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
Nos clients témoignent (2)
Craig était très impliqué dans la formation, toujours en s'assurant que nous prêtions attention, en adaptant les exemples à nos activités quotidiennes et en fournissant une réponse chaque fois qu'on lui posait une question, même si l'information n'était pas incluse dans la présentation.
Ecaterina Ioana Nicoale - BOOKING HOLDINGS ROMANIA SRL
Formation - DevOps Foundation®
Traduction automatique
Niveau élevé d’engagement et de connaissances du formateur
Jacek - Softsystem
Formation - DevOps Engineering Foundation (DOEF)®
Traduction automatique