Autoescala do Kubernetes com métricas personalizadas do Prometheus

As métricas padrão de CPU e memória geralmente não são suficientes para dimensionar aplicativos modernos. Para lidar com padrões de tráfego do mundo real de forma eficaz, seus clusters do Kubernetes precisam escalar com base em dados específicos do aplicativo, como taxas de solicitação ou profundidades de fila.\n\nEste curso baseado em texto orienta você por todo o processo de configuração de um Horizontal Pod Autoscaler (HPA) orientado por métricas personalizadas. Você aprenderá a instrumentar seu aplicativo, expor métricas ao Prometheus e configurar a API de métrica personalizada para tornar suas cargas de trabalho verdadeiramente responsivas à demanda do usuário.\n\nO que você aprenderá:\n- Entenda os principais conceitos de autoescala do Kubernetes e como o HPA interage com APIs de métrica\n- Instrumente o código do aplicativo para expor o Prometheu personalizado métricas\n- Configurar o Adaptador Prometheus para traduzir métricos personalizados para a API do Kubernetes\n– Definir e implantar um recurso HPA que direcione métrico específico do seu aplicativo\n‑ Aplicar técnicas de solução de problemas para diagnosticar atrasos comuns de autoescala e incompatibilidades de métrica\n‐ Praticar a proteção do pipeline de metrics usando o Kubernete baseado em função controle de acesso baseado em função (RBAC)\n\nVocê começará com os conceitos fundamentais da arquitetura de métricas do Kubernetes antes de passar para a configuração prática, configuração do adaptador e implantação final do HPA. Este curso foi projetado para desenvolvedores de software, iniciantes em DevOps e administradores de sistema que desejam ir além do dimensionamento básico de CPU / memória. Nenhuma experiência avançada de dimensionamento é necessária. Comece a criar implantações do Kubernetes mais resilientes e autoescaláveis hoje mesmo.