Bądźmy w kontakcie

Plan Szkolenia

Moduł 1: Projektowanie Mikrousług

• Właściwe granice mikrousług
• Wykorzystanie Domain Driven Design (DDD)
• Alternatywy dla granic domen biznesowych (Zmienność, Dane, Technologia, Organizacyjne)
• Podział monolitu
• Przedwczesna dekompozycja
• Dekompozycja według warstw
• Wykorzystanie wzorców dekompozycji (Strangler, Parallel Run, Feature Toggle)
• Problemy związane z dekompozycją danych (Wydajność, Integralność, Transakcje)

Moduł 2: Optymalizacja Docker i Środowiska Uruchomieniowego

• Wybór odpowiedniego obrazu bazowego
• Minimalizacja liczby warstw
• Wykorzystanie wieloetapowych budowań
• Optymalizacja obrazów (sortowanie wieloliniowych argumentów, itp.)
• Wykorzystanie pamięci podręcznej budowania
• Przypinanie wersji obrazów
• Precyzyjne dostosowanie alokacji zasobów
• Bezpieczne praktyki kontenerowe
• Konfiguracja środowiska uruchomieniowego dla wydajności

Moduł 3: Kubernetes & Strategie Wydań

Przegląd wdrożeń Kubernetes
• Tworzenie i wykonywanie początkowego wdrożenia
• Opcje wdrożeń Kubernetes

Wykonywanie wdrożeń z aktualizacjami stopniowymi
• Zrozumienie aktualizacji stopniowych
• Tworzenie i wykonywanie aktualizacji stopniowej
• Wycofywanie wdrożenia

Wykonywanie wdrożeń canary
• Zrozumienie wdrożeń canary
• Tworzenie i wykonywanie wdrożenia canary

Wykonywanie wdrożeń blue-green
• Zrozumienie wdrożeń blue-green
• Tworzenie i wykonywanie wdrożenia blue-green

Uruchamianie zadań i CronJobs
• Tworzenie zadania i CronJob

Wykonywanie zadań monitorowania i rozwiązywania problemów
• Techniki rozwiązywania problemów z kubectl

Moduł 4: Automatyzacja & Efektywność Operacyjna

Wykorzystanie Pythona do automatyzacji typowych zadań w Kubernetes
• Wykorzystanie Pythona do wykonywania operacji administracyjnych w Kubernetes
• Wykorzystanie Pythona do definiowania obiektów konfiguracyjnych
• Wykorzystanie Pythona do tworzenia obiektów wdrożeń
• Obserwowanie zdarzeń Kubernetes przy użyciu Pythona
• Skalowanie wdrożenia przy użyciu Pythona

Zrozumienie wyzwań związanych z automatyzacją wdrożeń
• Deklaratywna konfiguracja w Kubernetes
• Zarządzanie integralnością konfiguracji

Wykorzystanie podejścia GitOps do automatyzacji wdrożeń
• Zasady GitOps
• Wprowadzenie do Flux
• Instalacja Flux w klastrze Kubernetes

Konfiguracja Flux do automatycznych wdrożeń
• Wykorzystanie powiadomień
• Struktura repozytorium źródłowego

Zarządzanie aktualizacjami aplikacji z automatyzacją obrazów
• Aktualizacja wdrożenia aplikacji z Flux
• Skanowanie repozytoriów obrazów kontenerowych pod kątem tagów
• Definiowanie polityki wyboru najnowszego obrazu
• Konfiguracja Flux do wykonywania automatycznych aktualizacji obrazów

Moduł 5: Obserwowalność & Jasność Przyczyn Źródłowych

Możliwości logowania i śledzenia w Kubernetes
• Dlaczego logowanie i śledzenie są ważne
• Dostęp do logów Kubernetes
• Logi podów i kontenerów
• Logi płaszczyzny kontrolnej
• Wykorzystanie zasobów węzłów i podów

Zbieranie i analiza logów
• Agregacja logów
• Wizualizacja logów

Rozproszone śledzenie w Kubernetes
• Czym jest rozproszone śledzenie
• Wykorzystanie OpenTelemetry
• Narzędzia do rozproszonego śledzenia
• Instrumentacja aplikacji
• Wykorzystanie śledzenia do znajdowania problemów z wydajnością

Monitorowanie z Prometheus i Grafana
• Koncepcje obserwowalności
• Narzędzia monitorowania
• Wykorzystanie instrumentacji Prometheus

Zaawansowane przypadki użycia logowania
• Przetwarzanie logów
• Filtrowanie i wzbogacanie logów
• Event Sourcing

Moduł 6: Symulacja Kryzysów w Klastrze & Reagowanie na Incydenty

• Zrozumienie różnych typów awarii w środowisku klastra
• Symulacja awarii węzłów
• Scenariusz ewakuacji podów i wyczerpywania zasobów
• Problemy z siecią
• Awaria DNS a obsługa timeoutów aplikacji
• Symulacja awarii serwera API
• Symulacja wysokiego ruchu dla stabilności systemu
• Awaria magazynu
• Błędy konfiguracji
• Zrozumienie procedur raportowania incydentów

Moduł 7: Wsparcie Sztucznej Inteligencji w Rozwiązywaniu Problemów

• Korzyści z generatywnej sztucznej inteligencji dla Kubernetes
• Architektura K8sGPT CLI
• Instalacja K8sGPT CLI
• Polecenia i użycie K8sGPT
• Wykorzystanie analizatorów K8sGPT (podAnalyzer, pvcAnalyzer, rsAnalyzer, itp.)
• Analiza klastra przy użyciu K8sGPT
• Analiza problemów w czasie rzeczywistym przy użyciu K8sGPT
• Operator K8sGPT w klastrze

Wymagania

  • Podstawowa znajomość wiersza poleceń Linux
  • Doświadczenie w rozwoju aplikacji lub administracji systemów
  • Znajomość kontenerów (koncepcje Docker)
  • Podstawowe zrozumienie koncepcji Kubernetes (pody, wdrożenia, usługi)
  • Ogólne zrozumienie architektury oprogramowania (np. API, usługi)

Grupa docelowa:

  • Inżynierowie DevOps
  • Inżynierowie Niezawodności Stron (SREs)
  • Programiści backendowi/oprogramowania pracujący z mikrousługami
  • Inżynierowie chmury i platformy
  • Administratorzy systemów przechodzący do środowisk Kubernetes

     

 49 godzin

Liczba uczestników


Cena za uczestnika (netto)

Opinie uczestników (1)

Propozycje terminów

Powiązane Kategorie