Add practical examples to multiple files

- LF9-03 Virtualisierung: Docker Compose + Volume examples
- LF6-02 Frontend: To-Do list practical example
- LF8-04 ETL: Complete ETL pipeline example
- LF6-04 Sicherheit: Express.js security headers
- LF2-04 Nutzwertanalyse: Cloud provider selection example
- LF9-04 Monitoring: Prometheus alerts + Python logging

2-Ausbildungsjahr/LF8-Datenintegration/LF8-04-ETL-Prozesse.md

@@ -207,6 +207,81 @@ ETL - Fehlerstrategien
 
 ---
 
+## Praktisches Beispiel: Vollständiger ETL-Pipeline
+
+```python
+import pandas as pd
+import requests
+from sqlalchemy import create_engine
+import logging
+
+# Logging konfigurieren
+logging.basicConfig(level=logging.INFO)
+logger = logging.getLogger(__name__)
+
+def etl_pipeline():
+    """
+    Vollständiger ETL-Pipeline für Verkaufsdaten
+    """
+
+    # === EXTRACT ===
+    logger.info("Starte Extraktion...")
+
+    # Aus CSV
+    kunden_df = pd.read_csv('daten/kunden.csv')
+    bestellungen_df = pd.read_csv('daten/bestellungen.csv')
+
+    # Aus API
+    try:
+        response = requests.get('https://api.shop.de/produkte', timeout=30)
+        produkte_df = pd.DataFrame(response.json())
+    except Exception as e:
+        logger.error(f"API Fehler: {e}")
+        produkte_df = pd.DataFrame()
+
+    logger.info(f"Extrahiert: {len(kunden_df)} Kunden, {len(bestellungen_df)} Bestellungen")
+
+    # === TRANSFORM ===
+    logger.info("Starte Transformation...")
+
+    # Daten bereinigen
+    kunden_df = kunden_df.drop_duplicates()
+    kunden_df['email'] = kunden_df['email'].str.lower().str.strip()
+    kunden_df['erstellt_am'] = pd.to_datetime(kunden_df['erstellt_am'])
+
+    # Berechnungen
+    bestellungen_df['umsatz_mit_mwst'] = bestellungen_df['umsatz_netto'] * 1.19
+
+    # JOIN: Bestellungen mit Kunden verbinden
+    merged_df = bestellungen_df.merge(
+        kunden_df[['kunden_id', 'name', 'stadt']],
+        on='kunden_id',
+        how='left'
+    )
+
+    # Aggregation: Umsatz pro Stadt
+    umsatz_pro_stadt = merged_df.groupby('stadt')['umsatz_netto'].sum().reset_index()
+
+    logger.info(f"Transformation abgeschlossen: {len(merged_df)} Datensätze")
+
+    # === LOAD ===
+    logger.info("Starte Laden...")
+
+    # Datenbank-Verbindung
+    engine = create_engine('postgresql://user:pass@localhost:5432/warehouse')
+
+    # In Datenbank laden
+    merged_df.to_sql('fact_bestellungen', engine, if_exists='replace', index=False)
+    umsatz_pro_stadt.to_sql('dim_umsatz_stadt', engine, if_exists='replace', index=False)
+
+    logger.info("ETL Pipeline erfolgreich abgeschlossen!")
+
+if __name__ == '__main__':
+    etl_pipeline()
+```
+
+---
+
 ## Querverweise
 
 - [[LF8-03-Datenformate|Zurück: Datenformate]]

2-Ausbildungsjahr/LF9-Netzwerke-Dienste/LF9-03-Virtualisierung.md

@@ -108,6 +108,59 @@ EXPOSE 3000
 CMD ["node", "server.js"]
 ```
 
+### Praktisches Beispiel: Docker Compose
+
+```yaml
+# docker-compose.yml
+version: '3.8'
+
+services:
+  # Webanwendung
+  app:
+    build: .
+    ports:
+      - "3000:3000"
+    environment:
+      - DATABASE_URL=postgres://db:5432/webapp
+    depends_on:
+      - db
+      - redis
+
+  # Datenbank
+  db:
+    image: postgres:15-alpine
+    volumes:
+      - db_data:/var/lib/postgresql/data
+    environment:
+      - POSTGRES_PASSWORD=geheim
+      - POSTGRES_DB=webapp
+
+  # Cache
+  redis:
+    image: redis:7-alpine
+    ports:
+      - "6379:6379"
+
+volumes:
+  db_data:
+```
+
+### Praktisches Beispiel: Docker Volume
+
+```bash
+# Volume erstellen
+docker volume create mydata
+
+# Volume einhängen
+docker run -v mydata:/data ubuntu
+
+# Volumes auflisten
+docker volume ls
+
+# Unbenutzte Volumes löschen
+docker volume prune
+```
+
 ---
 
 ## Kubernetes

2-Ausbildungsjahr/LF9-Netzwerke-Dienste/LF9-04-Monitoring.md

@@ -61,6 +61,73 @@ scrape_configs:
       - targets: ['localhost:9100']
 ```
 
+### Praktisches Beispiel: Alert-Regeln
+
+```yaml
+# alerts.yml
+groups:
+- name: server_alerts
+  rules:
+  # Hohe CPU-Auslastung
+  - alert: HighCPU
+    expr: 100 - (avg by (instance) (rate(node_cpu_seconds_total{mode="idle"}[5m])) * 100) > 80
+    for: 5m
+    labels:
+      severity: warning
+    annotations:
+      summary: "Hohe CPU-Auslastung auf {{ $labels.instance }}"
+      description: "CPU Auslastung ist seit 5 Minuten über 80%"
+
+  # Wenig Speicherplatz
+  - alert: DiskSpaceLow
+    expr: (node_filesystem_avail_bytes{mountpoint="/"} / node_filesystem_size_bytes{mountpoint="/"}) * 100 < 10
+    for: 2m
+    labels:
+      severity: critical
+    annotations:
+      summary: "Wenig Speicherplatz auf {{ $labels.instance }}"
+
+  # Service ausgefallen
+  - alert: ServiceDown
+    expr: up == 0
+    for: 1m
+    labels:
+      severity: critical
+    annotations:
+      summary: "{{ $labels.job }} Service ausgefallen"
+```
+
+### Praktisches Beispiel: Python Logging
+
+```python
+import logging
+import logging.handlers
+import sys
+
+# Logger konfigurieren
+logging.basicConfig(
+    level=logging.INFO,
+    format='%(asctime)s - %(name)s - %(levelname)s - %(message)s',
+    handlers=[
+        logging.StreamHandler(sys.stdout),
+        logging.handlers.RotatingFileHandler(
+            'app.log',
+            maxBytes=10_000_000,  # 10 MB
+            backupCount=5
+        )
+    ]
+)
+
+logger = logging.getLogger(__name__)
+
+# Log-Ebenen nutzen
+logger.debug("Detaillierte Debug-Info")
+logger.info("Anwendung gestartet")
+logger.warning("Warnung: Konfiguration fehlt")
+logger.error("Fehler: Datenbank nicht erreichbar")
+logger.critical("Kritisch: System muss heruntergefahren werden")
+```
+
 ### Grafana Dashboard
 
 ```