В Kubernetes нужно ограничить сетевое взаимодействие между микросервисами так, чтобы одни Pod’ы могли общаться только с определёнными сервисами, а все остальные подключения были запрещены. Какой механизм Kubernetes вы будете использовать?
👾 — ResourceQuota
👍 — NetworkPolicy
🥰 — PodDisruptionBudget
⚡️ — ServiceAccount
Библиотека собеса по DevOps
👾 — ResourceQuota
👍 — NetworkPolicy
🥰 — PodDisruptionBudget
⚡️ — ServiceAccount
Библиотека собеса по DevOps
👍18
В продакшн-окружении контейнеры начинают потреблять слишком много дискового пространства. Как вы будете диагностировать и устранять проблему?
Проверю docker system df, чтобы понять, где расход (образы, volume, build cache). Использую docker ps -s и docker inspect, чтобы выявить, не пишут ли контейнеры данные внутрь слоя файловой системы. Для логов — настрою ротацию (log-driver=json-file с max-size и max-file) или централизованный логинг. Для оптимизации образов — применю multi-stage build, alpine и очистку кэша.
Библиотека собеса по DevOps
Библиотека собеса по DevOps
⏰ Осталось 48 часов!
Обратный отсчёт пошёл: только до воскресенья 23:59 можно купить курс «AI-агенты для DS-специалистов» и начать учиться уже с 15 сентября.
⚡️ Это ваши +3 недели форы, чтобы спокойно разобраться в самых сложных темах и прийти к первому занятию 7 октября уже подготовленным.
👉 Забрать место
Обратный отсчёт пошёл: только до воскресенья 23:59 можно купить курс «AI-агенты для DS-специалистов» и начать учиться уже с 15 сентября.
⚡️ Это ваши +3 недели форы, чтобы спокойно разобраться в самых сложных темах и прийти к первому занятию 7 октября уже подготовленным.
👉 Забрать место
🤓 «Сначала выучу Python идеально, а потом пойду в ML»
Звучит логично, но на практике — ловушка.
Python огромный: фреймворки, библиотеки, нюансы синтаксиса. Учить «всё сразу» можно бесконечно.
В итоге — месяцы зубрёжки, а до ML руки так и не доходят.
На старте достаточно баз: типы данных, циклы, функции, работа с библиотеками. Всё остальное лучше подтягивать в процессе решения ML-задач.
⚠️ До 1 сентября курсы можно забрать по старым ценам. Это последние выходные, когда:
— ML идёт за 34 000 вместо 44 000 ₽ + Python в подарок,
— два в одном: оплатите курс по математике и получите второй доступ в подарок,
— и главное: можно купить все курсы до подорожания.
👉 ML для старта в Data Science
А для будущих Data Scientist’ов у нас ещё:
— Базовые модели ML и приложения
— Математика для Data Science
— AI-агенты для DS-специалистов (2-й поток скоро)
Звучит логично, но на практике — ловушка.
Python огромный: фреймворки, библиотеки, нюансы синтаксиса. Учить «всё сразу» можно бесконечно.
В итоге — месяцы зубрёжки, а до ML руки так и не доходят.
На старте достаточно баз: типы данных, циклы, функции, работа с библиотеками. Всё остальное лучше подтягивать в процессе решения ML-задач.
⚠️ До 1 сентября курсы можно забрать по старым ценам. Это последние выходные, когда:
— ML идёт за 34 000 вместо 44 000 ₽ + Python в подарок,
— два в одном: оплатите курс по математике и получите второй доступ в подарок,
— и главное: можно купить все курсы до подорожания.
👉 ML для старта в Data Science
А для будущих Data Scientist’ов у нас ещё:
— Базовые модели ML и приложения
— Математика для Data Science
— AI-агенты для DS-специалистов (2-й поток скоро)
Что такое автоматизация? Чем это связано или отличается от оркестровки?
Автоматизация — это процесс автоматизации задач, позволяющий уменьшить вмешательство человека или взаимодействие с ИТ-технологиями и системами.
В то время как автоматизация фокусируется на уровне задач, оркестровка — это процесс автоматизации процессов и/или рабочих процессов, который состоит из множества задач, обычно выполняемых в нескольких системах.
Библиотека собеса по DevOps
В то время как автоматизация фокусируется на уровне задач, оркестровка — это процесс автоматизации процессов и/или рабочих процессов, который состоит из множества задач, обычно выполняемых в нескольких системах.
Библиотека собеса по DevOps
👍1
У вас есть Dockerfile, и сборка образа занимает очень много времени из-за частых изменений в коде. Как оптимизировать процесс сборки, чтобы быстрее получать новые образы?
Переписать Dockerfile так, чтобы максимально использовать кэш слоёв: сначала устанавливать зависимости, потом копировать код. Использовать multi-stage build, чтобы в финальном образе были только нужные бинарники и минимальный набор файлов.
Библиотека собеса по DevOps
Библиотека собеса по DevOps
ПОСЛЕДНИЙ ДЕНЬ❗
КУРСЫ ПОДОРОЖАЮТ ЗАВТРА‼️
— ML за 34к вместо 44к + Python в подарок
— Математика → второй доступ в подарок
— Ранний доступ к AI-агентам с 15 сентября
— И МОЖНО УСПЕТЬ КУПИТЬ ВСЁ ДО ПОДОРОЖАНИЯ
👉 Proglib Academy
КУРСЫ ПОДОРОЖАЮТ ЗАВТРА‼️
— ML за 34к вместо 44к + Python в подарок
— Математика → второй доступ в подарок
— Ранний доступ к AI-агентам с 15 сентября
— И МОЖНО УСПЕТЬ КУПИТЬ ВСЁ ДО ПОДОРОЖАНИЯ
👉 Proglib Academy
В продакшн-окружении заметили, что контейнеры периодически теряют соединение с другими сервисами внутри сети. Как вы будете искать и решать проблему?
Проверю Docker network (bridge/overlay), таблицы маршрутизации и DNS-резолвинг (docker exec <id> cat /etc/resolv.conf). Проверю, что сервисы правильно подключены к одной сети и порты проброшены. Для кластеров (Swarm/Kubernetes) — проверю overlay-сеть, MTU и настройки ingress. Решение: навести порядок в сетях, использовать user-defined bridge/overlay, при необходимости вынести сервисы в отдельные сегменты.
Библиотека собеса по DevOps
Библиотека собеса по DevOps