聯繫我們

課程簡介

AI增強的Kubernetes操作介紹

  • 為何AI對現代叢集運營至關重要
  • 傳統擴展和排程邏輯的限制
  • 用於資源管理的ML核心概念

Kubernetes資源管理基礎

  • CPU、GPU和記憶體分配基礎
  • 理解配額、限制和請求
  • 識別瓶頸和無效率

用於排程的機器學習方法

  • 用於工作負載放置的監督和非監督模型
  • 資源需求的預測演算法
  • 在自訂排程器中使用ML特徵

用於智能自動擴展的強化學習

  • RL代理如何從叢集行為中學習
  • 設計以效率為導向的獎勵函數
  • 構建基於RL的自動擴展策略

基於指標和遙測的預測性自動擴展

  • 使用Prometheus數據進行預測
  • 將時間序列模型應用於自動擴展
  • 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
  • 部署智能控制迴路
  • 擴展KEDA以支援AI輔助決策

成本和性能最佳化策略

  • 透過預測性擴展降低計算成本
  • 利用ML驅動的放置提高GPU利用率
  • 平衡延遲、吞吐量和效率

實際場景和真實世界用例

  • 使用AI自動擴展高負載應用
  • 優化異質節點池
  • 在多租戶環境中應用ML

總結與後續步驟

最低要求

  • 理解Kubernetes基礎知識
  • 具備容器化應用部署經驗
  • 熟悉叢集運營和資源管理

受眾對象

  • 處理大規模分佈式系統的SRE
  • 管理高需求工作負載的Kubernetes運營人員
  • 優化計算基礎設施的平台工程師
 21 小時

人數


每位參與者的報價

客戶評論 (4)

即將到來的課程

課程分類