Escalado automático de Kubernetes con métricas personalizadas de Prometheus

Las métricas estándar de CPU y memoria a menudo no son suficientes para escalar las aplicaciones modernas. Para manejar los patrones de tráfico del mundo real de manera efectiva, sus clústeres de Kubernetes deben escalar en función de datos específicos de la aplicación, como las tasas de solicitud o las profundidades de cola.\n\nEste curso basado en texto lo guía a través de todo el proceso de configuración de un Horizontal Pod Autoscaler (HPA) impulsado por métricas personalizadas. Aprenderá a instrumentar su aplicación, exponer métricas a Prometheus y configurar la API de métrica personalizada para que sus cargas de trabajo respondan realmente a la demanda del usuario.\n\nQué aprenderá:\n- Comprender los conceptos básicos de escalado automático de Kubernetes y cómo interactúa el HPA con las API de métrica\n- Instrumentar el código de la aplicación para exponer Prometheu métricas\n- Configurar el adaptador de Prometheus para traducir métricos personalizados para la API de Kubernetes\n– Definir e implementar un recurso HPA que se dirija a las métrica específicas de su aplicación\n‑ Aplicar técnicas de solución de problemas para diagnosticar retrasos comunes de escalado automático y desajustes de métrico\n‐ Practicar la protección de su canalización de metrics usando Kubernete basado en roles Este curso está diseñado para desarrolladores de software, principiantes en DevOps y administradores de sistemas que desean ir más allá de la escalabilidad básica de CPU / memoria.Este curso está dirigido a desarrolladores que deseen aprender cómo escalar la CPU y la memoria de Kubernetes. No se requiere experiencia avanzada en escalado.Comience a crear implementaciones de Kubernetes más resilientes y autoescalables hoy mismo.