Seminar Open Cluster Management Intensiv: Workloads, Governance und GitOps

Das Intensivseminar bündelt die Verteilung und Steuerung von Workloads über eine Kubernetes-Flotte. ManifestWork, Placement, Policy Framework, Argo-CD-Pull-Modelle und AI-Scheduling werden in einen gemeinsamen deklarativen Plattformablauf integriert.

Zielsetzung

Ressourcen und Anwendungen werden ausgewählt, verteilt, überwacht, geregelt und bei Fehlern zurückgenommen. Die Inhalte verdichten die Workload-, Scheduling-, Governance-, GitOps- und AI-Spezialseminare.

Zielgruppe

• Platform Engineers
• GitOps-, DevOps- und SRE-Teams
• Kubernetes- und OCM-Administratoren

Voraussetzungen

Sichere OCM-Grundlagen, Clusterinventar, Kubernetes-Ressourcen, GitOps und praktische YAML-Erfahrung.

Inhaltsübersicht

1. Tag 1: ManifestWork erstellen, anwenden und beobachten
2. Tag 2: Priorisierung, Rollout und erweitertes Scheduling
3. Tag 3: Configuration Policy und dynamische Vorlagen
4. Tag 4: ApplicationSet, Placement und Statusrückmeldung
5. Tag 5: AI-Workloads, Rollout und Gesamtprüfung

Kapitel 1 – Tag 1: ManifestWork erstellen, anwenden und beobachten

Inhaltsverzeichnis: Aufbau und Namespace-Zuordnung von ManifestWork; Ressourcenreihenfolge und deklarative Anwendung; Applied-, Available- und Ressourcenstatus; FeedbackRules mit JSONPath und Statusauswertung

Fachliche Inhalte

• Aufbau und Namespace-Zuordnung von ManifestWork
• Ressourcenreihenfolge und deklarative Anwendung
• Applied-, Available- und Ressourcenstatus
• FeedbackRules mit JSONPath und Statusauswertung

Schritt-für-Schritt-Anleitung

1. Schritt 1: Ein mehrteiliges Manifest mit Namespace, Konfiguration und Deployment in einer ManifestWork-Struktur modellieren.
2. Schritt 2: Die ManifestWork im Namespace des Zielclusters anlegen und die geordnete Anwendung der Ressourcen verfolgen.
3. Schritt 3: Applied- und Available-Bedingungen sowie einzelne ResourceStatus-Einträge auswerten.
4. Schritt 4: Gezielte Feldwerte vom Spoke zum Hub zurückmelden und für eine Betriebsentscheidung aufbereiten.

Praxisprüfung

Die Verteilung wird durch Soll-Ist-Vergleich, Statusfeedback und einen absichtlich fehlerhaften Ressourcensatz überprüft.

Kapitel 2 – Tag 2: Priorisierung, Rollout und erweitertes Scheduling

Inhaltsverzeichnis: Prioritizer, Gewichtung und Score-Sichtbarkeit; Taints, Tolerations und Wartungsszenarien; Decision Groups, Failure Domains und Rollout-Strategien; Placement-Debugging und Erweiterung durch Add-on-Scores

Fachliche Inhalte

• Prioritizer, Gewichtung und Score-Sichtbarkeit
• Taints, Tolerations und Wartungsszenarien
• Decision Groups, Failure Domains und Rollout-Strategien
• Placement-Debugging und Erweiterung durch Add-on-Scores

Schritt-für-Schritt-Anleitung

1. Schritt 1: Weiche Auswahlkriterien gewichten und die Rangfolge der Kandidaten nachvollziehbar machen.
2. Schritt 2: Unreachable-, Unavailable- und benutzerdefinierte Taints in die Scheduling-Politik einbeziehen.
3. Schritt 3: Entscheidungsgruppen für Zonen oder Regionen definieren und einen gestaffelten Rollout planen.
4. Schritt 4: Ein unerwartetes Ergebnis mit Debug-Daten, Scores und Events bis zur verursachenden Regel zurückverfolgen.

Praxisprüfung

Die Abschlussübung verteilt eine Anwendung resilient über mehrere Failure Domains und dokumentiert jede Auswahlentscheidung.

Kapitel 3 – Tag 3: Configuration Policy und dynamische Vorlagen

Inhaltsverzeichnis: musthave-, mustonlyhave- und mustnothave-Semantik; inform- und enforce-Remediation; Hub Templates, Lookups und sensible Werte; Prune-Verhalten, Objektvorlagen und Fehleranalyse

Fachliche Inhalte

• musthave-, mustonlyhave- und mustnothave-Semantik
• inform- und enforce-Remediation
• Hub Templates, Lookups und sensible Werte
• Prune-Verhalten, Objektvorlagen und Fehleranalyse

Schritt-für-Schritt-Anleitung

1. Schritt 1: Konfigurationsanforderungen in präzise Objektvorlagen und Vergleichssemantik übersetzen.
2. Schritt 2: Eine Policy zunächst informativ ausrollen und erst nach Prüfung auf enforce umstellen.
3. Schritt 3: Clusterabhängige Werte über Hub Templates ableiten und den Umgang mit Secrets absichern.
4. Schritt 4: Prune- und Fehlerverhalten bei geänderten oder entfernten Vorlagen reproduzierbar testen.

Praxisprüfung

Eine Drift-Situation wird erkannt, dokumentiert und kontrolliert behoben, ohne zulässige lokale Felder zu überschreiben.

Kapitel 4 – Tag 4: ApplicationSet, Placement und Statusrückmeldung

Inhaltsverzeichnis: ApplicationSet-Generatoren und OCM-Clusterentscheidungen; Labels und Annotationen für Pull-Verteilung; ManifestWork-basierte Übergabe im Basic Pull Model; Synchronisationsstatus, Drift und Rollback

Fachliche Inhalte

• ApplicationSet-Generatoren und OCM-Clusterentscheidungen
• Labels und Annotationen für Pull-Verteilung
• ManifestWork-basierte Übergabe im Basic Pull Model
• Synchronisationsstatus, Drift und Rollback

Schritt-für-Schritt-Anleitung

1. Schritt 1: Eine Zielauswahl aus PlacementDecision in ein ApplicationSet überführen.
2. Schritt 2: Anwendungen so kennzeichnen, dass sie auf dem Hub nicht lokal reconciliert, sondern an Spokes übergeben werden.
3. Schritt 3: Die erzeugten ManifestWork- und Application-Objekte entlang der Kette kontrollieren.
4. Schritt 4: Drift, fehlerhafte Synchronisation und Rücknahme einer Version anhand definierter Statussignale behandeln.

Praxisprüfung

Eine Anwendung wird zunächst auf eine Pilotgruppe und danach auf weitere Cluster ausgerollt; ein Rollback wird vollständig nachvollzogen.

Kapitel 5 – Tag 5: AI-Workloads, Rollout und Gesamtprüfung

Inhaltsverzeichnis: GPU-, Accelerator- und Kapazitätsmerkmale im Clusterinventar; Placement für Training und Inferenz; MultiKueue und flottenweites Queueing; Registrierung und Zertifikatsfehler

Fachliche Inhalte

• GPU-, Accelerator- und Kapazitätsmerkmale im Clusterinventar
• Placement für Training und Inferenz
• MultiKueue und flottenweites Queueing
• Registrierung und Zertifikatsfehler

Schritt-für-Schritt-Anleitung

1. Schritt 1: Clustermerkmale für GPU-Typ, Speicher, Region, Kostenklasse und Compliance als Claims oder Properties modellieren.
2. Schritt 2: Harte Anforderungen und weiche Prioritäten für einen Trainings- und einen Inferenzfall formulieren.
3. Schritt 3: Einen Job oder Dienst per ManifestWork an ausgewählte Cluster verteilen und Statusfeedback sammeln.
4. Schritt 4: Korrektur, Wiederanlauf und Nachkontrolle durchführen, ohne Symptome nur durch Neustarts zu verdecken.

Praxisprüfung

Eine GPU-orientierte Zielauswahl steuert Workload und Policy; Status, Drift, Fehler und Rücknahme werden über den gesamten Pfad geprüft.