iT邦幫忙

devops相關文章
共有 928 則文章
鐵人賽 DevOps DAY 5

技術 D5-制定求職計劃(1)

PART 1 心態建立:我一定能成功 D5-制定求職計劃(1) 章節目標 制定屬於自己的 求職計劃 ,邁向理想職缺! 還記得到 烘爐地求籤 的故事嗎?無...

鐵人賽 DevOps DAY 23
應該是 Profilling 吧? 系列 第 23

技術 D23 整合 OpenTelemetry Metrics

今天將介绍如何使用 OpenTelemetry 整合Go 應用程式以及產生指標,並透過 Prometheus 和 Grafana 来可視化分析應用服務的性能。我...

鐵人賽 DevOps DAY 10
菜逼八用Github Actions 系列 第 10

技術 Day 10 - 觸發workflow

目錄 目錄 摘要 如何觸發workflow 觸發不在default branch上的workflow 常用的觸發事件 & fil...

鐵人賽 DevOps DAY 29
應該是 Profilling 吧? 系列 第 29

技術 D29 閒聊可觀測性"驅動"開發

今天來閒聊一下可觀測性驅動開發(ODD,Observability-Driven-Developemt)。這術語中最容易引起誤解的肯定是驅動。 驅動 在軟體開發...

鐵人賽 Kubernetes

技術 Day 31 -【Troubleshooting】:Troubleshooting 小技巧

今日目標 Pod 的除錯 Networking 的除錯 Master Node 的除錯 kube-apiserver 的除錯 Node 的...

鐵人賽 DevOps DAY 25
應該是 Profilling 吧? 系列 第 25

技術 D25 Pyroscope 與 Profiling

終於來到系列主題的 Profiling 了。Profiling作為一種強大的工具,能夠幫助開發者和運維人員深入了解程式在執行過程中的行為,找出資源的主要消耗點,...

鐵人賽 DevOps DAY 21
應該是 Profilling 吧? 系列 第 21

技術 D21 淺談 Go GC 機制

GC 機制幾乎常見的語言都有的機制,只有鮮少的程式語言需自己的規範來撰寫程式碼搭配立刻回收(例如 Rust)。因為 OpenTelemetry Collecto...

鐵人賽 DevOps DAY 20
應該是 Profilling 吧? 系列 第 20

技術 D20 淺談回饋導向優化 PGO

在現代軟體開發的過程中,性能優化往往不僅僅是減少程式的執行時間。更關鍵的是,如何最大限度地提高系統資源的利用效率,從而能夠在同一時間處理更多的工作負載,或是服務...

鐵人賽 AI/ ML & Data DAY 4

技術 從「這次不會壞吧」到自動化的未來:04 導入 MLOps 的兩種場景

以昨天討論的內容為例,我們可以讓每個流程都變成自動化。以下分成兩種場景來說明有哪些部分可以利用 MLOps 的工具讓流程更快速便捷,場景為實驗階段及佈署階段:...

鐵人賽 DevOps DAY 19
應該是 Profilling 吧? 系列 第 19

技術 D19 讓系統數據看得見(可觀測性驅動開發 ODD)

在現今的軟體開發中,性能優化不再僅僅依賴開發者的直覺或經驗,而是通過數據的收集和分析來指導優化方向。在昨天的文章中,我們探討了如何通過 Go Trace 工具來...

鐵人賽 DevOps DAY 30
應該是 Profilling 吧? 系列 第 30

技術 D30 結尾,推薦讀物

最後一天來整理一下這一系列的內容。 D1 探討遙測信號與系統可觀測性之間的關聯。我們得知道各類型遙測信號負責的守備範圍,才好在設計階段,就把這些與系統結合,以...

鐵人賽 DevOps DAY 4

技術 D4-從工作角色與年資來制定目標與策略(2)

PART 1 心態建立:我一定能成功 D4-從工作角色與年資來制定目標與策略(2) 章節目標 利用工作角色與年資來執定求職策略 - Senior資深前輩 與...

鐵人賽 DevOps DAY 3

技術 D3-從工作角色與年資來制定目標與策略(1)

PART 1 心態建立:我一定能成功 D3-從工作角色與年資來制定目標與策略(1) 章節目標 利用工作角色與年資來執定求職策略 - Rookie社會新鮮人...

鐵人賽 Kubernetes DAY 30

技術 Day 30 -【Monitoring】:Pod 的生命週期與監控

今日目標 了解 Pod 的生命週期 設定 initContainer、Lifecycle hooks、Restart Policy、Probe M...

鐵人賽 AI/ ML & Data DAY 3

技術 從「這次不會壞吧」到自動化的未來:03 機器學習(ML)開發流程介紹

如上圖所示,在選定一個適合以 AI 解決的題目後,我們會進行資料的前處理與模型開發。當模型完成開發後,則會進行驗證,如果模型通過驗收可上線的標準,就會進行佈署...

鐵人賽 DevOps DAY 9
菜逼八用Github Actions 系列 第 9

技術 Day 09 - Github Actions的表達式 & function

目錄 目錄 摘要 表達式是什麼 function 三元運算子 Object filters 摘要 在上一篇我們學到如何設置、使...

鐵人賽 DevOps DAY 3

技術 Day03 - 使用 Azure DevOps 加速交付

在今天的文章中,我會 簡單介紹如何使用 Azure DevOps 的服務來加速軟體交付 說明申請個人 Azure DevOps 帳號的步驟 什麼是加速交付?...

鐵人賽 DevOps DAY 2

技術 D2-心態建立-明確自己的目標

PART 1 心態建立:我一定能成功 D2-心態建立-明確自己的目標 章節目標 求職訂立目標的重要性 中和烘爐地是台灣北部最著名的土地公廟之一,是我常常...

鐵人賽 AI/ ML & Data DAY 2

技術 從「這次不會壞吧」到自動化的未來:02 MLOps 定義

MLOps 是 ML (Machine Learning,機器學習) 加上 DevOps 的概念;DevOps 又是由 Development (開發) 加上...

鐵人賽 DevOps DAY 18
應該是 Profilling 吧? 系列 第 18

技術 D18 Go Tool Trace - 4 從 分析到實戰:最佳化 Goroutine 數量

在昨天的文章中,我們深入探討了如何利用 Go Tool Trace 來分析程式的性能瓶頸,特別是 Goroutine 的調度與資源競爭問題。我們發現過多的 Go...

鐵人賽 DevOps DAY 17
應該是 Profilling 吧? 系列 第 17

技術 D17 淺談 Go Tool Trace - 3 實際分析 Goroutine Analysis

昨天我們簡單理解了有關 runtime/trace 的 User-defined tasks 和 User-defined regions。 今天,我們將進一步...

鐵人賽 Kubernetes DAY 29

技術 Day 29 - 【Cluster Configuration】:權限管理 (三) --- Security Context

今日目標 了解什麼是 Security Context 實作: 設定 UID、GID 設定 fsGroup 來完成檔案權限的共享 設定 Linux...

鐵人賽 DevOps DAY 8
菜逼八用Github Actions 系列 第 8

技術 Day 08 - 儲存敏感資訊的secret

目錄 目錄 摘要 secret是什麼 命名 建立secret repo level environment level orga...

鐵人賽 DevOps DAY 2

技術 Day02 - DevOps 基本概念

什麼是DevOps? DevOps是「開發」(Development)和「維運」(Operations)的縮寫,旨在消除「軟體開發人員」和「維運技術人員」之間的...

鐵人賽 DevOps DAY 2

技術 【Day 2】認識 DataOps 之前要知道的 DevOps

:DataOps? DevOps? 你們有幾個一起上好了!不用麻煩了!DataOps 和 DevOps:MLOps、AIOps ~走不走~MLOps 和 AI...

鐵人賽 DevOps DAY 16
應該是 Profilling 吧? 系列 第 16

技術 D16 淺談 Go Tool Trace - 2 Go Trace 與使用者自訂追蹤分析

在昨天的文章中,我們深入探討了 I/O 密集型任務如何影響 CPU 的上下文切換,並運用 vmstat 和 pidstat 等觀測工具分析了高併發情境下的資源使...

鐵人賽 DevOps DAY 1

技術 Day01 - DevOps 實踐挑戰:目標與計劃

Someday Is Today. —Matthew Dicks(現在就是那一天) 前言 我之所以開始了這次的挑戰,是因為發現從研究所畢業後,跟朋友們聚會被...

鐵人賽 DevOps DAY 1

技術 現代化應用程式開發與維運 - GitHub Codespace 與 GitHub Copilot

前言 近年來軟體開發與維運的方法與技術日新月異,從專案管理 (Agile & Scrum)、版本管理(Git)、持續交付(自動建置、測試)、持續整合、安...

鐵人賽 AI/ ML & Data DAY 1

技術 從「這次不會壞吧」到自動化的未來:01 緣起

隨著 AI 和機器學習技術的快速發展,企業面臨的挑戰不僅僅是開發出高效的模型,還包括如何快速、安全地將這些模型部署到生產環境中並持續監控和優化。這正是 MLOp...