Kontakt aufnehmen

Schulungsübersicht

Einführung in KI-ergänzte Kubernetes-Operationen

  • Warum KI für moderne Cluster-Operationen wichtig ist
  • Grenzen herkömmlicher Skalierungs- und Scheduling-Logiken
  • Kernkonzepte von ML für das Ressourcenmanagement

Grundlagen des Kubernetes-Ressourcenmanagements

  • Grundlagen der CPU-, GPU- und Speicherallokation
  • Verständnis von Quotas, Limits und Requests
  • Identifizierung von Engpässen und Ineffizienzen

Machine-Learning-Ansätze für das Scheduling

  • Überwachte und unüberwachte Modelle für die Workload-Platzierung
  • Predictive Algorithmen für den Ressourcenbedarf
  • Nutzung von ML-Funktionen in benutzerdefinierten Schedulern

Reinforcement Learning für intelligentes Autoscaling

  • Wie RL-Agenten vom Cluster-Verhalten lernen
  • Design von Reward-Funktionen für Effizienz
  • Aufbau von RL-gesteuerten Autoscaling-Strategien

Predictive Autoscaling mit Metriken und Telemetrie

  • Nutzung von Prometheus-Daten für die Prognose
  • Anwendung von Zeitreihenmodellen auf das Autoscaling
  • Bewertung der Prognosegenauigkeit und Feinabstimmung der Modelle

Implementierung KI-gesteuerter Optimierungstools

  • Integration von ML-Frameworks mit Kubernetes-Controllern
  • Bereitstellung intelligenter Steuerschleifen (Control Loops)
  • Erweiterung von KEDA für KI-unterstützte Entscheidungsfindung

Kosten- und Leistungsoptimierungsstrategien

  • Senkung der Rechenkosten durch predictive Scaling
  • Verbesserung der GPU-Auslastung durch KI-gestützte Platzierung
  • Ausgleich von Latenz, Durchsatz und Effizienz

Praktische Szenarien und reale Anwendungsfälle

  • Autoscaling hochlastiger Anwendungen mit KI
  • Optimierung heterogener Node-Pools
  • Anwendung von ML in Multi-Tenant-Umgebungen

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Grundlegende Kenntnisse über Kubernetes
  • Erfahrung mit der Bereitstellung containerisierter Anwendungen
  • Vertrautheit mit Cluster-Betrieb und Ressourcenmanagement

Zielgruppe

  • SREs, die mit großen verteilten Systemen arbeiten
  • Kubernetes-Betreiber, die hochbelastete Workloads verwalten
  • Platform Engineers, die die Recheninfrastruktur optimieren
 21 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (4)

Kommende Kurse

Verwandte Kategorien