- FreePBX Asterisk (LXC)
- OPNSense Firewall (VM)
- Execution of cronjobs
- Backups with BorgBackup

Maybe in the future:
- Energy consumption
- Heating system stats

#Monitoring #InfluxDB #Prometheus #Grafana #DuckDuckFedi

#OpenSearchAmbassador Dotan Horovits highlights key features from OpenSearch 3.5: smarter AI agents, Prometheus support in Dashboards, new PPL commands, and LLM-powered relevance judgments.

https://www.youtube.com/watch?v=siXu7UNKCgM

Which of these highlights stands out to you? Comment below.

#Prometheus #AIsearch

Mein teuflischer Plan #Grafana und entsprechende #Prometheus Datenbanken als die eine zentrale Sammelstelle für unternehmenskritische Metriken zu etablieren ist einen entscheidenden Schritt weiter!
Habe mir die Zustimmung des Storage-Teams erarbeitet mit einem #DataCore Exporter, und einem schönen Dashboard.

Das Dashboard, hier mal ein Ausschnitt, kann halt einfach mal so viel mehr, wie die DataCore UI selbst anzeigen kann.

Bisher war das einfach eine BlackBox, jetzt nicht mehr :)

ML-пайплайны в Kubernetes: от первой строки кода до автоскейлинга и за его пределами

Ваша ML-модель работает в ноутбуке, а в продакшене — нет. Бывало такое? Именно здесь начинается настоящая инженерная задача: взять эксперимент из Jupyter-ноутбука и превратить его в воспроизводимый, наблюдаемый и масштабируемый пайплайн — от сырых данных до стабильного инференса под реальной нагрузкой. Kubernetes давно стал де-факто стандартом для этой работы: более 70% компаний используют его в продакшене — это не дань хайпу, это прагматичный выбор тех, кто уже наступал на грабли. В этой статье разберем, почему K8s выигрывает у альтернатив именно для ML-нагрузок, а также обсудим какие мифы и анти-паттерны тормозят команды на пути к продакшену. Пройдемся по полному стеку: от подготовки кластера и фиксации данных через DVC до canary-деплоя модели и автоскейлинга GPU-подов. В конце вас ждет взгляд на то, куда движется индустрия: serverless-ML, multi-LLM-ops и edge-развертывания. Если вы DevOps- или MLOps-инженер, которому приходится запускать обучение и инференс в одном кластере, или R&D-инженер, чьи модели «магически ломаются» при переходе в прод — читать обязательно.

https://habr.com/ru/companies/cloud_ru/articles/1011810/

#Kubernetes #MLOps #ML_pipeline #KServe #TFX #DVC #HPA #Prometheus #Grafana #DevOps

Building a Monitoring Stack for My Homelab

https://rant.mvh.dev/building-a-monitoring-stack-for-my-homelab/

#selfhosted #monitoring #prometheus #databases #grafana #docker #homelab