Kurzusleírás
1. modul: Mikroszolgáltatások tervezése
• Eredetesen jó mikroszolgáltatási határ
• Domain-vezérelt tervezés (DDD) alkalmazása
• Üzleti domainhatárok alternatívái (Volatilitás, Adat, Technológia, Szervezeti)
• A monolit felosztása
• Túl korai dekompozíció
• Dekompozíció rétegenként
• Dekompozíciós minták használata (Strangler, párhuzamos futás, Feature Toggle)
• Adatdekompozícióval kapcsolatos aggályok (Teljesítmény, Egészségesség, Tranzakciók)
2. modul: Docker és a futtatókörnyezet optimalizálása
• Megfelelő alapkép választása
• A rétegek számára minimalizálása
• Többlépéses buildelések alkalmazása
• Képek optimalizálása (több soros argumentumok rendezése stb.)
• A build-cache kihasználása
• Képp-verziók rögzítése (pinning)
• Erőforrás-allokáció finomhangolása
• Biztonságos konténer gyakorlatok
• Teljesítményre optimalizált futtatási konfigurációk
3. modul: Kubernetes & Kiadási stratégiák
Kubernetes üzemeltetések áttekintése
• Első üzembe helyezés létrehozása és végrehajtása
• Kubernetes üzemeltetési lehetőségek
Roll-over frissítések végrehajtása
• Roll-over frissítés megértése
• Roll-over frissítés létrehozása és végrehajtása
• Frissítések visszavonása
Canary kiadások végrehajtása
• Canary kiadás megértése
• Canary kiadás létrehozása és végrehajtása
Blue-green üzembe helyezés végrehajtása
• Blue-green üzembe helyezés megértése
• Blue-green üzembe helyezés létrehozása és végrehajtása
Feladatok (Jobs) és CronJobok futtatása
• Job és CronJob létrehozása
Felhagyás és hibaelhárítási feladatok végrehajtása
• Hibaelhárítási technikák kubectl segítségével
4. modul: Automatizálás & Operatív hatékonyság
Gyakori Kubernetes feladatok automatizálása Pythonnal
• Alapvető adminisztratív műveletek végrehajtása Pythonban a Kubernetesen
• Konfigurációs objektumok definiálása Pythonban
• Üzemeltetési objektumok létrehozása Pythonban
• Kubernetes-események figyelése Python segítségével
• Üzemeltetések skálázása Pythonnal
Az üzemeltetések automatizálásának kihívásainak megértése
• Deklaratív konfiguráció a Kubernetesben
• A konfiguráció integritásának kezelése
GitOps megközelítés alkalmazása az üzemeltetések automatizálására
• GitOps elvek
• A Flux bemutatása
• Flux telepítése egy Kubernetes klaszterbe
A Flux konfigurálása automatikus üzembe helyezésekhez
• Értesítések használata
• Forráskód tároló szerkezete
Aplikációs frissítések kezelése a képalapú automatizálás segítségével
• Alkalmazás-üzemeltetés frissítése Flux-kal
• Konténerkép-tárolók vizsgálata címkék alapján
• A „legújabb kép” kiválasztására vonatkozó szabályzat meghatározása
• Flux konfigurálása automatikus képfelülvizsgálatra
5. modul: Megfigyelhetőség & Ok-okozati tisztázás
Kubernetes naplózás és követés képességei
• Miért fontos a naplózás és a követés
• Kubernetes-naplók elérése
• Pod- és konténer-logok
• Vezérlőréteg-naplók
• Csomópontok és podok erőforrás-felhasználása
Naplók gyűjtése és elemzése
• Naplóaggregáció
• Logvizualizáció
Elosztott követés (Distributed Tracing) a Kubernetesben
• Mit jelent az elosztott követés?
• OpenTelemetry használata
• Követési eszközök
• Alkalmazások instrumentálása
• Követési módszerek alkalmazása teljesítményproblémák felderítésére
Felhagyás Prometheus és Grafana segítségével
• Megfigyelhetőségi fogalmak
• Felügyeleti eszközök
• Prometheus instrumentáció használata
Fejlett naplózási esetek
• Naplófeldolgozás
• Naplók szűrése és gazdagítása
• Eseményforrás (Event Sourcing)
6. modul: Klaszterkrízis-szimuláció & incidenskezelés
• Különböző típusú hibák megértése klaszterkörnyezetben
• Csomóponthibák szimulálása
• Pod kizárások és erőforrás-kimerülés forgatókönyve
• Hálózati problémák
• DNS hibák az alkalmazás-időkezelés szempontjából
• API-kiszolgáló leállásának szimulálása
• Magas terhelés szimulálása a rendszer stabilitásának tesztelésére
• Tárolási hiba
• Konfigurációs hibák
• Incidenskezelési jelentéskövetési eljárások megértése
7. modul: AI támogatás a hibaelhárításhoz
• A generatív AI előnyei a Kubernetesben
• A K8sGPT CLI architektúrája
• A K8sGPT CLI telepítése
• A K8sGPT parancsai és használata
• A K8sGPT-analizátorok (podAnalyzer, pvcAnalyzer, rsAnalyzer stb.) használata
• A klaszter elemzése K8sGPT segítségével
• Valós idejű problémák elemzése K8sGPT segítségével
• In-cluster operátor a K8sGPT-hez
Követelmények
- Alapvető Linux parancssori tudás
- Tapasztalat alkalmazásfejlesztésben vagy rendszergazdai feladatok ellátásában
- Konténerekkel kapcsolatos jártasság (Docker fogalmak)
- Alapvető Kubernetes tudás (podok, üzemeltetések, szolgáltatások)
- Általános szoftverarchitektúra ismeretek (pl. API-k, szolgáltatások)
Célcsoport:
- DevOps mérnökök
- Helymegbízhatósági mérnökök (SRE-k)
- Mikroszolgáltatásokkal dolgozó Backend / Szoftverfejlesztők
- Cloud mérnökök és Platformmérnökök
-
A Kubernetes környezetek felé átálló Rendszergazdák
Vélemények (2)
Craig nagyon aktívan vett részt a képzésben, mindig ellenőrizve, hogy figyelmesek-e vagyunk, alkalmazta a példákat naprakész tevékenységeinkhez és minden alkalommal adott választ, még akkor is, ha az információ nem szerepelhetett a bemutatóban.
Ecaterina Ioana Nicoale - BOOKING HOLDINGS ROMANIA SRL
Kurzus - DevOps Foundation®
Gépi fordítás
Magas elkötelezettség és tudás a képző szakembertől
Jacek - Softsystem
Kurzus - DevOps Engineering Foundation (DOEF)®
Gépi fordítás
