Prenez contact avec nous

Plan du cours

Module 1 : Conception de Microservices

• Une bonne limite de Microservice
• Utilisation du Domain Driven Design (DDD)
• Alternatives aux limites du domaine métier (Volatilité, Données, Technologie, Organisationnel)
• Découpage du Monolithe
• Décomposition prématurée
• Décomposition par couche
• Utilisation de patterns de décomposition (Strangler, Parallel Run, Feature Toggle)
• Préoccupations liées à la décomposition des données (Performances, Intégrité, Transactions)

Module 2 : Optimisation de Docker et du Runtime

• Choisir la bonne image de base
• Minimiser le nombre de couches
• Utiliser les builds multi-étapes
• Optimisation des images (ordonnancement des arguments multi-lignes, etc.)
• Exploitation du cache de build
• Épinglage des versions d'images
• Ajustement fin de l'allocation des ressources
• Pratiques sécurisées pour les conteneurs
• Configuration du runtime pour la performance

Module 3 : Kubernetes et Stratégies de Release

Aperçu des Déploiements Kubernetes
• Création et exécution d'un déploiement initial
• Options de déploiement Kubernetes

Réalisation de Déploiements Progressifs (Rolling Updates)
• Compréhension du Rolling Update
• Création et exécution d'un Rolling Update
• Retour en arrière du déploiement

Réalisation de Déploiements Canaris
• Compréhension des déploiements canaris
• Création et exécution d'un déploiement canari

Réalisation de Déploiements Bleus-Verts
• Compréhension des déploiements bleus-verts
• Création et exécution d'un déploiement bleu-vert

Exécution de Jobs et CronJobs
• Création d'un Job et CronJob

Réalisation de tâches de surveillance et de dépannage
• Techniques de dépannage avec kubectl

Module 4 : Automatisation et Efficacité Opérationnelle

Utilisation de Python pour automatiser les tâches courantes dans Kubernetes
• Utilisation de Python pour effectuer des opérations administratives dans Kubernetes
• Utilisation de Python pour définir des objets de configuration
• Utilisation de Python pour créer des objets Deployment
• Surveillance des événements Kubernetes à l'aide de Python
• Mise à l'échelle d'un déploiement avec Python

Compréhension des défis de l'automatisation des déploiements
• Configuration déclarative avec Kubernetes
• Gestion de l'intégrité de la configuration

Utilisation de l'approche GitOps pour automatiser les déploiements
• Principes de GitOps
• Introduction à Flux
• Installation de Flux sur un cluster Kubernetes

Configuration de Flux pour des déploiements automatisés
• Utilisation des notifications
• Structure du référentiel source

Gestion des mises à jour d'applications avec l'automatisation des images
• Mise à jour d'un déploiement d'application avec Flux
• Analyse des réféentiels d'images conteneurs pour les tags
• Définition de la politique de sélection des dernières images
• Configuration de Flux pour effectuer des mises à jour automatiques des images

Module 5 : Observabilité et Clarification des Causes Racines

Fonctionnalités de journalisation et de traçage dans Kubernetes
• Pourquoi la journalisation et le traçage sont importants
• Accès aux logs Kubernetes
• Journaux des Pods et Conteneurs
• Journaux du plan de contrôle
• Utilisation des ressources des nœuds et pods

Collecte et analyse des journaux
• Agrégation des logs
• Visualisation des logs

Traçage distribué dans Kubernetes
• Qu'est-ce que le traçage distribué ?
• Utilisation d'OpenTelemetry
• Outils de traçage distribué
• Instrumentation d'une application
• Utilisation du traçage pour identifier les problèmes de performance

Surveillance avec Prometheus et Grafana
• Concepts d'observabilité
• Outils de surveillance
• Utilisation de l'instrumentation Prometheus

Cas d'utilisation avancés pour la journalisation
• Traitement des logs
• Filtrage et enrichissement des journaux
• Event Sourcing

Module 6 : Simulation de Crises de Cluster et Réponse aux Incidents

• Compréhension des différents types de pannes dans un environnement cluster
• Simulation de pannes de nœuds
• Éjection de pods et scénario d'épuisement des ressources
• Problèmes réseau
• Échecs DNS pour la gestion des délais d'expiration des applications
• Simulation d'une panne du serveur API
• Simulation d'un trafic élevé pour la stabilité du système
• Panne de stockage
• Erreurs de configuration
• Compréhension des procédures de reporting des incidents

Module 7 : L'IA au service du dépannage

• Avantages de l'IA générative pour Kubernetes
• Architecture CLI de K8sGPT
• Installation de la CLI K8sGPT
• Commandes et utilisation de K8sGPT
• Utilisation des analyseurs K8sGPT (podAnalyzer, pvcAnalyzer, rsAnalyzer, etc.)
• Analyse du cluster à l'aide de K8sGPT
• Analyse des problèmes en temps réel avec K8sGPT
• Opérateur intra-cluster pour K8sGPT

Pré requis

  • Connaissances de base de la ligne de commande Linux
  • Expérience en développement d'applications ou en administration système
  • Familiarité avec les conteneurs (concepts Docker)
  • Compréhension de base des concepts Kubernetes (pods, déploiements, services)
  • Connaissance générale de l'architecture logicielle (par ex. API, services)

Audience cible :

  • Ingénieurs DevOps
  • Ingénieurs SRE (Site Reliability Engineering)
  • Développeurs Backend / Logiciels travaillant avec des microservices
  • Ingénieurs Cloud et Ingénieurs Platform
  • Administrateurs systèmes évoluant vers des environnements Kubernetes

     

 49 Heures

Nombre de participants


Prix par participant

Nos clients témoignent (2)

Cours à venir

Catégories Similaires