کتاب
در ادامه مقدمهای از کتاب Kubernetes Autoscaling را از زبان نویسنده شرح خواهیم داد.
مقدمهای بر کتاب Kubernetes Autoscaling:
اگر مدتی است که در حال اجرای بارهای کاری Kubernetes هستید، احتمالاً لحظهای پیش آمده که به صورتحساب ابری خود نگاه کرده و تعجب کردهاید که چگونه میتوانید دهها نودی را که در نهایت به آنها نیاز پیدا میکنید، بهینه کنید. یا بدتر، ممکن است نیمهشب از طریق هشدار تماس گرفته شده باشید زیرا خوشه شما نتوانسته یک جهش ناگهانی ترافیک را مدیریت کند و کاربران با خطا مواجه شدهاند.
خودکارسازی مقیاسبندی (Autoscaling) قرار است هر دو مشکل را حل کند، اما صادقانه بگویم، بین پیکربندیهای HPA، VPA و Karpenter، اوضاع میتواند خیلی سریع پیچیده شود.
در طول کتاب Kubernetes Autoscaling، شما با استراتژیهای عملی مقیاسبندی خودکار آشنا خواهید شد که فراتر از اصول پایه مقیاسبندی بر اساس استفاده از CPU یا حافظه است. خواهید آموخت که چگونه مقیاسبندی را بر اساس عواملی انجام دهید که عملکرد برنامههای شما را تحت تأثیر قرار میدهند و آنچه کاربران واقعاً اهمیت میدهند.
این موضوع با رشد بارهای کاری AI/ML در Kubernetes اهمیت بیشتری پیدا کرده است، زیرا معمولاً مسئله فقط استفاده از CPU یا حافظه نیست و با KEDA میتوان فراتر از این دو معیار حرکت کرد. همچنین، شما با رویکرد Karpenter در زمینه تأمین کارآمد نودها، بهینهسازی نودها و مدیریت اختلالات آشنا خواهید شد.
مهمتر از همه، خواهید آموخت که چگونه KEDA و Karpenter با هم کار میکنند تا یک استراتژی مقیاسبندی خودکار ایجاد کنند که باعث صرفهجویی در هزینه و کاهش هدررفت منابع شود.
مقیاسبندی خودکار در Kubernetes تنها مربوط به مدیریت جهشهای ترافیک نیست. مقیاسبندی کارآمد به این معناست که زیرساخت شما با تقاضای واقعی مطابقت داشته باشد، در صورت امکان به صفر مقیاس پیدا کند و هنگام افزایش بار دقیقاً آنچه نیاز دارید فراهم شود. به نوعی، ما با هر پاد، سهم خود را در حفظ محیط زیست ایفا میکنیم.
مثالها و الگوهای کتاب Kubernetes Autoscaling از سناریوهای واقعی تولید گرفته شدهاند. من به موارد خاص، نقاط شکست و مانیتورینگ مورد نیاز برای اطمینان از تنظیمات مقیاسبندی خودکار میپردازم. شما راهنماییهای عملی برای پاسخگوتر کردن خوشههای خود و منطقیتر کردن صورتحساب ابری خواهید یافت.
چه کسانی باید کتاب Kubernetes Autoscaling را بخوانند
من کتاب Kubernetes Autoscaling را نوشتم زیرا مقیاسبندی خودکار در Kubernetes بهطور قابل توجهی فراتر از اصول اولیه توسعه یافته است، اما بسیاری از ما هنوز به الگوهایی که سالها پیش یاد گرفتهایم متکی هستیم.
هدف من این است که شما آماده و مطمئن باشید تا خوشههای Kubernetes کارآمد با استراتژی مقیاسبندی مؤثر بسازید. KEDA و Karpenter نشاندهنده یک تغییر اساسی در نحوه تفکر ما درباره مقیاسبندی هستند، نه فقط واکنش به معیارهای CPU یا حافظه، بلکه پاسخ به رویدادهای مهم برای بارهای کاری شما و تأمین زیرساخت در ثانیهها به جای دقیقهها.
کتابهای شگفتانگیز زیادی در مورد موضوعات مختلف Kubernetes وجود دارد، اما کتاب Kubernetes Autoscaling بر جنبه بهینهسازی کارایی و هزینه خوشه تمرکز دارد. بنابراین فرض میکنم که شما دانش پایهای از Kubernetes دارید و با استفاده از ترمینال برای تعامل با خوشه راحت هستید.
در حالی که میتوانید فقط کتاب Kubernetes Autoscaling را در مسیر رفتوآمد خود بخوانید، ارزش واقعی مسیر یادگیری شما در انجام آزمایشهای عملی کتاب Kubernetes Autoscaling نهفته است. من دریافتهام که با انجام کارها بیشتر از فقط خواندن یاد میگیرم. در واقع، اگر در هر گواهینامه Kubernetes شرکت کرده باشید، میدانید که تجربه عملی از دانستن تئوری مهمتر است.
موضوعات پوشش داده شده در کتاب Kubernetes Autoscaling
فصل ۱: معرفی مقیاسبندی خودکار در Kubernetes – اصول اولیه مقیاسبندی خودکار و مفاهیم پایهای که در سایر فصلها کاربرد دارند، همراه با اولین آزمایش عملی برای راهاندازی خوشه Kubernetes.
فصل ۲: مروری بر مقیاسبندی بارهای کاری – اهمیت پیکربندی درخواست منابع پاد و نحوه پایش استفاده از منابع برای بهینهسازی خوشه و کاهش هزینه.
فصل ۳: مقیاسبندی بارهای کاری با HPA و VPA – آموزش مقیاسبندی افقی ساده، تنظیم قوانین مقیاسبندی CPU و حافظه، و استفاده از معیارهای سفارشی با KEDA.
فصل ۴ و ۵: مقیاسبندی خودکار مبتنی بر رویدادهای Kubernetes – پیکربندی پیشرفته بارها با KEDA، شامل مقیاس به صفر، کنترل سرعت مقیاسبندی، و مقیاسبندی شغلها و قوانین پیچیده.
فصل ۶: عملیات مقیاسبندی بارهای کاری – عیبیابی قوانین مقیاسبندی و مانیتورینگ KEDA با Grafana.
فصل ۷: مرور مقیاسبندی Data Plane – مقدمهای بر مقیاسبندی نودها، معرفی Cluster Autoscaler و Karpenter و پروژههای مکمل مانند Descheduler.
فصل ۸ و ۹: مقیاسبندی نود با Karpenter – آموزش عمیق نحوه راهاندازی و حذف نودها، مدیریت اختلالات و بهینهسازی خوشه.
فصل ۱۰: عملیات مدیریتی Karpenter – ابزارها، دستورات، تکنیکها و مانیتورینگ برای مدیریت موثر Karpenter.
فصل ۱۱: کاربردهای عملی مقیاسبندی در Kubernetes – سناریوهای واقعی مانند وباپلیکیشنها، Batch Job و GPU، و بهینهسازی هزینه با KEDA و Karpenter.
فصل ۱۲: الگوها و توصیهها – بهترین روشها برای خاموش کردن محیطهای غیرتولیدی و کار با بارهای مقاوم به خطا، و روندهای آینده در اکوسیستم KEDA و Karpenter.
برای استفاده بیشتر از کتاب Kubernetes Autoscaling
تمام آزمایشهای عملی از فصل ۱ تا فصل ۶ را میتوان روی کامپیوتر محلی شما با یک خوشه Kubernetes محلی انجام داد. با این حال، از فصل ۷ به بعد، برای تکمیل آزمایشها نیاز به استفاده از یک خوشه Amazon EKS خواهید داشت. در نسخههای آینده ممکن است پشتیبانی از سایر سرویسهای ابری نیز اضافه شود، اما تمام آزمایشهای عملی در Amazon EKS تست شدهاند. بنابراین، شما باید دسترسی به یک حساب AWS داشته باشید.
سرفصلهای کتاب Kubernetes Autoscaling:
- Part 1: Getting started with Kubernetes Autoscaling
- Chapter 1: Introduction to Kubernetes Autoscaling
- Chapter 2: Workload Autoscaling Overview
- Chapter 3: Workload Autoscaling with HPA and VPA
- Part 2: Workload Autoscaling and KEDA
- Chapter 4: Kubernetes Event-Driven Autoscaling – Part 1
- Chapter 5: Kubernetes Event-Driven Autoscaling – Part 2
- Chapter 6: Workload Autoscaling Operations
- Part 3: Node Autoscaling and Karpenter
- Chapter 7: Data Plane Autoscaling Overview
- Chapter 8: Node Autoscaling with Karpenter — Part 1
- Chapter 9: Node Autoscaling with Karpenter — Part 2
- Chapter 10: Karpenter Management Operations
- Part 4: Use Cases, Patterns, and Recommendations
- Chapter 11: Practical Use Cases for Autoscaling in Kubernetes
- Chapter 12: Patterns and Recommendations
- Chapter 13: Unlock Your Exclusive Benefits
- Other Books You May Enjoy Index
جهت دانلود کتاب Kubernetes Autoscaling میتوانید پس از پرداخت، دریافت کنید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.