Intrati in legatura

Schița de curs

Introducere în operațiunile Kubernetes îmbunătățite prin AI

  • De ce AI contează pentru operațiunile moderne de cluster
  • Limitările logicii tradiționale de scalare și planificare
  • Concepte cheie ale ML pentru gestionarea resurselor

Fundamentele gestionării resurselor în Kubernetes

  • Fundamentele alocării CPU, GPU și memoriei
  • Înțelegerea cotelor, limitelor și cerințelor (requests)
  • Identificarea gâurilor de sticle și a ineficiențelor

Abordări de Machine Learning pentru planificare

  • Modele supravegheate și nesupravegheate pentru plasarea workload-urilor
  • Algoritmi predictivi pentru cerințele de resurse
  • Utilizarea caracteristicilor ML în scheduler-uri custom

Reinforcement Learning pentru autoscaling inteligent

  • Cum învață agenții RL de la comportamentul clusterului
  • Proiectarea funcțiilor de recompensă pentru eficiență
  • Construirea strategiilor de autoscaling conduse de RL

Autoscaling predictiv cu metrice și telemetrie

  • Utilizarea datelor din Prometheus pentru forecasting
  • Aplicarea modelelor de serie temporală la autoscaling
  • Evaluarea acurateții predicțiilor și ajustarea modelelor

Implementarea instrumentelor de optimizare conduse de AI

  • Integrarea framework-urilor ML cu controller-ele Kubernetes
  • Deploy-ul buclelor de control inteligente
  • Extinderea KEDA pentru luarea de decizii asistată de AI

Strategii de optimizare a costurilor și performanței

  • Reducerea costurilor de calcul prin scalare predictivă
  • Îmbunătățirea utilizării GPU-urilor prin plasare condusă de ML
  • Echilibrarea latenței, prinputsului și eficienței

Scenarii practice și cazuri de utilizare din lumea reală

  • Autoscaling-ul aplicațiilor cu sarcină mare utilizând AI
  • Optimizarea pool-urilor de noduri heterogene
  • Aplicarea ML în medii multi-tenant

Rezumat și pași următori

Cerințe

  • Înțelegerea fundamentelor Kubernetes
  • Experiență cu deploy-ul aplicațiilor containerizate
  • Familiaritate cu operațiunile de cluster și gestionarea resurselor

Audiența țintă

  • SRE-uri care lucrează cu sisteme distribuite la scară mare
  • Operatori Kubernetes care gestionează workload-uri cu cerințe ridicate
  • Ingineri de platformă care optimizează infrastructura de calcul
 21 Ore

Numărul de participanți


Pret per participant

Mărturii (3)

Cursuri viitoare

Categorii înrudite