首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
您找到你想要的搜索结果了吗?
是的
没有找到

K8S(kubernetes)概述

一、什么是K8S(Kubernetes)? 1.k8s全称kubernetes,这个名字大家应该都不陌生,k8s是为容器服务而生的一个可移植容器的编排管理工具,越来越多的公司正在拥抱k8s,并且当前k8s已经主导了云业务流程,推动了微服务架构等热门技术的普及和落地,正在如火如荼的发展。那么称霸容器领域的k8s究竟是有什么魔力呢? 2.首先,我们从容器技术谈起,在容器技术之前,大家开发用虚拟机比较多,比如vmware和openstack,我们可以使用虚拟机在我们的操作系统中模拟出多台子电脑(Linux),子电脑之间是相互隔离的,但是虚拟机对于开发和运维人员而言,存在启动慢,占用空间大,不易迁移的缺点。举一个我亲身经历过的场景吧,之前在vmware中开发了一个线下平台,为了保证每次能够顺利使用,我们就把这个虚拟机导出为OVF,然后随身携带,用的时候在服务器中部署,这里就充分体现了虚拟机的缺点。 接着,容器化技术应运而生,它不需要虚拟出整个操作系统,只需要虚拟一个小规模的环境即可,而且启动速度很快,除了运行其中应用以外,基本不消耗额外的系统资源。Docker是应用最为广泛的容器技术,通过打包镜像,启动容器来创建一个服务。但是随着应用越来越复杂,容器的数量也越来越多,由此衍生了管理运维容器的重大问题,而且随着云计算的发展,云端最大的挑战,容器在漂移。在此业务驱动下,k8s问世,提出了一套全新的基于容器技术的分布式架构领先方案,在整个容器技术领域的发展是一个重大突破与创新。 那么,K8S实现了什么? 从架构设计层面,我们关注的可用性,伸缩性都可以结合k8s得到很好的解决,如果你想使用微服务架构,搭配k8s,真的是完美,再从部署运维层面,服务部署,服务监控,应用扩容和故障处理,k8s都提供了很好的解决方案。 总而言之,k8s可以使我们应用的部署和运维更加方便。 二、kubernetes特性 1.自我修复 在节点故障时可以删除失效容器,重新创建新的容器,替换和重新部署,保证预期的副本数量,kill掉健康检查失败的容器,并且在容器未准备好之前不会处理客户端情况,确保线上服务不会中断 2.弹性伸缩 使用命令、UI或者k8s基于cpu使用情况自动快速扩容和缩容应用程序实例,保证应用业务高峰并发时的高可用性,业务低峰时回收资源,以最小成本运行服务 3.自动部署和回滚 k8s采用滚动更新策略更新应用,一次更新一个pod,而不是同时删除所有pod,如果更新过程中出现问题,将回滚恢复,确保升级不影响业务 4.服务发现和负载均衡 k8s为多个容器提供一个统一访问入口(内部IP地址和一个dns名称)并且负载均衡关联的所有容器,使得用户无需考虑容器IP问题 5.机密和配置管理 管理机密数据和应用程序配置,而不需要把敏感数据暴露在径向力,提高敏感数据安全性,并可以将一些常用的配置存储在k8s中,方便应用程序调用 6.存储编排 挂载外部存储系统,无论时来自本地存储、公有云(aws)、还是网络存储(nfs、GFS、ceph),都作为集群资源的一部分使用,极大提高存储使用灵活性 7.批处理 提供一次性任务,定时任务:满足批量数据处理和分析的场景 三、kubernetes集群架构与组件 kubernetes集群架构拓补图

01

5分钟入门云压测,轻松应对流量高峰,无惧高负载!

作者简介: 柯开,腾讯云高级工程师,腾讯压测领域 OTeam PMC,负责腾讯云可观测-云压测产品设计研发。 前言 在当今数字化的时代,越来越多的应用程序和服务都被迁移到云上运行。性能测试,正是变更前验证的关键一环,是对系统进行全方位的性能“体检”。它一般通过模拟用户操作,使系统处在高强度压力之下,检验系统是否稳定、哪里会出问题。 随着分布式、微服务、云原生等架构的发展,性能测试面临了新的挑战。 分布式系统的复杂性和较高的网络通信延迟,使得性能测试难以规避设计上的死锁、竞争条件、资源泄露等问题。 微服务架构

02

itestwork9.0.1发布

itest work (爱测试) 一站式工作站让测试变得简单、敏捷。itest work 包含极简的任务管理,测试管理,缺陷管理,测试环境管理,接口测试,接口Mock 6合1,又有丰富的统计分析。可按测试包分配测试用例执行,也可建测试迭代(含任务,测试包,BUG,接口)来组织测试工作,也有测试环境管理,还有很常用的测试度量;对于发版频繁,需求常变,itest还可导出用例,线下修改、执行,新增后再导入(同步)到线上;且可根据测试策略来设置测试流程,并可实时调整;在测试看板中,能查看迭代报告,测试包执行情况,测试任务进展,也可以在看板上直接执行用包用例,也支持在线web 思维导图写用例。

02

Nat. Commun. | 深度学习探索可编程RNA开关

今天给大家介绍的是一篇发表在Nature Communications 的文章“A deep learning approach to programmable RNA switches”,工程RNA元件是能够检测小分子、蛋白质和核酸(合成生物学成分)的可编程工具。增强深度学习的模式识别可以用于预测合成生物学成分。本文用深度神经网络(DNN)来预测合成生物学中的经典核糖开关模型——toehold开关。为了促进DNN训练,作者在体内合成并表征了涵盖23个病毒基因组和906个人类转录因子的91,534个toehold开关的数据集。经过核苷酸序列训练的DNN表现(R 2  = 0.43–0.70)优于前沿的热力学和动力学模型(R 2 = 0.04–0.15),且允许实行人类可理解的注意力可视化(VIS4Map)识别成功和失败的模式。本文研究表明深度学习方法可用于RNA合成生物学中的功能预测。

05
领券