Kurzusleírás
1. modul: Mikroszolgáltatások tervezése
• Hatékony mikroszolgáltatás határok
• Domain Driven Design (DDD) használata
• Alternatívák az üzleti domain határokhoz (Volatilitás, Adatok, Technológia, Szervezeti)
• A monolit felbontása
• Korai dekompozíció
• Dekompozíció rétegek szerint
• Dekompozíciós minták használata (Strangler, Párhuzamos Futtatás, Funkció Kapcsoló)
• Adat dekompozíciós aggályok (Teljesítmény, Integritás, Tranzakciók)
2. modul: Docker és a futásidejű optimalizálása
• A megfelelő alapkép kiválasztása
• A rétegek számának minimalizálása
• Többszintű build-ek használata
• Képoptimalizálás (többsoros argumentumok rendezése stb.)
• A build gyorsítótár kihasználása
• Képverziók rögzítése
• Erőforrás lefoglalás finomhangolása
• Biztonságos konténer gyakorlatok
• Futásidejű konfiguráció a teljesítmény érdekében
3. modul: Kubernetes & Kiadási stratégiák
Kubernetes üzembehelyezések áttekintése
• Kezdeti üzembehelyezés létrehozása és végrehajtása
• Kubernetes üzembehelyezési lehetőségek
Rolling Update üzembehelyezések végrehajtása
• A Rolling Update megértése
• Rolling Update létrehozása és végrehajtása
• Üzembehelyezés visszaállítása
Canary üzembehelyezések végrehajtása
• A Canary üzembehelyezések megértése
• Canary üzembehelyezés létrehozása és végrehajtása
Blue-Green üzembehelyezések végrehajtása
• A Blue-Green üzembehelyezések megértése
• Blue-Green üzembehelyezés létrehozása és végrehajtása
Jobs és CronJobs futtatása
• Job és CronJob létrehozása
Monitorozási és hibaelhárítási feladatok végrehajtása
• Hibaelhárítási technikák kubectl segítségével
4. modul: Automatizálás & Műveleti hatékonyság
Python használata gyakori feladatok automatizálásához Kubernetesben
• Python használata adminisztratív műveletek végrehajtásához Kubernetesben
• Python használata konfigurációs objektumok definiálásához
• Python használata üzembehelyezési objektumok létrehozásához
• Kubernetes események figyelése Python segítségével
• Üzembehelyezés skálázása Python segítségével
Az üzembehelyezések automatizálásának kihívásai
• Deklaratív konfiguráció Kubernetesben
• A konfiguráció integritásának kezelése
GitOps megközelítés használata üzembehelyezések automatizálásához
• GitOps alapelvek
• Flux bemutatása
• Flux telepítése Kubernetes klaszterbe
Flux konfigurálása automatizált üzembehelyezésekhez
• Értesítések használata
• A forrás repó struktúrája
Alkalmazásfrissítések kezelése képautomatizálással
• Alkalmazás üzembehelyezés frissítése Flux segítségével
• Konténer kép repók beolvasása címkékhez
• Szabályzat meghatározása a legújabb kép kiválasztásához
• Flux konfigurálása automatikus képfrissítésekhez
5. modul: Megfigyelhetőség & Gyökér ok tisztázása
Kubernetes naplózási és nyomkövetési képességek
• Miért fontos a naplózás és a nyomkövetés
• A Kubernetes naplók elérése
• Pód és konténer naplók
• Vezérlősík naplói
• Csomópontok és pódok erőforrás-használata
Naplók gyűjtése és elemzése
• Napló aggregáció
• Napló vizualizáció
Elosztott nyomkövetés Kubernetesben
• Mi az elosztott nyomkövetés
• OpenTelemetry használata
• Elosztott nyomkövetési eszközök
• Alkalmazás instrumentálása
• Nyomkövetés használata teljesítményproblémák felderítéséhez
Monitorozás Prometheus és Grafana segítségével
• Megfigyelhetőségi fogalmak
• Monitorozási eszközök
• Prometheus instrumentáció használata
Speciális esetek a naplózásban
• Naplók feldolgozása
• Naplók szűrése és bővítése
• Eseményforrás
6. modul: Klaszter krízis szimuláció & Incidenskezelés
• A különböző típusú hibák megértése klaszter környezetben
• Csomópont meghibásodás szimulálása
• Pód kiürítés & Erőforrás kimerülés forgatókönyv
• Hálózati problémák
• DNS hibák alkalmazás időtúllépés kezeléséhez
• API szerver leállás szimulálása
• Magas forgalom szimulálása rendszer stabilitás érdekében
• Tároló meghibásodás
• Konfigurációs hibák
• Incidensjelentési eljárások megértése
7. modul: MI támogatás a hibaelhárításban
• A generatív MI előnyei Kuberneteshez
• K8sGPT CLI architektúra
• A K8sGPT CLI telepítése
• K8sGPT parancsok és használat
• K8sGPT elemzők használata (podAnalyzer, pvcAnalyzer, rsAnalyzer stb.)
• Klaszter elemzése K8sGPT segítségével
• Valós idejű problémák elemzése K8sGPT segítségével
• Klaszteren belüli operátor K8sGPT-hez
Követelmények
- Alapvető ismeretek a Linux parancssorról
- Tapasztalat alkalmazásfejlesztésben vagy rendszeradminisztrációban
- Ismeret a konténerek területén (Docker fogalmak)
- Alapvető ismeretek a Kubernetes fogalmairól (pódok, üzembehelyezések, szolgáltatások)
- Általános ismeretek a szoftverarchitektúráról (pl. API-k, szolgáltatások)
Célközönség:
- DevOps mérnökök
- Site Reliability Engineers (SRE-k)
- Backend / Szoftverfejlesztők, akik mikroszolgáltatásokkal dolgoznak
- Felhőmérnökök és Platformmérnökök
-
Rendszeradminisztrátorok, akik Kubernetes környezetekre váltanak
Vélemények (1)
valós életbeli példák
Maria - Fundacja PTA
Kurzus - Mastering Make: Advanced Workflow Automation and Optimization
Gépi fordítás