DevOps教程

DevOps的一大优势是基础架构即代码。这意味着您对待基础结构的方式与对待应用程序代码的方式完全相同。为基础设施配置实现版本控制，编写测试，并确保这些配置不会与您在多个环境中的存在差异。将基础架构作为代码来处理可防止出现意外代码更改以及生产和开发等环境之间的配置差异之类的问题。它还可

边车和运维者模型可能会成为主流的软件分发和消费模型，在某些情况下甚至会取代软件库包和框架。如果您是一个软件供应商，可能您已经考虑过将您的软件作为API或基于SaaS的解决方案提供给潜在用户，这是最快的软件消费模型，并且尽可能地提供了便利；根据软件的性质，您可能还会将软件作为库或运行时

像Visual Studio是软件开发人员的突破一样，Lens是Kubernetes开发人员和运营商的游戏规则改变者。它使在任何公共或私有云上轻松编写，测试和运行Kubernetes应用程序。Lens功能包括： 上下文中的即时态势感知：

Hyperfeed是FlightAware的核心航班跟踪引擎。它的输出为公司最突出的产品提供了动力：网站上的航班页面，

每个Python项目都可以从自动化DevOps中受益：使用Makefile、file优化的Docker镜像、配置良好的CI / CD、代码质量工具等等。每个项目（无论您使用的是Web应用程序，数据科学还是AI项目）都可以从配置良好的CI / CD，可在开发中调试且针对生产环境进行了优

有各种各样的工具可以将软件部署到Kubernetes集群。在这些工具的上下文中，甚至出现了一个新的运营Ops术语：GitOps。

许多软件开发人员会很快告诉您： “我们很敏捷” “我们认为工作软件胜于全面的文档” “价值在于对话” “代码就是文档” “测试是文档” 代码是事实，而不是全部事实正如

让我们构建最简单的Java Spring Boot应用程序，将其包装在Docker容器中，然后在K8s pod中使用该容器，该容器由K8s部署进行编排并通过服务公开。服务由两个pod和一个简单的负载平衡器提供支持，可以根据应用程序的需求轻松扩展。 项目结构：

机器学习团队经常面临许多其他领域所没有的运营需求。一些例子：仪器的可观察性，不仅可以监视数据质量和上游ETL作业状态，还可以监视训练ML模型的特定领域注意事项，例如过度拟合，混淆矩阵，业务用例准确性或验证检查，ROC曲线等等（所有这些都需要自定义和每个模型训练任务集中报告）。

随着MLOps流程和最佳实践的逐渐成熟，机器学习注入了更多的应用程序。对于这些软件和系统而言，至关重要的是运行机器学习模型的服务器，该服务器应具有关键功能，以驱动成功的企业级机器学习大规模生产。在本文中，我们重点介绍模型服务器，这是实时或脱机运行的机器学习服务的核心软件。有两种用于服

IT系统天生就难以理解。这就是为什么我们将系统分成较小的部分。如果正确完成了这一划分，则无需了解系统的所有内容，我们仅需要单独了解每个部分以及小部分的组成方式即可。显然，“ 适当地 ” 进行划分并非易事，而且是问题的症结，我们已经研究了

著名的3层模型（如果有预算，有时甚至是4层模型）：开发是在通常在每个开发人员的本地笔记本电脑上编辑代码的地方。测试是多个开发人员的代码第一次相互看到。在这里进行集成测试，用户接受测试和其他质量检查。有时这与暂存合并。暂存是一个预发布的存放区

对于组织而言，将销售数据保存在SaaS CRM中，将客户数据保存在公共云中（使用Kubernetes之类）以及将内部数据保存在本地数据中心（裸机）中并不少见。不仅如此，访问该数据的员工和客户遍布全球。开箱即用，Kubernetes带有一些很棒的但不安全的默认值。所有Pod都可以与其他

对于某些公司而言，基础架构是其业务的核心。具体来说，我指的是那些需要管理多个服务器上的数据和应用程序的公司。对于公司而言，监视其基础结构节点至关重要，尤其是在出现问题时该公司没有现场干预干预的情况下。实际上，大量使用某些资源可以指示故障或拥挤。但是，除了预防，还可以使用监视来评估新软

DevOps是一种开发软件的方法，也是一种软件开发车间的文化，它是各种流程和工具的组合，可以帮助您实现目标。 DevOps的第一种方法是强调整个系统的速度和效率，而不仅仅是您自己的那部分。有时这意味着您必须帮助另一个团队而不是您自己的团队来完成工作，因为那样会使整个系统变得更

互联网软件行业已经从漫长的开发周期和专门的质量保证（QA）阶段转移到了快节奏的连续集成/连续交付（CI / CD）管道，在该管道中可以快速编写，提交和推送新代码。这样做极大地提高了迭代速度，在LinkedIn上，提交新代码