Intrati in legatura
 Durata 21 ore

Schița de curs

Introducere în operațiunile Kubernetes îmbunătățite cu AI

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

Bazele gestionării resurselor în Kubernetes

  • Fundamentele alocării de CPU, GPU și memorie
  • Înțelegerea cotelor, limitelor și cererilor
  • Identificarea blocajelor și ineficiențelor

Abordări de machine learning pentru planificare

  • Modele supervizate și nesupervizate pentru plasarea workload-urilor
  • Algoritmi predictivi pentru cererea de resurse
  • Utilizarea funcționalităților ML în planificatoare personalizate

Reinforcement learning pentru autoscaling inteligent

  • Cum învață agenții RL din comportamentul clusterului
  • Proiectarea funcțiilor de recompensă pentru eficiență
  • Construirea strategiilor de autoscaling bazate pe RL

Autoscaling predictiv cu metrici și telemetrie

  • Utilizarea datelor Prometheus pentru prognoză
  • Aplicarea modelelor de serii temporale în autoscaling
  • Evaluarea acurateței predicțiilor și ajustarea modelelor

Implementarea instrumentelor de optimizare bazate pe AI

  • Integrarea framework-urilor ML cu controllerele Kubernetes
  • Implementarea buclelor de control inteligente
  • Extinderea KEDA pentru luarea deciziilor asistată de AI

Strategii de optimizare a costurilor și performanței

  • Reducerea costurilor de calcul prin scalare predictivă
  • Îmbunătățirea utilizării GPU-ului cu plasare bazată pe ML
  • Echilibrarea latenței, throughput-ului și eficienței

Scenarii practice și cazuri de utilizare din lumea reală

  • Autoscaling pentru aplicații cu încărcare ridicată folosind AI
  • Optimizarea pool-urilor de noduri eterogene
  • Aplicarea ML în medii multi-tenant

Rezumat și pașii următori

Cerințe

  • Înțelegerea noțiunilor fundamentale Kubernetes
  • Experiență cu implementări de aplicații containerizate
  • Familiaritate cu operațiunile de cluster și gestionarea resurselor

Public țintă

  • SRE care lucrează cu sisteme distribuite la scară largă
  • Operatori Kubernetes care gestionează workload-uri cu cerere ridicată
  • Ingineri de platformă care optimizează infrastructura de calcul

Numărul de participanți


Pret per participant

Mărturii (2)

Cursuri viitoare

Categorii înrudite