聯繫我們
 課程時長 21 時間:

課程簡介

AI 增強的 Kubernetes 運維入門

  • 為何 AI 對現代叢集運維至關重要
  • 傳統縮放與排程邏輯的局限性
  • 資源管理中的機器學習核心概念

Kubernetes 資源管理基礎

  • CPU、GPU 及記憶體分配基礎
  • 理解配額(Quotas)、限制(Limits)與請求(Requests)
  • 識別瓶頸與無效部分

用於排程的機器學習方法

  • 用於工作負載放置的監督式與非監督式模型
  • 資源需求預測演算法
  • 在自訂排程器中應用 ML 特徵

用於智慧自動縮放的強化學習

  • RL 智能體如何從叢集行為中學習
  • 設計以提升效率為目標的獎勵函數
  • 建構由 RL 驅動的自動縮放策略

結合指標與遙測的預測性自動縮放

  • 使用 Prometheus 數據進行預測
  • 將時間序列模型應用於自動縮放
  • 評估預測準確性並調整模型

實施 AI 驅動的優化工具

  • 將 ML 框架與 Kubernetes 控制器整合
  • 部署智慧控制迴路
  • 擴展 KEDA 以支援 AI 輔助決策

成本與效能優化策略

  • 透過預測性縮放降低計算成本
  • 利用 ML 驅動的放置策略提高 GPU 利用率
  • 平衡延遲、吞吐量與效率

實際情境與真實世界應用案例

  • 使用 AI 對高負載應用進行自動縮放
  • 優化異質節點池
  • 將 ML 應用於多租戶環境

總結與下一步驟

最低要求

  • 具備 Kubernetes 基礎知識
  • 擁有容器化應用部署經驗
  • 熟悉叢集運維及資源管理

適合對象

  • 負責大規模分散式系統的 SRE 工程師
  • 管理高負載工作負載的 Kubernetes 運維人員
  • 致力於最佳化計算基礎設施的平台工程師

客戶評論 (2)

課程分類