Kontakt aufnehmen

Schulungsübersicht

Modul 1: Microservices-Design

• Eine gute Microservice-Grenze
• Verwendung von Domain Driven Design (DDD)
• Alternativen zu Geschäftsbereichsgrenzen (Volatilität, Daten, Technologie, Organisation)
• Aufteilung des Monolithen
• Vorzeitige Dekomposition
• Dekomposition nach Schichten
• Verwendung von Dekompositions-Mustern (Strangler Pattern, Parallel Run, Feature Toggle)
• Herausforderungen bei der Datendekomposition (Performance, Integrität, Transaktionen)

Modul 2: Optimierung von Docker und der Runtime

• Das richtige Basis-Image auswählen
• Die Anzahl der Layers minimieren
• Multi-Staged-Builds verwenden
• Image-Optimierung (z. B. Sortierung mehrzeiliger Argumente)
• Nutzung des Build-Caches
• Fixierung von Image-Versionen
• Feinabstimmung der Ressourcenallokation
• Sichere Container-Praktiken
• Runtime-Konfiguration für Performance

Modul 3: Kubernetes & Release-Strategien

Kubernetes-Deployments im Überblick
• Erstellen und Ausführen einer Initial Deployment
• Kubernetes-Deployment-Optionen

Ausführen von Rolling Updates
• Verständnis von Rolling Updates
• Erstellen und Ausführen eines Rolling Updates
• Zurücksetzen des Deployments (Rollback)

Ausführen von Canary Releases
• Verständnis von Canary Releases
• Erstellen und Ausführen eines Canary Releases

Ausführen von Blue-Green-Deployments
• Verständnis von Blue-Green-Deployments
• Erstellen und Ausführen eines Blue-Green-Deployments

Ausführen von Jobs und CronJobs
• Erstellen eines Jobs und CronJob

Durchführen von Monitoring- und Troubleshooting-Aufgaben
• Troubleshooting-Techniken mit kubectl

Modul 4: Automatisierung & operative Effizienz

Automatisierung häufiger Aufgaben in Kubernetes mit Python
• Einsatz von Python für administrative Operationen in Kubernetes
• Verwendung von Python zum Definieren von Konfigurationsobjekten
• Verwendung von Python zum Erstellen von Deployment-Objekten
• Beobachten von Kubernetes-Events mit Python
• Skalieren eines Deployments mit Python

Verständnis der Herausforderungen bei der Automatisierung von Deployments
• Deklarative Konfiguration in Kubernetes
• Verwaltung der Integrität der Konfiguration

Einsatz des GitOPs-Ansatzes zur Automatisierung von Deployments
• Prinzipien von GitOPs
• Einführung in Flux
• Installation von Flux auf einem Kubernetes-Cluster

Konfiguration von Flux für automatisierte Deployments
• Verwendung von Notifications (Benachrichtigungen)
• Struktur des Source-Repositories

Behandlung von Anwendungsaktualisierungen mit Image-Automation
• Aktualisierung eines Anwendungs-Deployments mit Flux
• Scannen von Container-Image-Repositories nach Tags
• Definieren von Richtlinien zur Auswahl des neuesten Images
• Konfiguration von Flux für automatische Image-Updates

Modul 5: Observability & Klarheit der Root Cause

Kubernetes-Funktionalitäten für Logging und Tracing
• Warum sind Logging und Tracing wichtig?
• Zugriff auf Kubernetes-Logs
• Pod- und Container-Logs
• Logs der Control Plane
• Ressourcennutzung von Nodes und Pods

Sammlung und Analyse der Logs
• Log-Aggregation
• Visualisierung der Logs

Distributed Tracing in Kubernetes
• Was ist Distributed Tracing?
• Verwendung von OpenTelemetry
• Tools für Distributed Tracing
• Instrumentierung einer Anwendung
• Nutzung von Tracing zur Identifizierung von Performance-Problemen

Monitoring mit Prometheus und Grafana
• Konzepte der Observability
• Monitoring-Tools
• Verwendung von Prometheus-Instrumentation

Fortgeschrittene Anwendungsfälle für Logging
• Verarbeitung von Logs
• Filtern und Anreichern der Logs
• Event Sourcing

Modul 6: Cluster-Crisis-Simulation & Incident Response

• Verständnis der verschiedenen Ausfallarten in einer Cluster-Umgebung
• Simulation von Node-Ausfällen
• Pod-Eviction-Szenario & Ressourcenerschöpfung
• Netzwerkprobleme
• DNS-Ausfälle zur Behandlung von Application Timeouts
• Simulation eines API-Server-Ausfalls
• Simulation hohen Traffic-Aufkommens für die Systemstabilität
• Speicherfehler
• Konfigurationsfehler
• Verständnis der Incident-Meldeprioritäten und -verfahren

Modul 7: KI zur Unterstützung des Troubleshootings

• Vorteile von Generative AI für Kubernetes
• K8sGPT-CLI-Architektur
• Installation der K8sGPT-CLI
• K8sGPT-Befehle und -Nutzung
• Verwendung von K8sGPT-Analyzern (podAnalyzer, pvcAnalyzer, rsAnalyzer usw.)
• Analyse des Clusters mit K8sGPT
• Analyse von Echtzeit-Problemen mit K8sGPT
• In-Cluster-Operator für K8sGPT

Voraussetzungen

  • Grundlegende Kenntnisse in der Linux-Kommandozeile
  • Erfahrung mit Anwendungsentwicklung oder Systemadministration
  • Vertrautheit mit Containern (Docker-Konzepte)
  • Basisverständnis von Kubernetes-Konzepten (Pods, Deployments, Services)
  • Allgemeines Verständnis von Softwarearchitekturen (z. B. APIs, Services)

Zielgruppe:

  • DevOps-Ingenieure
  • Site Reliability Engineers (SREs)
  • Backend-/Softwareentwickler, die mit Microservices arbeiten
  • Cloud-Engineers und Platform Engineers
  • Systemadministratoren, die in Kubernetes-Umgebungen wechseln

 49 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (2)

Kommende Kurse

Verwandte Kategorien