Corso Elasticsearch ELK
Corso Elasticsearch ELK. ELK è l’acronimo dello stack che racchiude tre tecnologie: Elasticsearch, Logstash e Kibana. Questi tre elementi insieme vengono utilizzati molto nell’ambito big data per la gestione di grandi volumi di dati, costituendo una suite completa per l’analisi real time.
Inizialmente lo stack ELK nasce per la gestione efficace dei log, ottimo per identificare e risolvere i problemi di una infrastruttura IT, cosi da mantenere elevati i livelli di performance e sicurezza. Negli ultimi anni le tecnologie dello stack ELK si sono evolute diventando uno strumento ideale per la gestione di un’ampia gamma di dati. La si può considerare una suite integrata (prodotti Elastic.co) che consente di trasformare i dati grezzi in informazioni significative. L’ELK viene utilizzato anche nell’ambito della Business Intelligence (BI).
Elasticsearch è un motore di ricerca e analisi distribuito. E’ ottimo per la gestione di grandi dati e le sue caratteristiche sono:
- scalabilità ed affidabilità per grandi dataset
- consente funzioni di ricerca full-text
- indicizzazione efficiente per il recupero dati veloce
Logstash è il componente dello stack ELK per l’elaborazione dei dati. E’ utilizzato per la raccolta, l’arricchimento ed il trasporto dei dati. Consente di gestire una vastità di dati da fonti diversi, compresi i log strutturati e non strutturati. Una importante caratteristica di Logstash è che possiede numerosi plugin che permette di estendere le funzionalità con personalizzazioni che si adattano a varie esigenze.
Kibana infine è lo strumento di visualizzazione dei dati, ovvero l’interfaccia utente. Consente di creare dashboard e di trasformare i dati in formati visuali di facile comprensione come grafici, diagrammi dinamici per l’analisi approfondita dei dati in tempo reale. Kibana ha un’interfaccia intuitiva con molte opzioni di personalizzazione.
Lo stack Elasticsearch, Logstash e Kibana (ELK) viene impiegato per risolvere le complesse sfide dei Big Data. Vedi gli altri corsi Big Data QUI.
Corso Elasticsearch ELK: fornire le basi per lavorare con lo stack ELK – Elasticsearch, Logstash, Kibana e Beats. Imparare l’installazione, la configurazione e l’uso pratico di ogni componente per una gestione efficiente dei dati, l’analisi e la visualizzazione.
Requisiti per i discenti: conoscenza base dei comandi Basch/Powershell; consigliabile ma non indispensabile conoscenze JSON
Corso Elasticsearch ELK erogato solo su richiesta e per le aziende, anche in modalità Online-Classe Virtuale
Vuoi essere ricontattato?
Lasciaci il tuo numero telefonico e la tua email, ti richiameremo nelle 24h:
Errore: Modulo di contatto non trovato.
PROGRAMMA Corso Elasticsearch ELK (32 ore):
Modulo 1: Architettura e Fondamenti
- Evoluzione dello Stack: Da ELK a Elastic Stack (Elasticsearch, Kibana, Logstash, Beats, Elastic Agent).
- Architettura Distribuita: Nodi, Ruoli (Master, Data, Ingest), Shard e Repliche.
- Novità delle ultime versioni: Focus su performance e scalabilità.
- Pianificazione delle risorse: Calcolare storage e RAM per un cluster aziendale.
Modulo 2: Installazione, Sicurezza e Setup
- Installazione 8.x/9.x: Setup su Linux/Docker.
- Security-First: Configurazione dei certificati CA, interazione con
elasticsearch-setup-passwordseenrollment tokens. - Kibana Setup: Connessione sicura al cluster e configurazione iniziale.
- Laboratorio: Installazione di un cluster a nodo singolo pronto per la produzione.
Modulo 3: Elasticsearch & ESQL
- Data Modeling: Mapping dinamico vs esplicito, tipi di dato (Keyword, Text, Dense Vector per ricerca semantica leggera).
- Data Streams: Gestire dati temporali in modo moderno.
- Linguaggi di Interrogazione: Query DSL: Le basi (Match, Term, Bool); ESQL (Nuovo): Utilizzare il linguaggio a pipe per trasformare i dati in tempo reale.
- Aggregazioni: Metric, Bucket e Pipeline aggregations.
- Search API & Cluster Health: Monitorare lo stato del cluster via API.
Modulo 4: Kibana & Observability
- Kibana Discover: Esplorazione avanzata dei log con ESQL e filtri KQL.
- Kibana Lens: Creare dashboard complesse con il drag-and-drop.
- Gestione Indici: Configurazione di Index Lifecycle Management (ILM) per lo spostamento automatico dei dati tra storage Hot, Warm e Cold.
- Alerting Moderno: Creare regole di notifica (Slack, Email, Webhook) tramite la sezione Stack Management (evoluzione del vecchio Watcher).
Modulo 5: Ingestione Dati con Logstash
- Ruolo di Logstash oggi: Quando usarlo rispetto all’Ingest Pipeline.
- Architettura della Pipeline: Input (File, Syslog, Beats, HTTP), Filter (Grok, Dissect, Mutate, GeoIP), Output (Elasticsearch).
- Queue Management: Gestione della persistenza (Persistent Queues) e gestione dei fallimenti (Dead Letter Queues).
- Laboratorio: Parsing di log complessi
Modulo 6: Elastic Agent, Fleet e Beats
- L’era post-Beats: Introduzione a Elastic Agent e Fleet Server.
- Centralized Management: Configurazione delle “Integrations” (Nginx, Windows, Linux) senza toccare file YAML.
- Beats (Legacy & Specifici): Quando usare ancora Filebeat e Metricbeat.
- Esercitazione Finale: Creazione di una pipeline end-to-end: Elastic Agent -> Elasticsearch -> Dashboard Kibana.
Modulo 7: Introduzione all’Automazione Agentica
Integrare Elastic Stack + n8n + LLM (Ollama) per costruire workflow agentici autonomi in grado di:
- analizzare log in tempo reale
- classificare eventi
- generare alert intelligenti
- attivare azioni automatiche
- Cos’è un workflow agentico
- Differenza tra:
automazione classica (if/else)
automazione con LLM (decision making) - Architettura:
Elasticsearch: fonte dati
n8n: orchestrazione
Ollama: motore decisionale locale