Kontakt aufnehmen

Schulungsübersicht

Modul 1: Microservice-Design

• Eine gute Microservice-Grenze
• Domänengetriebenes Design (Domain Driven Design, DDD)
• Alternativen zu Geschäftsdomänengrenzen (Volatilität, Daten, Technologie, Organisation)
• Aufspaltung des Monolithen
• Vorzeitige Decomposition
• Decomposition nach Schichten
• Einsatz von Decomposition-Patterns (Strangler Pattern, Parallel Run, Feature Toggles)
• Daten-Decomposition-Aspekte (Performance, Integrität, Transaktionen)

Modul 2: Optimierung von Docker und der Runtime

• Auswahl des richtigen Basis-Images
• Minimierung der Anzahl der Layers
• Nutzung mehrstufiger Builds (Multi-stage builds)
• Image-Optimierung (z. B. Sortierung von mehrzeiligen Argumenten)
‥ Ausnutzung des Build-Caches
• Pinning von Image-Versionen
• Feinabstimmung der Ressourcenallokation
• Sichere Container-Praktiken
• Runtime-Konfiguration für Performance

Modul 3: Kubernetes & Release-Strategien

Überblick über Kubernetes Deployments
• Erstellen und Ausführen eines Initial Deployments
• Optionen für Kubernetes Deployments

Durchführung von Rolling Update Deployments
• 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

Ausführen von Jobs und CronJobs
• Erstellen eines Jobs und CronJob

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

Modul 4: Automatisierung & operative Effizienz

Einsatz von Python zur Automatisierung gängiger Aufgaben in Kubernetes
• Nutzung von Python für administrative Operationen in Kubernetes
• Definition von Konfigurationsobjekten mit Python
• Erstellung von Deployment-Objekten mit Python
• Verfolgen von Kubernetes-Events mit Python
• Skalierung eines Deployments mit Python

Verständnis der Herausforderungen bei der Automatisierung von Deployments
• Deklarative Konfiguration mit Kubernetes
• Sicherstellung der Integrität der Konfiguration

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

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

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

Modul 5: Observability & Root-Cause-Klarheit

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

Sammlung und Analyse 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
• Nutzung der Prometheus-Instrumentierung

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

Modul 6: Cluster-Krisensimulation & Incident Response

• Verständnis der verschiedenen Fehlertypen in einer Cluster-Umgebung
• Simulation von Knotenausfällen (Node Failures)
• Szenario Pod Eviction & Ressourcenerschöpfung
• Netzwerkprobleme
• DNS-Ausfälle für das Handling von Application Timeouts
• Simulation eines API-Server-Ausfalls
• Simulation hohen Traffics zur Stabilität des Systems
• Storage-Fehler
• Konfigurationsfehler
• Verständnis der Incident-Meldeverfahren

Modul 7: KI als Unterstützung beim Troubleshooting

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

Voraussetzungen

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

Zielgruppe:

  • DevOps-Ingenieurinnen und -Ingenieure
  • Site Reliability Engineers (SREs)
  • Backend- bzw. Softwareentwicklerinnen und -entwickler, die mit Microservices arbeiten
  • Cloud-Ingenieurinnen und -Ingenieure sowie Platform Engineers
  • Systemadministratorinnen und -administratoren, die in Kubernetes-Umgebungen wechseln

 49 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (2)

Kommende Kurse

Verwandte Kategorien