聯繫我們
 課程時長 21 時間:

課程簡介

AI增強Kubernetes營運簡介

  • 為何AI對現代叢集營運至關重要
  • 傳統擴展與排程邏輯的限制
  • 資源管理的ML關鍵概念

Kubernetes資源管理基礎

  • CPU、GPU和記憶體分配基礎
  • 了解配額、限制與請求
  • 識別瓶頸與效率低下的問題

用於排程的機器學習方法

  • 監督式與非監督式模型用於工作負載放置
  • 用於資源需求的預測演算法
  • 在自訂排程器中使用ML特徵

用於智慧自動擴展的強化學習

  • RL代理如何從叢集行為中學習
  • 設計高效能的獎勵函數
  • 建構RL驅動的自動擴展策略

使用指標與遙測進行預測性自動擴展

  • 使用Prometheus資料進行預測
  • 將時間序列模型應用於自動擴展
  • 評估預測準確度並調整模型

實作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以進行AI輔助決策

成本與效能優化策略

  • 透過預測性擴展降低計算成本
  • 透過ML驅動的放置提升GPU使用率
  • 平衡延遲、吞吐量與效率

實際情境與真實世界使用案例

  • 使用AI自動擴展高負載應用程式
  • 優化異質節點池
  • 將ML應用於多租戶環境

總結與後續步驟

最低要求

  • 了解Kubernetes基礎知識
  • 具備容器化應用程式部署經驗
  • 熟悉叢集操作與資源管理

目標學員

  • 負責大規模分散式系統的SRE
  • 管理高需求工作負載的Kubernetes操作員
  • 優化計算基礎設施的平台工程師

人數


每位參與者的報價

客戶評論 (2)

即將到來的課程

課程分類