Kontakt aufnehmen

Schulungsübersicht

Modul 1: Entwurf von Mikrodiensten

• Eine gute Grenze für Mikrodienste
• Einsatz von Domain-Driven Design (DDD)
• Alternativen zu Geschäftsbereich-Grenzen (Volatilität, Daten, Technologie, Organisation)
• Aufspaltung des Monolithen
• Frühzeitige Dekomposition
• Dekomposition nach Schichten
• Einsatz von Dekompositions-Mustern (Strangler, Parallel Run, Feature Toggle)
• Aspekte der Daten-Dekomposition (Performance, Integrität, Transaktionen)

Modul 2: Optimierung von Docker und der Laufzeitumgebung

• Wahl des richtigen Basis-Images
• Minimierung der Anzahl der Layers
• Einsatz von Multi-Stage-Builds
• Image-Optimierung (Sortierung mehrzeiliger Argumente usw.)
• Nutzung des Build-Caches
• Festlegung von Image-Versionen (Pinning)
• Feinabstimmung der Ressourcenzuteilung
• Sichere Container-Praktiken
• Laufzeitkonfiguration für Performance

Modul 3: Kubernetes & Release-Strategien

Übersicht über Kubernetes Deployments
• Erstellung und Ausführung eines Initial Deployments
• Optionen für Kubernetes-Deployments

Durchführung von Rolling-Update-Deployments
• Verständnis von Rolling Updates
• Erstellung und Ausführung eines Rolling Updates
• Rückgängigmachen eines Deployments

Durchführung von Canary Releases
• Verständnis von Canary Releases
• Erstellung und Ausführung eines Canary Releases

Durchführung von Blue-Green-Deployments
• Verständnis von Blue-Green-Deployments
• Erstellung und Ausführung eines Blue-Green-Deployments

Ausführen von Jobs und CronJobs
• Erstellen eines Jobs und CronJobs

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

Modul 4: Automatisierung & operative Effizienz

Einsatz von Python zur Automatisierung gängiger Aufgaben in Kubernetes
• Einsatz von Python für administrative Operationen in Kubernetes
• Einsatz von Python zur Definition von Konfigurationsobjekten
• Einsatz von Python zum Erstellen von Deployment-Objekten
• Überwachung von Kubernetes-Events mittels Python
• Skalierung eines Deployments mit 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
• Einsatz von Benachrichtigungen
• Struktur des Source-Repositoriums

Verwaltung von Anwendungsupdates mit Image-Automatisierung
• Aktualisierung eines Application-Deployments mit Flux
• Durchsuchen von Container-Image-Repositorien nach Tags
• Definition einer Richtlinie für die Auswahl des neuesten Images
• Konfiguration von Flux zur Durchführung automatischer Image-Aktualisierungen

Modul 5: Observability & klare Root Cause Analyse

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

Sammeln und Analysieren der Logs
• Log-Aggregation
• Visualisierung der Logs

Distributed Tracing in Kubernetes
• Was ist Distributed Tracing
• Einsatz 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
• Einsatz von Prometheus-Instrumentation

Erweiterte Anwendungsfälle für Logging
• Verarbeitung von Logs
• Filterung und Anreicherung der Logs
• Event Sourcing

Modul 6: Cluster-Krisensimulation & Incident Response

• Verständnis der verschiedenen Arten von Ausfällen in einer Cluster-Umgebung
• Simulation von Node-Ausfällen
• Szenario: Pod Eviction & Ressourcenerschöpfung
• Netzwerkprobleme
• DNS-Ausfälle zur Behandlung von Anwendungstimeouts
• Simulation eines API-Server-Ausfalls
• Simulation hohem Traffic für Systemstabilität
• Storage-Ausfälle
• Konfigurationsfehler
• Verständnis der Incident-Berichtungsverfahren

Modul 7: KI zur Unterstützung des Troubleshootings

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

Voraussetzungen

  • Basics 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-Ingenieure
  • Site Reliability Engineers (SREs)
  • Backend- bzw. Softwareentwickler, die mit Mikrodiensten arbeiten
  • Cloud- und Platform-Engineers
  • Systemadministratoren im Übergang zu Kubernetes-Umgebungen

 49 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (2)

Kommende Kurse

Verwandte Kategorien