Kontakt aufnehmen

Schulungsübersicht

Modul 1: Design von Mikroservices

• Eine gute Mikroservice-Grenze
• Anwendung von Domain-Driven Design (DDD)
• Alternativen zu Geschäftsdomain-Grenzen (Volatilität, Daten, Technologie, Organisation)
• Aufspaltung des Monoliths
• Vorzeitige Dekomposition
• Dekomposition nach Schichten
• Einsatz von Dekompositionsmustern (Strangler, Parallel Run, Feature Toggle)
• Aspekte der Datenzerlegung (Leistung, Integrität, Transaktionen)

Modul 2: Optimierung von Docker und der Laufzeitumgebung

• Wahl des passenden Basis-Images
• Minimierung der Anzahl der Layers
• Nutzung von Multi-Stage-Builds
• Image-Optimierung (z.B. Sortierung von mehrzeiligen Argumenten)
• Nutzung des Build-Caches
• Festlegen spezifischer Image-Versionen (Pinning)
• Feinabstimmung der Ressourcenallokation
• Sichere Container-Praktiken
• Laufzeitkonfiguration für Performance

Modul 3: Kubernetes & Release-Strategien

Überblick über Kubernetes Deployments
• Erstellen und Ausführen einer Erstbereitstellung (Initial Deployment)
• Optionen für Kubernetes Deployments

Durchführung von Rolling-Update-Bereitstellungen
• Verständnis von Rolling Updates
• Erstellen und Ausführen eines Rolling Updates
• Zurücksetzen des Deployments (Rolling Back)

Durchführung von Canary-Deployments
• Verständnis von Canary Deployments
• Erstellen und Ausführen eines Canary Deployments

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

Ausführung von Jobs und CronJobs
• Erstellen eines Jobs und CronJob

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

Modul 4: Automatisierung & Betriebseffizienz

Automatisierung häufiger Aufgaben in Kubernetes mittels Python
• Nutzung von Python für administrative Operationen in Kubernetes
• Definition von Konfigurationsobjekten mit Python
• Erstellen von Deployment-Objekten mit Python
• Beobachten von Kubernetes-Events mittels Python
• Skalieren eines Deployments mittels Python

Verständnis der Herausforderungen bei der Automatisierung von Bereitstellungen
• Deklarative Konfiguration mit Kubernetes
• Verwaltung der Integrität der Konfiguration

Einsatz des GitOps-Ansatzes zur Automatisierung von Bereitstellungen
• Prinzipien von GitOps
• Einführung in Flux
• Installation von Flux in einem Kubernetes-Cluster

Konfiguration von Flux für automatisierte Bereitstellungen
• Nutzung von Notifications
• Struktur des Source-Repositories

Verwaltung von Anwendungsaktualisierungen mit Image Automation
• Aktualisierung eines Anwendungs-Deployments mit Flux
• Durchsuchen von Container-Image-Repositories nach Tags
• Definition einer Richtlinie zur Auswahl des neuesten Images
• Konfiguration von Flux für automatische Image-Aktualisierungen

Modul 5: Observability & Klarheit der Root Cause

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

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

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

Monitoring mit Prometheus und Grafana
• Konzepte der Observability
• Monitoring-Tools
• Nutzung 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 Fehlerarten in einer Cluster-Umgebung
• Simulation von Node-Ausfällen
• Szenario: Pod Eviction & Ressourcenerschöpfung
• Netzwerkprobleme
• DNS-Ausfälle zur Handhabung von Anwendungs-Timeouts
• Simulation eines API-Server-Ausfalls
• Simulation hohem Traffic für die Systemstabilität
• Storage-Fehler
• Konfigurationsfehler
• Verständnis der Verfahren zur Incident-Meldung

Modul 7: KI zur Unterstützung des Troubleshooting

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

Voraussetzungen

  • Grundkenntnisse der Linux-Befehlszeile
  • Erfahrung in der Anwendungsentwicklung oder Systemadministration
  • Vertrautheit mit Containern (Docker-Konzepte)
  • Grundlegendes Verständnis von Kubernetes-Konzepten (Pods, Deployments, Services)
  • Allgemeines Verständnis der Softwarearchitektur (z.B. APIs, Dienste)

Zielgruppe:

  • DevOps Engineers
  • Site Reliability Engineers (SREs)
  • Backend- / Softwareentwickler, die mit Mikroservices 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