🔵 عنوان مقاله
Mastering Kubernetes StatefulSets: Expanding PVCs Without Downtime or GitOps Drift
🟢 خلاصه مقاله:
این آموزش روش افزایش حجم PVCs در StatefulSets روی Kubernetes را بدون downtime توضیح می‌دهد و همزمان مشکل GitOps drift در ArgoCD را رفع می‌کند. ابتدا با اطمینان از پشتیبانی StorageClass از online expansion، هر PVC مربوط به StatefulSet به‌صورت دستی افزایش حجم می‌یابد و وضعیت resize تا تکمیل بررسی می‌شود. سپس برای هم‌راستا کردن وضعیت با Git و حذف خطاهای sync در ArgoCD، اندازه جدید در volumeClaimTemplates ثبت و با استفاده از cascade orphan deletion، StatefulSet بدون توقف سرویس‌ها بازایجاد و Pods/PVCs موجود حفظ می‌شوند. نتیجه: افزایش امن و بی‌وقفه فضای ذخیره‌سازی و همگامی کامل با GitOps.
#Kubernetes #StatefulSets #PVC #ArgoCD #GitOps #DevOps #Storage #ZeroDowntime
🟣لینک مقاله:
https://ku.bz/P6gHZ5sDt
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Mastering Kubernetes StatefulSets: Expanding PVCs Without Downtime or GitOps Drift
🟢 خلاصه مقاله:
این آموزش روش افزایش حجم PVCs در StatefulSets روی Kubernetes را بدون downtime توضیح می‌دهد و همزمان مشکل GitOps drift در ArgoCD را رفع می‌کند. ابتدا با اطمینان از پشتیبانی StorageClass از online expansion، هر PVC مربوط به StatefulSet به‌صورت دستی افزایش حجم می‌یابد و وضعیت resize تا تکمیل بررسی می‌شود. سپس برای هم‌راستا کردن وضعیت با Git و حذف خطاهای sync در ArgoCD، اندازه جدید در volumeClaimTemplates ثبت و با استفاده از cascade orphan deletion، StatefulSet بدون توقف سرویس‌ها بازایجاد و Pods/PVCs موجود حفظ می‌شوند. نتیجه: افزایش امن و بی‌وقفه فضای ذخیره‌سازی و همگامی کامل با GitOps.
#Kubernetes #StatefulSets #PVC #ArgoCD #GitOps #DevOps #Storage #ZeroDowntime
🟣لینک مقاله:
https://ku.bz/P6gHZ5sDt
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Medium
Mastering Kubernetes StatefulSets: Expanding PVCs Without Downtime or GitOps Drift
Persistent Volume Claims (PVCs) are central to managing storage in Kubernetes, especially for stateful applications like PostgreSQL. But…
👍1
🔵 عنوان مقاله
Jobnik: RESTful Triggering and Monitoring of Kubernetes Jobs
🟢 خلاصه مقاله:
**Jobnik یک سرویس سبک و API-first است که با ارائه RESTful endpoints، اجرای Kubernetes Jobs و پایش آن‌ها را ساده می‌کند. هر سیستمی که بتواند یک HTTP call بزند، می‌تواند با اطمینان Job بسازد، وضعیتش را بگیرد و لاگ‌ها را مشاهده کند. Jobnik امکان ارسال درخواست اجرای Job (بر اساس spec یا template با پارامتر)، اعمال idempotency برای جلوگیری از اجرای تکراری، کنترل همزمانی، بازیابی وضعیت و دریافت لاگ را از طریق API فراهم می‌کند. از نظر عملیاتی، احراز هویت/مجوز، محدوده‌گذاری چندمستاجره بر اساس namespace، rate limiting و quota، timeout و سیاست‌های پاک‌سازی و همچنین retry/backoff را پوشش می‌دهد. برای observability نیز متریک‌ها، audit logs و tracing ارائه می‌شود و می‌تواند با webhook/callback پایان یا شکست Job را اعلان کند. Jobnik به‌خوبی با CI/CD، پردازش داده و جریان‌های ML یکپارچه می‌شود و به‌عنوان یک درگاه ساده و متمرکز، به‌جای راه‌اندازی موتورهای پیچیده، اجرای قابل اتکا و پایش Kubernetes Jobs را ممکن می‌سازد.
#Kubernetes #RESTfulAPI #DevOps #JobOrchestration #CloudNative #Observability #CICD #PlatformEngineering
🟣لینک مقاله:
https://ku.bz/_w5D-BjXn
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Jobnik: RESTful Triggering and Monitoring of Kubernetes Jobs
🟢 خلاصه مقاله:
**Jobnik یک سرویس سبک و API-first است که با ارائه RESTful endpoints، اجرای Kubernetes Jobs و پایش آن‌ها را ساده می‌کند. هر سیستمی که بتواند یک HTTP call بزند، می‌تواند با اطمینان Job بسازد، وضعیتش را بگیرد و لاگ‌ها را مشاهده کند. Jobnik امکان ارسال درخواست اجرای Job (بر اساس spec یا template با پارامتر)، اعمال idempotency برای جلوگیری از اجرای تکراری، کنترل همزمانی، بازیابی وضعیت و دریافت لاگ را از طریق API فراهم می‌کند. از نظر عملیاتی، احراز هویت/مجوز، محدوده‌گذاری چندمستاجره بر اساس namespace، rate limiting و quota، timeout و سیاست‌های پاک‌سازی و همچنین retry/backoff را پوشش می‌دهد. برای observability نیز متریک‌ها، audit logs و tracing ارائه می‌شود و می‌تواند با webhook/callback پایان یا شکست Job را اعلان کند. Jobnik به‌خوبی با CI/CD، پردازش داده و جریان‌های ML یکپارچه می‌شود و به‌عنوان یک درگاه ساده و متمرکز، به‌جای راه‌اندازی موتورهای پیچیده، اجرای قابل اتکا و پایش Kubernetes Jobs را ممکن می‌سازد.
#Kubernetes #RESTfulAPI #DevOps #JobOrchestration #CloudNative #Observability #CICD #PlatformEngineering
🟣لینک مقاله:
https://ku.bz/_w5D-BjXn
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
GitHub
GitHub - wix-incubator/jobnik: Jobnik is a tiny web application that allows triggering and monitoring Kubernetes Jobs using standard…
Jobnik is a tiny web application that allows triggering and monitoring Kubernetes Jobs using standard Rest-API - wix-incubator/jobnik
🔵 عنوان مقاله
k8sgpt: Kubernetes analyzer
🟢 خلاصه مقاله:
k8sgpt یک ابزار متن‌باز برای تحلیل Kubernetes است که خطاها و هشدارهای پیچیده را به توضیحات قابل‌فهم و راهکارهای عملی تبدیل می‌کند. این ابزار با اسکن منابعی مانند Pod، Deployment، Service، Ingress، Node و همچنین Events و لاگ‌ها، خطاهای رایج مثل CrashLoopBackOff، ImagePullBackOff، OOM، ایراد در Resource Limit/Request، Selector نادرست Service، مشکلات DNS و خطاهای RBAC را پیدا و ریشه‌یابی می‌کند. k8sgpt با استفاده از LLMها (مثلاً OpenAI یا مدل‌های محلی) خلاصه‌ای انسانی و مرحله‌به‌مرحله ارائه می‌دهد و برای حفظ حریم خصوصی، اطلاعات حساس را قبل از ارسال به سرویس‌های خارجی حذف می‌کند و قابلیت اجرای آفلاین نیز دارد. می‌توان آن را به‌صورت CLI روی context فعلی kubectl اجرا کرد یا داخل کلاستر مستقر نمود، خروجی انسان‌خوان یا JSON برای اتوماسیون گرفت و در CI/CD به‌کار برد. هرچند عیب‌یابی را سرعت می‌دهد، جایگزین پایش و امنیت کامل نیست و کیفیت نتایج به داده‌ها و مدل انتخابی وابسته است.
#Kubernetes #k8sgpt #DevOps #SRE #CloudNative #Observability #AI #LLM
🟣لینک مقاله:
https://ku.bz/sV6Dnd99T
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
k8sgpt: Kubernetes analyzer
🟢 خلاصه مقاله:
k8sgpt یک ابزار متن‌باز برای تحلیل Kubernetes است که خطاها و هشدارهای پیچیده را به توضیحات قابل‌فهم و راهکارهای عملی تبدیل می‌کند. این ابزار با اسکن منابعی مانند Pod، Deployment، Service، Ingress، Node و همچنین Events و لاگ‌ها، خطاهای رایج مثل CrashLoopBackOff، ImagePullBackOff، OOM، ایراد در Resource Limit/Request، Selector نادرست Service، مشکلات DNS و خطاهای RBAC را پیدا و ریشه‌یابی می‌کند. k8sgpt با استفاده از LLMها (مثلاً OpenAI یا مدل‌های محلی) خلاصه‌ای انسانی و مرحله‌به‌مرحله ارائه می‌دهد و برای حفظ حریم خصوصی، اطلاعات حساس را قبل از ارسال به سرویس‌های خارجی حذف می‌کند و قابلیت اجرای آفلاین نیز دارد. می‌توان آن را به‌صورت CLI روی context فعلی kubectl اجرا کرد یا داخل کلاستر مستقر نمود، خروجی انسان‌خوان یا JSON برای اتوماسیون گرفت و در CI/CD به‌کار برد. هرچند عیب‌یابی را سرعت می‌دهد، جایگزین پایش و امنیت کامل نیست و کیفیت نتایج به داده‌ها و مدل انتخابی وابسته است.
#Kubernetes #k8sgpt #DevOps #SRE #CloudNative #Observability #AI #LLM
🟣لینک مقاله:
https://ku.bz/sV6Dnd99T
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
GitHub
GitHub - k8sgpt-ai/k8sgpt: Giving Kubernetes Superpowers to everyone
Giving Kubernetes Superpowers to everyone. Contribute to k8sgpt-ai/k8sgpt development by creating an account on GitHub.
❤1👏1
🔵 عنوان مقاله
kclipper: declarative helm management
🟢 خلاصه مقاله:
kclipper روشی سبک برای مدیریت declarative در Helm روی Kubernetes معرفی می‌کند. به‌جای اجرای دستورات پراکنده helm، وضعیت مطلوب شامل نام Chart، نسخه، Namespace و مقادیر در فایل‌های نسخه‌پذیر تعریف می‌شود تا تغییرات قابل تکرار، بازبینی و حسابرسی باشند. این رویکرد با الگوی GitOps هم‌راستا است و با تکیه بر اعلان وضعیت مطلوب، به کاهش Drift، استانداردسازی سرویس‌ها و تسهیل ارتقا و بازگشت کمک می‌کند. با حفظ سازگاری با اکوسیستم Helm، تیم‌های SRE و DevOps می‌توانند سرویس‌ها را در محیط‌ها و کلاسترهای مختلف به‌صورت قابل اتکا و یکپارچه مدیریت کنند.
#kclipper #Helm #Kubernetes #GitOps #DevOps #InfrastructureAsCode #CICD #PlatformEngineering
🟣لینک مقاله:
https://ku.bz/qGTw90Kmy
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
kclipper: declarative helm management
🟢 خلاصه مقاله:
kclipper روشی سبک برای مدیریت declarative در Helm روی Kubernetes معرفی می‌کند. به‌جای اجرای دستورات پراکنده helm، وضعیت مطلوب شامل نام Chart، نسخه، Namespace و مقادیر در فایل‌های نسخه‌پذیر تعریف می‌شود تا تغییرات قابل تکرار، بازبینی و حسابرسی باشند. این رویکرد با الگوی GitOps هم‌راستا است و با تکیه بر اعلان وضعیت مطلوب، به کاهش Drift، استانداردسازی سرویس‌ها و تسهیل ارتقا و بازگشت کمک می‌کند. با حفظ سازگاری با اکوسیستم Helm، تیم‌های SRE و DevOps می‌توانند سرویس‌ها را در محیط‌ها و کلاسترهای مختلف به‌صورت قابل اتکا و یکپارچه مدیریت کنند.
#kclipper #Helm #Kubernetes #GitOps #DevOps #InfrastructureAsCode #CICD #PlatformEngineering
🟣لینک مقاله:
https://ku.bz/qGTw90Kmy
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
GitHub
GitHub - MacroPower/kclipper: KCL + Helm = kclipper
KCL + Helm = kclipper. Contribute to MacroPower/kclipper development by creating an account on GitHub.
🔵 عنوان مقاله
Keeper Secrets Manager: Eliminate hard-coded credentials across your environment (Sponsor)
🟢 خلاصه مقاله:
Keeper Secrets Manager راهکار سخت‌کد شدن اعتبارنامه‌ها را با یک معماری zero-knowledge برطرف می‌کند: اسرار به‌صورت سرتاسری رمز می‌شوند و در زمان اجرا به اپلیکیشن‌ها و پایپ‌لاین‌ها تزریق می‌گردند تا هیچ کلید یا رمزی در کد و ایمیج‌ها باقی نماند. این سرویس cloud-based و کاملاً مدیریت‌شده، با ابزارهای رایج DevOps (مثل Jenkins، GitHub Actions، GitLab CI، Kubernetes، Terraform و Ansible) یکپارچه می‌شود و با چرخش خودکار اعتبارنامه‌ها، سیاست‌های دسترسی حداقلی و گزارش‌گیری، سطح حمله و ریسک انطباق را کاهش می‌دهد. برای مشاهده قابلیت‌ها می‌توانید درخواست دمو بدهید.
#SecretsManagement #DevOps #ZeroKnowledge #CredentialRotation #CloudSecurity #CICD #PAM #ApplicationSecurity
🟣لینک مقاله:
https://www.keepersecurity.com/secrets-manager.html?utm_source=TLDR-Newsletter&utm_medium=Sponsored-Ad-Placement&utm_campaign=September-Secrets-Manager
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Keeper Secrets Manager: Eliminate hard-coded credentials across your environment (Sponsor)
🟢 خلاصه مقاله:
Keeper Secrets Manager راهکار سخت‌کد شدن اعتبارنامه‌ها را با یک معماری zero-knowledge برطرف می‌کند: اسرار به‌صورت سرتاسری رمز می‌شوند و در زمان اجرا به اپلیکیشن‌ها و پایپ‌لاین‌ها تزریق می‌گردند تا هیچ کلید یا رمزی در کد و ایمیج‌ها باقی نماند. این سرویس cloud-based و کاملاً مدیریت‌شده، با ابزارهای رایج DevOps (مثل Jenkins، GitHub Actions، GitLab CI، Kubernetes، Terraform و Ansible) یکپارچه می‌شود و با چرخش خودکار اعتبارنامه‌ها، سیاست‌های دسترسی حداقلی و گزارش‌گیری، سطح حمله و ریسک انطباق را کاهش می‌دهد. برای مشاهده قابلیت‌ها می‌توانید درخواست دمو بدهید.
#SecretsManagement #DevOps #ZeroKnowledge #CredentialRotation #CloudSecurity #CICD #PAM #ApplicationSecurity
🟣لینک مقاله:
https://www.keepersecurity.com/secrets-manager.html?utm_source=TLDR-Newsletter&utm_medium=Sponsored-Ad-Placement&utm_campaign=September-Secrets-Manager
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Keeper® Password Manager & Digital Vault
Keeper Secrets Manager
Protect secrets and non-human identities with Keeper. Cloud-native, zero-trust secrets management with seamless DevOps integration and automated rotation.
👌1
🔵 عنوان مقاله
kubeseal-convert
🟢 خلاصه مقاله:
kubeseal-convert یک ابزار CLI سبک در کنار Sealed Secrets است که تبدیل مانيفست‌های مرتبط با Secret را ساده می‌کند. این ابزار می‌تواند Secretهای معمول Kubernetes را به SealedSecret تبدیل کند و همچنین SealedSecretهای موجود را با نسخه‌های جدید API هماهنگ سازد تا مهاجرت‌ها و نگهداری روزمره بدون خطای دستی انجام شود. kubeseal-convert برای خودکارسازی طراحی شده و به‌راحتی در CI/CD، pre-commit و جریان‌های GitOps (مثل Argo CD یا Flux) قرار می‌گیرد تا سازگاری مانيفست‌ها در طول ارتقای کلاستر یا کنترلر حفظ شود. این ابزار جایگزین kubeseal نیست و داده‌های محرمانه را رمزگشایی نمی‌کند؛ تمرکز آن صرفاً بر تبدیل و همسان‌سازی مانيفست‌ها است. نتیجه، کاهش ریسک عملیاتی و تسهیل مهاجرت در تیم‌هایی است که با ریپازیتوری‌های بزرگ یا چند کلاستر کار می‌کنند.
#Kubernetes #SealedSecrets #kubeseal #GitOps #DevOps #Security #CI/CD
🟣لینک مقاله:
https://ku.bz/fQPD8MvbX
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
kubeseal-convert
🟢 خلاصه مقاله:
kubeseal-convert یک ابزار CLI سبک در کنار Sealed Secrets است که تبدیل مانيفست‌های مرتبط با Secret را ساده می‌کند. این ابزار می‌تواند Secretهای معمول Kubernetes را به SealedSecret تبدیل کند و همچنین SealedSecretهای موجود را با نسخه‌های جدید API هماهنگ سازد تا مهاجرت‌ها و نگهداری روزمره بدون خطای دستی انجام شود. kubeseal-convert برای خودکارسازی طراحی شده و به‌راحتی در CI/CD، pre-commit و جریان‌های GitOps (مثل Argo CD یا Flux) قرار می‌گیرد تا سازگاری مانيفست‌ها در طول ارتقای کلاستر یا کنترلر حفظ شود. این ابزار جایگزین kubeseal نیست و داده‌های محرمانه را رمزگشایی نمی‌کند؛ تمرکز آن صرفاً بر تبدیل و همسان‌سازی مانيفست‌ها است. نتیجه، کاهش ریسک عملیاتی و تسهیل مهاجرت در تیم‌هایی است که با ریپازیتوری‌های بزرگ یا چند کلاستر کار می‌کنند.
#Kubernetes #SealedSecrets #kubeseal #GitOps #DevOps #Security #CI/CD
🟣لینک مقاله:
https://ku.bz/fQPD8MvbX
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
GitHub
GitHub - EladLeev/kubeseal-convert: A tool for importing secrets from a pre-existing secrets management systems (e.g. Vault, Secrets…
A tool for importing secrets from a pre-existing secrets management systems (e.g. Vault, Secrets Manager) into a SealedSecret :shushing_face: - EladLeev/kubeseal-convert
🔵 عنوان مقاله
Kubernetes 1.33: Resizing Pods Without the Drama (Finally!)
🟢 خلاصه مقاله:
کوبرنیتس 1.33 روی حل یک درد قدیمی تمرکز دارد: تغییر CPU و Memory یک Pod بدون ری‌استارت و رول‌اوت‌های پرهزینه. در نسخه‌های قبلی، تنظیم request/limit معمولاً به بازسازی Pod یا تغییرات پیچیده در Deployment/StatefulSet ختم می‌شد که برای سرویس‌های حساس یا اپ‌های stateful دردسرساز بود. در این نسخه، امکان تغییر منابع به‌صورت in-place در سطح Pod بسیار روان‌تر شده است؛ kubelet تغییرات cgroup را روی نود اعمال می‌کند، حسابداری منابع و زمان‌بند با درخواست‌های جدید هماهنگ می‌شوند و محدودیت‌هایی مثل ResourceQuota و LimitRange همچنان رعایت می‌گردند. نتیجه این است که برای رایت‌سایزینگ واقعی، کمتر نیاز به رول‌اوت دارید، ریسک وقفه کاهش می‌یابد و هزینه‌ها بهتر کنترل می‌شود. با این حال، همه منابع یکسان قابل تغییر لحظه‌ای نیستند و کاهش تهاجمی Memory می‌تواند خطر OOM داشته باشد؛ بنابراین توصیه می‌شود تغییرات مرحله‌ای انجام شود و با مانیتورینگ دقیق همراه باشد. خلاصه اینکه 1.33 رایت‌سایزینگ را به یک عملیات کم‌دردسر و کاربردی تبدیل می‌کند و زمان تیم‌ها را از مدیریت رول‌اوت‌های غیرضروری به بهینه‌سازی عملکرد و هزینه روی بارهای واقعی منتقل می‌سازد.
#Kubernetes #Pods #DevOps #SRE #CloudNative #Autoscaling #ResourceManagement #Containers
🟣لینک مقاله:
https://ku.bz/WwX8zwk0S
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Kubernetes 1.33: Resizing Pods Without the Drama (Finally!)
🟢 خلاصه مقاله:
کوبرنیتس 1.33 روی حل یک درد قدیمی تمرکز دارد: تغییر CPU و Memory یک Pod بدون ری‌استارت و رول‌اوت‌های پرهزینه. در نسخه‌های قبلی، تنظیم request/limit معمولاً به بازسازی Pod یا تغییرات پیچیده در Deployment/StatefulSet ختم می‌شد که برای سرویس‌های حساس یا اپ‌های stateful دردسرساز بود. در این نسخه، امکان تغییر منابع به‌صورت in-place در سطح Pod بسیار روان‌تر شده است؛ kubelet تغییرات cgroup را روی نود اعمال می‌کند، حسابداری منابع و زمان‌بند با درخواست‌های جدید هماهنگ می‌شوند و محدودیت‌هایی مثل ResourceQuota و LimitRange همچنان رعایت می‌گردند. نتیجه این است که برای رایت‌سایزینگ واقعی، کمتر نیاز به رول‌اوت دارید، ریسک وقفه کاهش می‌یابد و هزینه‌ها بهتر کنترل می‌شود. با این حال، همه منابع یکسان قابل تغییر لحظه‌ای نیستند و کاهش تهاجمی Memory می‌تواند خطر OOM داشته باشد؛ بنابراین توصیه می‌شود تغییرات مرحله‌ای انجام شود و با مانیتورینگ دقیق همراه باشد. خلاصه اینکه 1.33 رایت‌سایزینگ را به یک عملیات کم‌دردسر و کاربردی تبدیل می‌کند و زمان تیم‌ها را از مدیریت رول‌اوت‌های غیرضروری به بهینه‌سازی عملکرد و هزینه روی بارهای واقعی منتقل می‌سازد.
#Kubernetes #Pods #DevOps #SRE #CloudNative #Autoscaling #ResourceManagement #Containers
🟣لینک مقاله:
https://ku.bz/WwX8zwk0S
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Medium
Kubernetes 1.33: Resizing Pods Without the Drama (Finally!) 🎉
Remember that feeling? You meticulously configured your Kubernetes pods, set the CPU and memory just right (or so you thought), only to…
🎉2
🔵 عنوان مقاله
KubeNodeUsage: Real-Time K8s Node & Pod Metrics from the Terminal
🟢 خلاصه مقاله:
**KubeNodeUsage یک ابزار ترمینالی برای نمایش لحظه‌ای شاخص‌های منابع در K8s است که مصرف CPU و حافظه را در سطح Node و Pod نشان می‌دهد. با نمایی شبیه top و امکان مرتب‌سازی و فیلتر بر اساس namespace، node یا pod، شناسایی هات‌اسپات‌ها و عیب‌یابی سریع را ممکن می‌کند. این ابزار در سناریوهای on-call، استقرار و تست بار، و نیز در محیط‌های headless یا CI کاربردی است و با تکیه بر kubeconfig فعلی، بدون نیاز به داشبورد، بینشی فوری از وضعیت کلاستر را مستقیماً در Terminal ارائه می‌دهد.
#Kubernetes #K8s #Monitoring #Observability #DevOps #SRE #CLI
🟣لینک مقاله:
https://ku.bz/T9pnyMHT4
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
KubeNodeUsage: Real-Time K8s Node & Pod Metrics from the Terminal
🟢 خلاصه مقاله:
**KubeNodeUsage یک ابزار ترمینالی برای نمایش لحظه‌ای شاخص‌های منابع در K8s است که مصرف CPU و حافظه را در سطح Node و Pod نشان می‌دهد. با نمایی شبیه top و امکان مرتب‌سازی و فیلتر بر اساس namespace، node یا pod، شناسایی هات‌اسپات‌ها و عیب‌یابی سریع را ممکن می‌کند. این ابزار در سناریوهای on-call، استقرار و تست بار، و نیز در محیط‌های headless یا CI کاربردی است و با تکیه بر kubeconfig فعلی، بدون نیاز به داشبورد، بینشی فوری از وضعیت کلاستر را مستقیماً در Terminal ارائه می‌دهد.
#Kubernetes #K8s #Monitoring #Observability #DevOps #SRE #CLI
🟣لینک مقاله:
https://ku.bz/T9pnyMHT4
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
GitHub
GitHub - AKSarav/KubeNodeUsage: KubeNodeUsage is a Terminal App designed to provide insights into Kubernetes node and pod usage.…
KubeNodeUsage is a Terminal App designed to provide insights into Kubernetes node and pod usage. It offers both interactive exploration and command-line filtering options to help you analyze your c...
🏆1🤝1
🔵 عنوان مقاله
Orchestrating thousands of speedtests, using Kubernetes
🟢 خلاصه مقاله:
اجرای هزاران تست سرعت در مقیاس بالا یک مسئله هماهنگی و مقیاس‌پذیری است. با کانتینری‌کردن رانرها و اجرای آن‌ها به‌صورت Jobs/CronJobs در Kubernetes می‌توان تعداد زیادی Pod را موازی اجرا کرد، منابع را با requests/limits کنترل نمود و با برچسب‌گذاری، affinity و taints/tolerations آن‌ها را در نودها و ریجن‌های مناسب جای‌گذاری کرد. HPA و autoscaling کلاستر امکان انفجار مقیاس و جمع‌شدن تا صفر را می‌دهند و با زمان‌بندی پله‌ای، پین‌کردن CPU و policyهای شبکه، خطای اندازه‌گیری کاهش می‌یابد. جمع‌آوری داده از اجرای تست‌ها از مسیر صف/ذخیره‌سازی شی‌گرا یا پایگاه سری‌زمان مستقل می‌شود و یک سرویس aggregator اعتبارسنجی و خلاصه‌سازی را انجام می‌دهد. مشاهده‌پذیری با Prometheus و داشبوردهای Grafana خط سیر اجرا، نرخ خطا و توزیع تاخیرها را نشان می‌دهد؛ همچنین با backoff، idempotency، rate limiting و مدیریت secrets پایداری افزایش می‌یابد و همگام‌سازی زمان، مقایسه‌پذیری را بهبود می‌دهد. برای هزینه و تاب‌آوری، از batch window، priority class، نودهای spot/preemptible، PDB و چندریجنی/چندابری استفاده می‌شود. نتیجه اینکه با تکیه بر الگوهای بومی Kubernetes مانند Jobs، CronJobs، autoscaling و صف‌ها، ارکستریشن هزاران تست سرعت قابل اتکا، تکرارپذیر و مقرون‌به‌صرفه می‌شود.
#Kubernetes #SpeedTest #LoadTesting #NetworkPerformance #Scalability #DevOps #CloudNative #Observability
🟣لینک مقاله:
https://ku.bz/m-yzWmZCh
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Orchestrating thousands of speedtests, using Kubernetes
🟢 خلاصه مقاله:
اجرای هزاران تست سرعت در مقیاس بالا یک مسئله هماهنگی و مقیاس‌پذیری است. با کانتینری‌کردن رانرها و اجرای آن‌ها به‌صورت Jobs/CronJobs در Kubernetes می‌توان تعداد زیادی Pod را موازی اجرا کرد، منابع را با requests/limits کنترل نمود و با برچسب‌گذاری، affinity و taints/tolerations آن‌ها را در نودها و ریجن‌های مناسب جای‌گذاری کرد. HPA و autoscaling کلاستر امکان انفجار مقیاس و جمع‌شدن تا صفر را می‌دهند و با زمان‌بندی پله‌ای، پین‌کردن CPU و policyهای شبکه، خطای اندازه‌گیری کاهش می‌یابد. جمع‌آوری داده از اجرای تست‌ها از مسیر صف/ذخیره‌سازی شی‌گرا یا پایگاه سری‌زمان مستقل می‌شود و یک سرویس aggregator اعتبارسنجی و خلاصه‌سازی را انجام می‌دهد. مشاهده‌پذیری با Prometheus و داشبوردهای Grafana خط سیر اجرا، نرخ خطا و توزیع تاخیرها را نشان می‌دهد؛ همچنین با backoff، idempotency، rate limiting و مدیریت secrets پایداری افزایش می‌یابد و همگام‌سازی زمان، مقایسه‌پذیری را بهبود می‌دهد. برای هزینه و تاب‌آوری، از batch window، priority class، نودهای spot/preemptible، PDB و چندریجنی/چندابری استفاده می‌شود. نتیجه اینکه با تکیه بر الگوهای بومی Kubernetes مانند Jobs، CronJobs، autoscaling و صف‌ها، ارکستریشن هزاران تست سرعت قابل اتکا، تکرارپذیر و مقرون‌به‌صرفه می‌شود.
#Kubernetes #SpeedTest #LoadTesting #NetworkPerformance #Scalability #DevOps #CloudNative #Observability
🟣لینک مقاله:
https://ku.bz/m-yzWmZCh
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Medium
Orchestrating thousands of Speedtests, using Kubernetes
Orchestrating thousands of Speedtests, using Kubernetes To monitor the network usability and speed of our store systems over time, we addressed the challenge by implementing a distributed speed test …
🔵 عنوان مقاله
From CI to Kubernetes Catalog: Building a Composable Platform with GitOps and vCluster
🟢 خلاصه مقاله:
** این مقاله مسیر گذار از CI به یک Kubernetes Catalog کامل را توضیح می‌دهد و نشان می‌دهد چگونه می‌توان با یک معماری سه‌لایه و ماژولار روی Kubernetes یک Internal Developer Platform ترکیب‌پذیر ساخت. در لایه زیرین، vCluster محیط‌های ایزوله و چندمستاجره ایجاد می‌کند؛ در لایه میانی، بهترین‌روش‌ها به‌صورت قالب‌ها و Helm chartهای قابل‌استفاده‌مجدد کپسوله می‌شوند؛ و در لایه بالایی، خروجی‌های CI از طریق GitOps به‌صورت امن و قابل ردیابی به محیط‌های مقصد اعمال می‌گردند. در نهایت، یک Kubernetes Catalog به‌عنوان درگاه سلف‌سرویس برای مؤلفه‌های تأییدشده و مسیرهای طلایی فراهم می‌شود تا تیم‌ها با حفظ استانداردها، سریع‌تر و مطمئن‌تر استقرار دهند.
#Kubernetes #GitOps #PlatformEngineering #InternalDeveloperPlatform #Helm #vCluster #DevOps #CICD
🟣لینک مقاله:
https://ku.bz/tr_Py62FF
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
From CI to Kubernetes Catalog: Building a Composable Platform with GitOps and vCluster
🟢 خلاصه مقاله:
** این مقاله مسیر گذار از CI به یک Kubernetes Catalog کامل را توضیح می‌دهد و نشان می‌دهد چگونه می‌توان با یک معماری سه‌لایه و ماژولار روی Kubernetes یک Internal Developer Platform ترکیب‌پذیر ساخت. در لایه زیرین، vCluster محیط‌های ایزوله و چندمستاجره ایجاد می‌کند؛ در لایه میانی، بهترین‌روش‌ها به‌صورت قالب‌ها و Helm chartهای قابل‌استفاده‌مجدد کپسوله می‌شوند؛ و در لایه بالایی، خروجی‌های CI از طریق GitOps به‌صورت امن و قابل ردیابی به محیط‌های مقصد اعمال می‌گردند. در نهایت، یک Kubernetes Catalog به‌عنوان درگاه سلف‌سرویس برای مؤلفه‌های تأییدشده و مسیرهای طلایی فراهم می‌شود تا تیم‌ها با حفظ استانداردها، سریع‌تر و مطمئن‌تر استقرار دهند.
#Kubernetes #GitOps #PlatformEngineering #InternalDeveloperPlatform #Helm #vCluster #DevOps #CICD
🟣لینک مقاله:
https://ku.bz/tr_Py62FF
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Medium
From CI to Kubernetes Catalog: Building a Composable Platform with GitOps and vCluster
A practical guide for Platform Engineers to create reusable, self-service Kubernetes environments using Helm, Score, Kro, and more.
🔵 عنوان مقاله
End-to-End DAG Testing in Airflow, Minus the Kubernetes Headache
🟢 خلاصه مقاله:
این مقاله راهکاری عملی برای تست end-to-end در Airflow ارائه می‌کند: به‌جای تکیه مستقیم بر Kubernetes در زمان تست، از یک اپراتور جایگزین در سطح Python استفاده می‌شود. به‌طور مشخص، به‌جای KubernetesPodOperator از CustomTestPodOperator که کارها را در خودِ فرآیند اجرا می‌کند بهره می‌گیرد تا منطق و اتصال‌های DAG بدون نیاز به کلاستر Kubernetes آزموده شود. این روش با حفظ رابط و پارامترها (مثل env و XCom) سرعت و پایداری تست‌ها را بالا می‌برد و در CI و توسعه محلی ساده‌تر است. البته اعتبارسنجی مسائل کلاستری مانند RBAC و ایمیج‌ها همچنان نیازمند تعداد کمی تست یکپارچه واقعی روی Kubernetes خواهد بود.
#Airflow #Kubernetes #DAG #Testing #Python #CI #DevOps
🟣لینک مقاله:
https://ku.bz/RjlZ0mkLH
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
End-to-End DAG Testing in Airflow, Minus the Kubernetes Headache
🟢 خلاصه مقاله:
این مقاله راهکاری عملی برای تست end-to-end در Airflow ارائه می‌کند: به‌جای تکیه مستقیم بر Kubernetes در زمان تست، از یک اپراتور جایگزین در سطح Python استفاده می‌شود. به‌طور مشخص، به‌جای KubernetesPodOperator از CustomTestPodOperator که کارها را در خودِ فرآیند اجرا می‌کند بهره می‌گیرد تا منطق و اتصال‌های DAG بدون نیاز به کلاستر Kubernetes آزموده شود. این روش با حفظ رابط و پارامترها (مثل env و XCom) سرعت و پایداری تست‌ها را بالا می‌برد و در CI و توسعه محلی ساده‌تر است. البته اعتبارسنجی مسائل کلاستری مانند RBAC و ایمیج‌ها همچنان نیازمند تعداد کمی تست یکپارچه واقعی روی Kubernetes خواهد بود.
#Airflow #Kubernetes #DAG #Testing #Python #CI #DevOps
🟣لینک مقاله:
https://ku.bz/RjlZ0mkLH
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Medium
End-to-End DAG Testing in Airflow, Minus the Kubernetes Headache
A practical approach for testing Airflow DAGs end-to-end in CI by replacing Kubernetes operators with lightweight Python equivalents.
🔵 عنوان مقاله
Winter Soldier: Kubernetes Cleaner
🟢 خلاصه مقاله:
Winter Soldier: Kubernetes Cleaner ابزاری است برای تمیزکاری خودکار و ایمن در Kubernetes که با اسکن وضعیت کلاستر، منابع بلااستفاده و رهاشده (مثل Namespace، PVC/PV، Serviceهای نوع LoadBalancer، ConfigMap و Secretهای بدون مصرف) و موارد ناشی از drift را شناسایی و پاک‌سازی می‌کند. این ابزار دارای dry-run، گزارش‌دهی و audit log، رعایت RBAC، پشتیبانی از annotationهای TTL/keep و گاردریل‌های ایمنی برای حذف بدون ریسک است. می‌توان آن را به‌صورت CLI، به‌عنوان controller یا CronJob اجرا کرد و در GitOps با Argo CD یا Flux و همچنین در فرایندهای Helm یکپارچه نمود؛ همچنین هدف‌گیری Namespace یا چند کلاستر از طریق kubeconfig را پشتیبانی می‌کند. در بعد امنیت و حاکمیت، موارد مشکوک، Serviceهای بی‌دلیل در معرض عموم و ذخیره‌سازی اشتباه secretها در ConfigMap را پرچم‌گذاری می‌کند و با OPA/Gatekeeper قابل ادغام است؛ ضمن اینکه با Prometheus/Grafana قابل مشاهده‌سازی است. نصب از طریق Helm ساده بوده و مقاله توصیه‌های آغاز کار، تنظیمات پیش‌فرض امن و مسیر مشارکت در پروژه متن‌باز را ارائه می‌دهد.
#Kubernetes #DevOps #CloudNative #SRE #Automation #GitOps #Helm #Security
🟣لینک مقاله:
https://ku.bz/WB7nhRqQp
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Winter Soldier: Kubernetes Cleaner
🟢 خلاصه مقاله:
Winter Soldier: Kubernetes Cleaner ابزاری است برای تمیزکاری خودکار و ایمن در Kubernetes که با اسکن وضعیت کلاستر، منابع بلااستفاده و رهاشده (مثل Namespace، PVC/PV، Serviceهای نوع LoadBalancer، ConfigMap و Secretهای بدون مصرف) و موارد ناشی از drift را شناسایی و پاک‌سازی می‌کند. این ابزار دارای dry-run، گزارش‌دهی و audit log، رعایت RBAC، پشتیبانی از annotationهای TTL/keep و گاردریل‌های ایمنی برای حذف بدون ریسک است. می‌توان آن را به‌صورت CLI، به‌عنوان controller یا CronJob اجرا کرد و در GitOps با Argo CD یا Flux و همچنین در فرایندهای Helm یکپارچه نمود؛ همچنین هدف‌گیری Namespace یا چند کلاستر از طریق kubeconfig را پشتیبانی می‌کند. در بعد امنیت و حاکمیت، موارد مشکوک، Serviceهای بی‌دلیل در معرض عموم و ذخیره‌سازی اشتباه secretها در ConfigMap را پرچم‌گذاری می‌کند و با OPA/Gatekeeper قابل ادغام است؛ ضمن اینکه با Prometheus/Grafana قابل مشاهده‌سازی است. نصب از طریق Helm ساده بوده و مقاله توصیه‌های آغاز کار، تنظیمات پیش‌فرض امن و مسیر مشارکت در پروژه متن‌باز را ارائه می‌دهد.
#Kubernetes #DevOps #CloudNative #SRE #Automation #GitOps #Helm #Security
🟣لینک مقاله:
https://ku.bz/WB7nhRqQp
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
GitHub
GitHub - devtron-labs/winter-soldier: Scale down or delete unneeded workload after work hours based on conditions
Scale down or delete unneeded workload after work hours based on conditions - devtron-labs/winter-soldier
🔵 عنوان مقاله
K8z: the Kubernetes manager
🟢 خلاصه مقاله:
K8z ابزاری برای مدیریت Kubernetes است که با تمرکز بر ساده‌سازی عملیات روزمره، خودکارسازی چرخه‌عمر کلاسترها، و کاهش ریسک ارتقا و مقیاس‌دهی، مدیریت یکپارچه‌ای ارائه می‌کند. این ابزار با پشتیبانی از GitOps و ابزارهایی مانند Helm، و اتصال به Prometheus و Grafana برای پایش و هشدار، تجربه توسعه و عملیات را روان‌تر می‌سازد. همچنین با تقویت امنیت، اعمال Policyها و رعایت RBAC، و توجه به بهینگی منابع، در محیط‌های ابری و on‑premise به تیم‌ها کمک می‌کند سریع‌تر و قابل‌اعتمادتر استقرار دهند.
#K8z #Kubernetes #DevOps #CloudNative #GitOps #ClusterManagement #Observability #SRE
🟣لینک مقاله:
https://k8z.dev
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
K8z: the Kubernetes manager
🟢 خلاصه مقاله:
K8z ابزاری برای مدیریت Kubernetes است که با تمرکز بر ساده‌سازی عملیات روزمره، خودکارسازی چرخه‌عمر کلاسترها، و کاهش ریسک ارتقا و مقیاس‌دهی، مدیریت یکپارچه‌ای ارائه می‌کند. این ابزار با پشتیبانی از GitOps و ابزارهایی مانند Helm، و اتصال به Prometheus و Grafana برای پایش و هشدار، تجربه توسعه و عملیات را روان‌تر می‌سازد. همچنین با تقویت امنیت، اعمال Policyها و رعایت RBAC، و توجه به بهینگی منابع، در محیط‌های ابری و on‑premise به تیم‌ها کمک می‌کند سریع‌تر و قابل‌اعتمادتر استقرار دهند.
#K8z #Kubernetes #DevOps #CloudNative #GitOps #ClusterManagement #Observability #SRE
🟣لینک مقاله:
https://k8z.dev
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
k8z.dev
K8Z | The Kubernetes Manager
The Kubernetes Manager for iOS and MacOS.
🔵 عنوان مقاله
kps-zeroexposure – Secure Prometheus Agent for Kube-Prometheus-Stack
🟢 خلاصه مقاله:
این مقاله از kps-zeroexposure معرفی می‌کند؛ یک Prometheus Agent امن برای Kube-Prometheus-Stack که با رویکرد “zero exposure” طراحی شده است. مسئله رایج این است که نمایش Prometheus یا endpointها از طریق LoadBalancer/NodePort/Ingress سطح حمله را بالا می‌برد. kps-zeroexposure همه مؤلفه‌های مانیتورینگ را درون کلاستر خصوصی نگه می‌دارد و به‌جای پذیرش ترافیک ورودی، متریک‌ها را به‌صورت امن به بیرون ارسال می‌کند.
این Agent با Prometheus در حالت agent mode کار می‌کند، همان ServiceMonitor/PodMonitor/Probeهای رایج kube-prometheus-stack را کشف و scrape می‌کند و سپس با remote_write متریک‌ها را به backend مرکزی مانند Thanos، Mimir، Cortex یا Prometheus مرکزی می‌فرستد. ارتباطات خروجی با mTLS و سیاست‌های egress محدودشده امن می‌شوند تا بدون هیچ endpoint عمومی، رصد کامل حفظ شود.
امنیت محور اصلی است: RBAC حداقلی، NetworkPolicy برای جلوگیری از ingress و محدودسازی egress، اجرا با کاربر non-root و فایل‌سیستم read-only، و غیرفعال‌سازی UI و endpointهای مدیریتی/اشکال‌زدایی. امکان فیلتر/رِیلیبل‌کردن برچسب‌های حساس در لبه وجود دارد و گواهی‌ها می‌توانند با cert-manager یا روش‌های امن دیگر مدیریت شوند.
یکپارچگی با kube-prometheus-stack ساده است: scraping داخل کلاستر انجام می‌شود و ذخیره‌سازی بلندمدت، rules و alerting به backend مرکزی واگذار می‌شود. نتیجه، ردپای سبک‌تر، هزینه کمتر (بدون TSDB و UI محلی) و وضعیت امنیتی بهتر است؛ مناسب برای محیط‌های دارای محدودیت شدید ورودی و کنترل دقیق خروجی. مهاجرت نیز سرراست است: فعال‌سازی agent mode، تنظیم remote_write با mTLS و اعمال NetworkPolicy بدون تغییر در ServiceMonitor/PodMonitorهای موجود. برای مشاهده داشبوردها، Grafana به backend مرکزی متصل می‌شود تا یک منبع حقیقت واحد داشته باشید.
#Prometheus #Kubernetes #kube-prometheus-stack #Security #ZeroTrust #Observability #DevOps #mTLS
🟣لینک مقاله:
https://ku.bz/jtT5DjB6h
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
kps-zeroexposure – Secure Prometheus Agent for Kube-Prometheus-Stack
🟢 خلاصه مقاله:
این مقاله از kps-zeroexposure معرفی می‌کند؛ یک Prometheus Agent امن برای Kube-Prometheus-Stack که با رویکرد “zero exposure” طراحی شده است. مسئله رایج این است که نمایش Prometheus یا endpointها از طریق LoadBalancer/NodePort/Ingress سطح حمله را بالا می‌برد. kps-zeroexposure همه مؤلفه‌های مانیتورینگ را درون کلاستر خصوصی نگه می‌دارد و به‌جای پذیرش ترافیک ورودی، متریک‌ها را به‌صورت امن به بیرون ارسال می‌کند.
این Agent با Prometheus در حالت agent mode کار می‌کند، همان ServiceMonitor/PodMonitor/Probeهای رایج kube-prometheus-stack را کشف و scrape می‌کند و سپس با remote_write متریک‌ها را به backend مرکزی مانند Thanos، Mimir، Cortex یا Prometheus مرکزی می‌فرستد. ارتباطات خروجی با mTLS و سیاست‌های egress محدودشده امن می‌شوند تا بدون هیچ endpoint عمومی، رصد کامل حفظ شود.
امنیت محور اصلی است: RBAC حداقلی، NetworkPolicy برای جلوگیری از ingress و محدودسازی egress، اجرا با کاربر non-root و فایل‌سیستم read-only، و غیرفعال‌سازی UI و endpointهای مدیریتی/اشکال‌زدایی. امکان فیلتر/رِیلیبل‌کردن برچسب‌های حساس در لبه وجود دارد و گواهی‌ها می‌توانند با cert-manager یا روش‌های امن دیگر مدیریت شوند.
یکپارچگی با kube-prometheus-stack ساده است: scraping داخل کلاستر انجام می‌شود و ذخیره‌سازی بلندمدت، rules و alerting به backend مرکزی واگذار می‌شود. نتیجه، ردپای سبک‌تر، هزینه کمتر (بدون TSDB و UI محلی) و وضعیت امنیتی بهتر است؛ مناسب برای محیط‌های دارای محدودیت شدید ورودی و کنترل دقیق خروجی. مهاجرت نیز سرراست است: فعال‌سازی agent mode، تنظیم remote_write با mTLS و اعمال NetworkPolicy بدون تغییر در ServiceMonitor/PodMonitorهای موجود. برای مشاهده داشبوردها، Grafana به backend مرکزی متصل می‌شود تا یک منبع حقیقت واحد داشته باشید.
#Prometheus #Kubernetes #kube-prometheus-stack #Security #ZeroTrust #Observability #DevOps #mTLS
🟣لینک مقاله:
https://ku.bz/jtT5DjB6h
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
GitHub
GitHub - adrghph/kps-zeroexposure: Fix unhealthy or missing targets in kube-prometheus-stack (etcd, scheduler, controller-manager…
Fix unhealthy or missing targets in kube-prometheus-stack (etcd, scheduler, controller-manager, kube-proxy) with a secure Prometheus Agent DaemonSet - adrghph/kps-zeroexposure
🔵 عنوان مقاله
How We Cut Our Azure Cloud Costs by 3×
🟢 خلاصه مقاله:
** این مطالعهٔ موردی توضیح می‌دهد چگونه در ۱۲ هفته هزینه‌های Azure را حدود سه‌برابر کاهش دادیم بدون افت کارایی یا قابلیت اطمینان. قدم‌های کلیدی: ابتدا با Azure Cost Management + Billing، برچسب‌گذاری منابع، Azure Advisor و بودجه/هشدارها، دید کامل روی هزینه ساختیم. سپس اتلاف را حذف کردیم: خاموش‌کردن VMهای بلااستفاده، پاک‌کردن دیسک‌ها و IPهای یتیم، زمان‌بندی محیط‌های غیرپروداکشن و اعمال سیاست‌ها با Azure Policy.
در گام بعد، راست‌سایز و معماری را اصلاح کردیم: انتقال سرویس‌های سبک به SKUهای کوچک‌تر یا B-series، فعال‌سازی autoscaler در AKS، افزودن Spot node pool برای بارهای بدون حالت، و بهینه‌کردن HPA. برای بارهای پایدار، Azure Reservations و Azure Savings Plans را پذیرفتیم و Azure Hybrid Benefit را اعمال کردیم. بخشی از بار را به سرویس‌های مدیریت‌شده/Serverless منتقل کردیم: Azure Functions، Event Grid، Logic Apps، Azure Service Bus، همراه با Azure CDN و Azure Cache for Redis. در لایهٔ داده، Azure SQL را راست‌سایز و autoscale را فعال کردیم و در Azure Cosmos DB از autoscale RU/s بهره گرفتیم.
در ذخیره‌سازی، با قوانین lifecycle در Blob Storage داده‌های کم‌مصرف را به Cool/Archive بردیم، نگهداری اسنپ‌شات‌ها را کاهش دادیم و فشرده‌سازی را فعال کردیم. در شبکه با هم‌مکانی سرویس‌ها، استفاده از Private Link و بهره‌گیری از Azure Front Door/CDN خروجی و هزینهٔ egress را پایین آوردیم. در نهایت، با داشبوردهای واحداقتصاد، بودجه/هشدار در CI/CD و سیاست‌های تگ/SKU، یک روال FinOps پایدار ساختیم.
نتیجه: کاهش تقریبی ۳× در هزینهٔ Azure با حفظ SLOها. اهرم‌های اصلی: شفافیت و حاکمیت هزینه، حذف اتلاف، راست‌سایز و autoscaling (به‌ویژه AKS + Spot)، تعهدهای قیمتی (Reservations/Savings Plans) و مهاجرت مسیرهای پرترافیک به سرویس‌های مدیریت‌شده/Serverless.
#Azure #CloudCostOptimization #FinOps #AKS #Serverless #AzureCostManagement #SpotVMs #DevOps
🟣لینک مقاله:
https://ku.bz/ZbclYbPC6
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
How We Cut Our Azure Cloud Costs by 3×
🟢 خلاصه مقاله:
** این مطالعهٔ موردی توضیح می‌دهد چگونه در ۱۲ هفته هزینه‌های Azure را حدود سه‌برابر کاهش دادیم بدون افت کارایی یا قابلیت اطمینان. قدم‌های کلیدی: ابتدا با Azure Cost Management + Billing، برچسب‌گذاری منابع، Azure Advisor و بودجه/هشدارها، دید کامل روی هزینه ساختیم. سپس اتلاف را حذف کردیم: خاموش‌کردن VMهای بلااستفاده، پاک‌کردن دیسک‌ها و IPهای یتیم، زمان‌بندی محیط‌های غیرپروداکشن و اعمال سیاست‌ها با Azure Policy.
در گام بعد، راست‌سایز و معماری را اصلاح کردیم: انتقال سرویس‌های سبک به SKUهای کوچک‌تر یا B-series، فعال‌سازی autoscaler در AKS، افزودن Spot node pool برای بارهای بدون حالت، و بهینه‌کردن HPA. برای بارهای پایدار، Azure Reservations و Azure Savings Plans را پذیرفتیم و Azure Hybrid Benefit را اعمال کردیم. بخشی از بار را به سرویس‌های مدیریت‌شده/Serverless منتقل کردیم: Azure Functions، Event Grid، Logic Apps، Azure Service Bus، همراه با Azure CDN و Azure Cache for Redis. در لایهٔ داده، Azure SQL را راست‌سایز و autoscale را فعال کردیم و در Azure Cosmos DB از autoscale RU/s بهره گرفتیم.
در ذخیره‌سازی، با قوانین lifecycle در Blob Storage داده‌های کم‌مصرف را به Cool/Archive بردیم، نگهداری اسنپ‌شات‌ها را کاهش دادیم و فشرده‌سازی را فعال کردیم. در شبکه با هم‌مکانی سرویس‌ها، استفاده از Private Link و بهره‌گیری از Azure Front Door/CDN خروجی و هزینهٔ egress را پایین آوردیم. در نهایت، با داشبوردهای واحداقتصاد، بودجه/هشدار در CI/CD و سیاست‌های تگ/SKU، یک روال FinOps پایدار ساختیم.
نتیجه: کاهش تقریبی ۳× در هزینهٔ Azure با حفظ SLOها. اهرم‌های اصلی: شفافیت و حاکمیت هزینه، حذف اتلاف، راست‌سایز و autoscaling (به‌ویژه AKS + Spot)، تعهدهای قیمتی (Reservations/Savings Plans) و مهاجرت مسیرهای پرترافیک به سرویس‌های مدیریت‌شده/Serverless.
#Azure #CloudCostOptimization #FinOps #AKS #Serverless #AzureCostManagement #SpotVMs #DevOps
🟣لینک مقاله:
https://ku.bz/ZbclYbPC6
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Medium
How We Cut Our Azure Cloud Costs by 3x — Solda.Ai’s Experience
During this period, our outbound traffic actually increased — making the cost reduction even more impactful. Our infrastructure handles…
🔵 عنوان مقاله
Argo Rollouts — Rollout Analysis
🟢 خلاصه مقاله:
Argo Rollouts با افزودن Rollout Analysis به فرآیند استقرار در Kubernetes، سنجش خودکار سلامت نسخه جدید را همزمان با افزایش تدریجی ترافیک انجام می‌دهد. با تعریف AnalysisTemplate و اجرای AnalysisRun، سامانه از منابعی مانند Prometheus، Datadog، New Relic، CloudWatch یا Kayenta و حتی webhookهای سفارشی، شاخص‌هایی مثل نرخ خطا، تاخیر و KPIهای کسب‌وکاری را می‌سنجد و بر اساس آستانه‌های موفقیت/شکست، تصمیم به ادامه، مکث یا بازگشت می‌گیرد. این تحلیل در کنار استراتژی‌های Canary و Blue-Green و با مدیریت ترافیک از طریق Istio، NGINX، AWS ALB یا SMI در گام‌های مختلف اجرا می‌شود و می‌تواند پس از هر افزایش وزن یا به‌صورت پس‌زمینه عمل کند. بهترین‌روش‌ها شامل انتخاب شاخص‌های پیشرو، پنجره‌های اندازه‌گیری کوتاه با دوره پایداری، آستانه‌های محافظه‌کارانه در گام‌های نخست، و نگهداری قالب‌ها در Git برای ردیابی و یکنواختی است. نتیجه، کاهش ریسک استقرار و افزایش اطمینان همراه با حفظ سرعت تحویل است.
#ArgoRollouts #Kubernetes #ProgressiveDelivery #CanaryRelease #BlueGreen #DevOps #Observability #SRE
🟣لینک مقاله:
https://ku.bz/FM56-JbFw
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Argo Rollouts — Rollout Analysis
🟢 خلاصه مقاله:
Argo Rollouts با افزودن Rollout Analysis به فرآیند استقرار در Kubernetes، سنجش خودکار سلامت نسخه جدید را همزمان با افزایش تدریجی ترافیک انجام می‌دهد. با تعریف AnalysisTemplate و اجرای AnalysisRun، سامانه از منابعی مانند Prometheus، Datadog، New Relic، CloudWatch یا Kayenta و حتی webhookهای سفارشی، شاخص‌هایی مثل نرخ خطا، تاخیر و KPIهای کسب‌وکاری را می‌سنجد و بر اساس آستانه‌های موفقیت/شکست، تصمیم به ادامه، مکث یا بازگشت می‌گیرد. این تحلیل در کنار استراتژی‌های Canary و Blue-Green و با مدیریت ترافیک از طریق Istio، NGINX، AWS ALB یا SMI در گام‌های مختلف اجرا می‌شود و می‌تواند پس از هر افزایش وزن یا به‌صورت پس‌زمینه عمل کند. بهترین‌روش‌ها شامل انتخاب شاخص‌های پیشرو، پنجره‌های اندازه‌گیری کوتاه با دوره پایداری، آستانه‌های محافظه‌کارانه در گام‌های نخست، و نگهداری قالب‌ها در Git برای ردیابی و یکنواختی است. نتیجه، کاهش ریسک استقرار و افزایش اطمینان همراه با حفظ سرعت تحویل است.
#ArgoRollouts #Kubernetes #ProgressiveDelivery #CanaryRelease #BlueGreen #DevOps #Observability #SRE
🟣لینک مقاله:
https://ku.bz/FM56-JbFw
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Medium
Argo Rollouts — Rollout Analysis
I am writing a series of articles on Argo Rollouts, each focusing on different deployment strategies or features. I will discuss the…
❤1
🔵 عنوان مقاله
K8z: the Kubernetes manager
🟢 خلاصه مقاله:
K8z به‌عنوان یک مدیر یکپارچه برای Kubernetes معرفی می‌شود که چرخه کامل مدیریت کلاستر را از راه‌اندازی تا نگهداری روزمره ساده می‌کند. این ابزار با تمرکز بر مدیریت چرخه عمر، ارتقا و وصله‌گذاری نسخه‌ها، RBAC و SSO، چنداجاره‌ای، و تفکیک نقش‌های تیم پلتفرم و توسعه، یک تجربه ثابت در محیط‌های ابری و درون‌سازمانی ارائه می‌دهد. برای تحویل اپلیکیشن، از گردش‌کارهای آشنا مثل Helm و Kustomize پشتیبانی می‌کند و با GitOps از طریق Argo CD و Flux ادغام می‌شود تا استقرارها اعلامی، قابل حسابرسی و کم‌ریسک باشند. در حوزه قابلیت اطمینان و مشاهده‌پذیری، با Prometheus و Grafana و ابزارهای پشتیبان‌گیری مانند Velero کار می‌کند و با سیاست‌های حاکمیتی مبتنی بر OPA/Gatekeeper و ممیزی سراسری، امنیت و انطباق را تضمین می‌کند. در مجموع، K8z یک مدیر Kubernetes منسجم و انعطاف‌پذیر است که استانداردسازی عملیات و تسریع تحویل را برای سازمان‌ها ممکن می‌سازد.
#Kubernetes
#K8z
#DevOps
#GitOps
#CloudNative
#PlatformEngineering
#ClusterManagement
🟣لینک مقاله:
https://k8z.dev
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
K8z: the Kubernetes manager
🟢 خلاصه مقاله:
K8z به‌عنوان یک مدیر یکپارچه برای Kubernetes معرفی می‌شود که چرخه کامل مدیریت کلاستر را از راه‌اندازی تا نگهداری روزمره ساده می‌کند. این ابزار با تمرکز بر مدیریت چرخه عمر، ارتقا و وصله‌گذاری نسخه‌ها، RBAC و SSO، چنداجاره‌ای، و تفکیک نقش‌های تیم پلتفرم و توسعه، یک تجربه ثابت در محیط‌های ابری و درون‌سازمانی ارائه می‌دهد. برای تحویل اپلیکیشن، از گردش‌کارهای آشنا مثل Helm و Kustomize پشتیبانی می‌کند و با GitOps از طریق Argo CD و Flux ادغام می‌شود تا استقرارها اعلامی، قابل حسابرسی و کم‌ریسک باشند. در حوزه قابلیت اطمینان و مشاهده‌پذیری، با Prometheus و Grafana و ابزارهای پشتیبان‌گیری مانند Velero کار می‌کند و با سیاست‌های حاکمیتی مبتنی بر OPA/Gatekeeper و ممیزی سراسری، امنیت و انطباق را تضمین می‌کند. در مجموع، K8z یک مدیر Kubernetes منسجم و انعطاف‌پذیر است که استانداردسازی عملیات و تسریع تحویل را برای سازمان‌ها ممکن می‌سازد.
#Kubernetes
#K8z
#DevOps
#GitOps
#CloudNative
#PlatformEngineering
#ClusterManagement
🟣لینک مقاله:
https://k8z.dev
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
k8z.dev
K8Z | The Kubernetes Manager
The Kubernetes Manager for iOS and MacOS.
🔵 عنوان مقاله
k8sgpt: Kubernetes analyzer
🟢 خلاصه مقاله:
**k8sgpt یک ابزار تحلیل‌گر برای خوشه‌های Kubernetes است که با اسکن منابع، رویدادها و وضعیت اجزا، خطاها و پیکربندی‌های نادرست را پیدا می‌کند و با توضیحات قابل فهم و پیشنهادهای عملی، عیب‌یابی را سریع‌تر می‌کند. این ابزار می‌تواند بدون AI و صرفاً با قواعد داخلی کار کند، یا در صورت نیاز با اتصال به LLMهای خارجی مانند OpenAI یا مدل‌های محلی، توضیحات و راهکارهای دقیق‌تری ارائه دهد و همزمان اطلاعات حساس را مخفی‌سازی کند.
کارکردهای اصلی شامل یافتن ریشه مشکل در مواردی مثل CrashLoopBackOff، خطای ImagePull، کمبود منابع، خطاهای Readiness/Liveness، و مسائل RBAC/NetworkPolicy، به‌همراه پیشنهاد دستورهای kubectl یا تغییرات لازم در manifestها است. k8sgpt به‌صورت CLI یا افزونه kubectl و در فرآیندهای CI/CD قابل استفاده است و برای پاسخ‌گویی در حوادث، عملیات روزمره و آموزش تیم‌ها کاربرد دارد. با وجود سرعت‌بخشیدن به عیب‌یابی و کاهش MTTR، این ابزار جایگزین سامانه‌های مشاهده‌پذیری مانند Prometheus و Grafana نیست و بهتر است توصیه‌های آن پیش از اعمال در محیط Production بازبینی شوند.
#Kubernetes #k8sgpt #DevOps #SRE #AIOps #CloudNative #Troubleshooting #Observability
🟣لینک مقاله:
https://ku.bz/sV6Dnd99T
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
k8sgpt: Kubernetes analyzer
🟢 خلاصه مقاله:
**k8sgpt یک ابزار تحلیل‌گر برای خوشه‌های Kubernetes است که با اسکن منابع، رویدادها و وضعیت اجزا، خطاها و پیکربندی‌های نادرست را پیدا می‌کند و با توضیحات قابل فهم و پیشنهادهای عملی، عیب‌یابی را سریع‌تر می‌کند. این ابزار می‌تواند بدون AI و صرفاً با قواعد داخلی کار کند، یا در صورت نیاز با اتصال به LLMهای خارجی مانند OpenAI یا مدل‌های محلی، توضیحات و راهکارهای دقیق‌تری ارائه دهد و همزمان اطلاعات حساس را مخفی‌سازی کند.
کارکردهای اصلی شامل یافتن ریشه مشکل در مواردی مثل CrashLoopBackOff، خطای ImagePull، کمبود منابع، خطاهای Readiness/Liveness، و مسائل RBAC/NetworkPolicy، به‌همراه پیشنهاد دستورهای kubectl یا تغییرات لازم در manifestها است. k8sgpt به‌صورت CLI یا افزونه kubectl و در فرآیندهای CI/CD قابل استفاده است و برای پاسخ‌گویی در حوادث، عملیات روزمره و آموزش تیم‌ها کاربرد دارد. با وجود سرعت‌بخشیدن به عیب‌یابی و کاهش MTTR، این ابزار جایگزین سامانه‌های مشاهده‌پذیری مانند Prometheus و Grafana نیست و بهتر است توصیه‌های آن پیش از اعمال در محیط Production بازبینی شوند.
#Kubernetes #k8sgpt #DevOps #SRE #AIOps #CloudNative #Troubleshooting #Observability
🟣لینک مقاله:
https://ku.bz/sV6Dnd99T
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
GitHub
GitHub - k8sgpt-ai/k8sgpt: Giving Kubernetes Superpowers to everyone
Giving Kubernetes Superpowers to everyone. Contribute to k8sgpt-ai/k8sgpt development by creating an account on GitHub.
❤1
🔵 عنوان مقاله
kuik: container image caching system
🟢 خلاصه مقاله:
**kuik یک سیستم کش برای imageهای کانتینری است که با نگهداری و بازاستفاده از لایه‌های OCI سرعت pull و build را بالا می‌برد، تأخیر راه‌اندازی را کاهش می‌دهد و هزینه پهنای‌باند را کم می‌کند. این ابزار با deduplication، سیاست‌های پر/تخلیه کش، و invalidation مبتنی بر digest یکپارچگی محتوا را حفظ می‌کند و می‌تواند به‌صورت cache محلی، proxy رجیستری یا به‌شکل DaemonSet/sidecar در Kubernetes به‌کار رود. ادغام با Docker و سایر runtimeهای OCI، به‌همراه مشاهده‌پذیری و کنترل دسترسی، اتخاذ آن را در محیط‌های توسعه، CI/CD و تولید ساده و قابل اتکا می‌کند.
#containers #caching #DevOps #Kubernetes #Docker #OCI #CICD #performance
🟣لینک مقاله:
https://ku.bz/ryRQH7fxW
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
kuik: container image caching system
🟢 خلاصه مقاله:
**kuik یک سیستم کش برای imageهای کانتینری است که با نگهداری و بازاستفاده از لایه‌های OCI سرعت pull و build را بالا می‌برد، تأخیر راه‌اندازی را کاهش می‌دهد و هزینه پهنای‌باند را کم می‌کند. این ابزار با deduplication، سیاست‌های پر/تخلیه کش، و invalidation مبتنی بر digest یکپارچگی محتوا را حفظ می‌کند و می‌تواند به‌صورت cache محلی، proxy رجیستری یا به‌شکل DaemonSet/sidecar در Kubernetes به‌کار رود. ادغام با Docker و سایر runtimeهای OCI، به‌همراه مشاهده‌پذیری و کنترل دسترسی، اتخاذ آن را در محیط‌های توسعه، CI/CD و تولید ساده و قابل اتکا می‌کند.
#containers #caching #DevOps #Kubernetes #Docker #OCI #CICD #performance
🟣لینک مقاله:
https://ku.bz/ryRQH7fxW
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
GitHub
GitHub - enix/kube-image-keeper: kuik is a container image caching system for Kubernetes
kuik is a container image caching system for Kubernetes - enix/kube-image-keeper
🔵 عنوان مقاله
Kubetail
🟢 خلاصه مقاله:
خلاصه‌ای از ابزار Kubetail: یک ابزار خط فرمان سبک برای جمع‌کردن و نمایش زنده لاگ‌های چند Pod و کانتینر در Kubernetes در یک خروجی واحد است. بر پایه kubectl کار می‌کند، با انتخاب بر اساس نام یا Label، تعیین Namespace و Container، دنبال‌کردن زنده، پیشوند نام Pod/Container و رنگ‌بندی، عیب‌یابی همزمان چند سرویس را ساده می‌کند. نصب آن آسان است (مثلا از طریق Homebrew روی macOS یا دریافت اسکریپت روی Linux) و نیازی به مؤلفهٔ سروری جداگانه ندارد. Kubetail جایگزین سامانه‌های لاگ مرکزی نیست، اما برای دیباگ سریع، بررسی استقرارها و همبستگی خطاها میان چند Pod بسیار کاربردی است.
#Kubetail #Kubernetes #DevOps #Logs #Observability #CLI #SRE #Microservices
🟣لینک مقاله:
https://ku.bz/tZ0FL1r75
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Kubetail
🟢 خلاصه مقاله:
خلاصه‌ای از ابزار Kubetail: یک ابزار خط فرمان سبک برای جمع‌کردن و نمایش زنده لاگ‌های چند Pod و کانتینر در Kubernetes در یک خروجی واحد است. بر پایه kubectl کار می‌کند، با انتخاب بر اساس نام یا Label، تعیین Namespace و Container، دنبال‌کردن زنده، پیشوند نام Pod/Container و رنگ‌بندی، عیب‌یابی همزمان چند سرویس را ساده می‌کند. نصب آن آسان است (مثلا از طریق Homebrew روی macOS یا دریافت اسکریپت روی Linux) و نیازی به مؤلفهٔ سروری جداگانه ندارد. Kubetail جایگزین سامانه‌های لاگ مرکزی نیست، اما برای دیباگ سریع، بررسی استقرارها و همبستگی خطاها میان چند Pod بسیار کاربردی است.
#Kubetail #Kubernetes #DevOps #Logs #Observability #CLI #SRE #Microservices
🟣لینک مقاله:
https://ku.bz/tZ0FL1r75
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
GitHub
GitHub - kubetail-org/kubetail: Real-time logging dashboard for Kubernetes (browser/terminal)
Real-time logging dashboard for Kubernetes (browser/terminal) - kubetail-org/kubetail
❤1