Oussama El khadir

Ingénieur DevOps & Expert Elastic Stack en charge de plateformes d’observabilité critiques autour d’Elasticsearch, Kibana, Logstash, Grafana. Administration et optimisation de clusters Elasticsearch de production, automatisation des pipelines d’ingestion et industrialisation des déploiements via GitLab CI/CD, ArgoCD dans une approche GitOps. Conception et déploiement d'une plateforme APIops automatisée basée sur Kong API Gateway pour gérer le cycle de vie complet des APIs d'entreprise. Développement de pipelines CI/CD GitLab avec templates réutilisables et playbooks Ansible permettant aux équipes de déployer leurs APIs de manière standardisée sur 5 environnements (dev, int, uat, pprod, prod). Mise en place de l'observabilité avec dashboards Grafana alimentés par Prometheus pour le monitoring en temps réel des métriques d'APIs, et configuration de pipelines Logstash pour l'ingestion et la normalisation des logs. Modernisation et automatisation d’une chaîne CI/CD mainframe avec GitLab et Jenkins en remplacement des déploiements manuels via Changeman. Intégration de la stack ELK pour l’observabilité et accompagnement des équipes dans l’adoption des pratiques DevOp Support/run Kubernetes avec supervision, monitoring et résolution d’incidents.

En tant qu'expert sollicité en observabilité et alerting, j'ai analysé des données transactionnelles de l'entreprise et proposé des méthodes de détection d'anomalies, que j'ai mises en œuvre via Prometheus, Grafana, afin d'optimiser la supervision et la réactivité des équipes. – Analyse des métriques fournies (format JSON, historique mensuel) et ingestion dans Prometheus pour exploitation. – Élaboration de méthodes statistiques de détection d'anomalies adaptées. – Préconisations sur l'usage de méthodes statistiques avancées et machine learning.

Enseignant DevOps en Master 1 et 2. Contenus pédagogiques enseignés : Architecture cloud native. Infrastructure des systèmes d'information. Stratégie d'hébergement applicatif, Observabilité.

Proposition d'architecture, et création de la solution de supervision des transactions bancaires des clients utilisant les machines carte bleue de Worldline (Ingenico) et les systèmes de paiement en ligne. – Proposition d'une architecture globale de la solution. – Réalisation d'une capacity planning. – Création d'un script de génération des métriques de supervision (Python). – Création des machines Redhat8 pour Kafka, logstash, kibana, grafana, elasticsearch (Terraform). – Création des modules puppet d'installation et de configuration de kafka, logstash, kibana, grafana, elasticearch, metricbeat, filebeat. – Création et automatisation d'un cluster kafka. – Création et automatisation d'un cluster elasticsearch. – Création de pipelines Logstash pour la récupération et l'injection de données dans elasticsearch en passant par Kafka. – Construction des dashbords de supervision sur Kibana et Grafana. – Exposition des dashbords aux clients (grafana, processus réseau et sécurité, Haproxy, iptables...) – Mise en place des scripts (exporters prometheus) de monitoring de la plateforme (Python) – Mise en place des dashbords de monitoring de la plateforme (Grafana avec prometheus comme datasource) – Mise en place du processus de l'alerting sur Pagerduty. – Création d'un système de détection des anomalies basé sur des scripts de machine learning de prédiction des comportements futurs des données. (Python, Pandas, hotwinter Arima, Sarima...) – Création de playbook Ansible de maintenance des machines virtuelles et des serveurs physiques de la solution. – Documentation du projet.

Définition d'une nouvelle architecture du projet sur le cloud d'une plateforme de supervision RADÈS : LIGHTHOUSE. Amélioration de l'infrastructure du projet : migration sur le Cloud AWS – Conception et mise en œuvre d'une architecture logicielle d'une solution basée sur Elasticsearch, déployée sur AWS et gérée par Kubernetes. – Utilisation d'Elasticsearch pour le stockage et l'indexation de données, avec une intégration transparente grâce à Kubernetes et Amazon EKS (Elastic Kubernetes Service). – Dockerisation du code Python existant en utilisant des Dockerfiles, suivi du déploiement des images résultantes sur Amazon ECR (Elastic Container Registry). – Configuration d'un cluster EKS sur AWS pour héberger le système, impliquant la mise en place d'une VPC, la gestion des rôles IAM et la configuration des groupes de sécurité. – Déploiement de l'infrastructure avec Helm, en personnalisant les charts pour répondre aux exigences spécifiques du projet. – Mise en place de la communication entre différentes composantes du système, assurant un flux de données fluide de l'application Python à Elasticsearch via Logstash.

Etant donné une base de connaissances (un jeu de donnée RDF) et une classe cible qui est décrite par une propriété booléenne décrivant l'appartenance à une classe (comme l'acceptation d'un prêt), le but est de générer un ensemble de règles de la logique permettant de classifier les données de la classe cible. La génération de ces règles est faite par le système AMIE 3. – Réalisations : Transformation de la base de données : Excel vers base de connaissance, selon un modèle de graphe. – Analyse et catégorisation des données suivant les types : variables discrètes, variables continues. – Développement d'un algorithme en python qui construit des intervalles et qui trouve des seuils. – Enrichissement de la base de connaissance : Développement du modèle de graphe. – Utilisation du système AMIE 3 pour la génération des règles. Environnement technique : Python pour la data science.