Rancher

1 前言 从没想到 Docker 也有可视化的工具，因为它的命令还是非常清晰简单的。无聊搜了一下，原来已经有很多 Docker 可视化工具了。如 DockerUI 、 Shipyard 、 Rancher 、 Portainer 等。查看对比了一番，最后觉得 Portainer 还不错，功能齐全、界面简洁好看，就装来玩玩。 2 Portainer特点 Portainer 是一个轻量级的 Docker 环境管理UI，主要优点有： 轻量级，镜像只有几十M，相对其它UI工具来说十分轻巧； 使用方便，它也是一个 Docker 应用，直接拉取镜像后启动即可； 持续更新，作为优秀的开源项目， GitHub 还在持续维护和更新； 功能齐全，如以下几点： 完备的权限管理（团队、角色、用户控制）； 镜像管理； 容器管理； 主机和集群状态显示； 应用模板快速部署； 事件日志显示； 其它 Docker 相关功能等。 3 探寻一下Portainer 3.1 安装 先拉取最新的镜像： $ docker pull portainer/portainer:latest 为 Portainer 创建一个 volume ： $ docker volume create portainer_data 一条命令启动： $ docker run -d -p 9000:9000 --name=portainer -

简介： 前三篇文章我们介绍了应用的开发和部署，那么在应用成功上云后，我就要面对应用的管理话题了，这一篇我们来看看如何做线上发布，并且是可灰度的。 作者 | 白寂 阿里云开发工程师 导读 ：前三篇文章我们介绍了应用的开发和部署，那么在应用成功上云后，我就要面对应用的管理话题了，这一篇我们来看看如何做线上发布，并且是可灰度的。 相关文章推荐： 《SpringCloud 应用在 Kubernetes 上的最佳实践 —— 开发篇》 《SpringCloud 应用在 Kubernetes 上的最佳实践 — 部署篇(开发部署）》 《SpringCloud 应用在 Kubernetes 上的最佳实践 — 部署篇(工具部署)》 前言 在新版本上线时，无论是从产品稳定性还是用户对新版本的接受程度上考虑，直接将老应用升级到新版本应用都有很大风险的。我们一般的做法是，保证新老版本同时在线，并且先将少部分流量切换到新版本应用上，同时在此期间对新版本的应用请求进行观察。在确认新版本没有问题后，再逐步将更大比例的流量切换到新版本上。这个过程的核心是可以对流量的流入转发规则进行配置，EDAS 的金丝雀发布能力，提供了多个版本同时在线的能力，并且提供了灵活的配置规则来给不同的版本进行流量分配。 部署在 EDAS Kubernetes 集群中的 Spring Cloud 微服务应用

在 此前的文章 中，我已经向你介绍了Kubeflow，这是一个为团队设置的机器学习平台，需要构建机器学习流水线。 在本文中，我们将了解如何采用现有的机器学习详细并将其变成Kubeflow的机器学习流水线，进而可以部署在Kubernetes上。在进行本次练习的时候，请考虑你该如何将现有的机器学习项目转换到Kubeflow上。 我将使用Fashion MNIST作为例子，因为在本次练习中模型的复杂性并不是我们需要解决的主要目标。对于这一简单的例子，我将流水线分为3个阶段： Git clone代码库 下载并重新处理训练和测试数据 训练评估 当然，你可以根据自己的用例将流水线以任意形式拆分，并且可以随意扩展流水线。 获取代码 你可以从Github上获取代码： % git clone https://github.com/benjamintanweihao/kubeflow-mnist.git 以下是我们用来创建流水线的完整清单。实际上，你的代码很可能跨多个库和文件。在我们的例子中，我们将代码分为两个脚本， preprocessing.py 和 train.py 。 from tensorflow import keras import argparse import os import pickle def preprocess(data_dir: str): fashion_mnist

在 此前的文章 中，我已经向你介绍了Kubeflow，这是一个为团队设置的机器学习平台，需要构建机器学习流水线。 在本文中，我们将了解如何采用现有的机器学习详细并将其变成Kubeflow的机器学习流水线，进而可以部署在Kubernetes上。在进行本次练习的时候，请考虑你该如何将现有的机器学习项目转换到Kubeflow上。 我将使用Fashion MNIST作为例子，因为在本次练习中模型的复杂性并不是我们需要解决的主要目标。对于这一简单的例子，我将流水线分为3个阶段： Git clone代码库 下载并重新处理训练和测试数据 训练评估 当然，你可以根据自己的用例将流水线以任意形式拆分，并且可以随意扩展流水线。 获取代码 你可以从Github上获取代码： % git clone https://github.com/benjamintanweihao/kubeflow-mnist.git 以下是我们用来创建流水线的完整清单。实际上，你的代码很可能跨多个库和文件。在我们的例子中，我们将代码分为两个脚本， preprocessing.py 和 train.py 。 from tensorflow import keras import argparse import os import pickle def preprocess(data_dir: str): fashion_mnist

1.说明 p:presto a:allixop z:zeppelin r:rancher 分为三部分讲解 1.什么是presto+Alluxio，大数据presto+Alluxio集成详细部署说明 2.大数据zeppelin+rancher，docker的集成部署 3.presto+alluxio集成ldap实操测试，zeppelin+rancher集成ldap实操测试 1.1什么是presto 于内存的并行计算，Facebook推出的分布式SQL交互式查询引擎 多个节点管道式执行 支持任意数据源 数据规模GB~PB 是一种Massively parallel processing（mpp）(大规模并行处理)模型 数据规模PB 不是把PB数据放到内存，只是在计算中拿出一部分放在内存、计算、抛出、再拿 为什么要用&优点&特点 多数据源、支持SQL、扩展性（可以自己扩展新的connector）、混合计算（同一种数据源的不同库 or表；将多个数据源的数据进行合并）、高性能、流水线（pipeline） 1.2 presto架构 2.1什么是alluxio Alluxio（前身Tachyon）是世界上第一个以内存为中心的虚拟的分布式存储系统。它统一了数据访问的方式，为上层计算框架和底层存储系统构建了桥梁。 2.2Alluxio架构 Alluxio是大数据和机器学习生态系统中的新数据访问层

前言 If you are developing software without a repository manager you are likely missing a number of opportunities to reduce some pretty obvious inefficiencies. If everyone on your team has to hit public repositories like the Central Repository to download components, you are missing out on some simple gains in speed and efficiency. 如果您开发的软件没有存储库管理器，则可能会丢失许多机会来减少一些非常明显的低效率。 如果团队中的每个人都必须访问诸如中央存储库之类的公共存储库以下载组件，那么您会在速度和效率上有所损失。 Nexus Repository Manager （NXRM）可以用来做什么？是个人都知道，你从maven中央仓库下载jar包有多慢，即便更换阿里云仓库，依旧是慢慢慢，更慢的是docker，从docker hub下载镜像的乌龟速度简直难以忍受，换成阿里云还好一些，毕竟docker镜像也不是经常下载。NXRM是干什么的

本文转自 Rancher Labs 在Kubernetes中，Ingress对象定义了一些路由规则，这些规则规定如何将一个客户端请求路由到指定服务，该服务运行在你的集群中。这些规则可以考虑到输入的HTTP消息的独特方面，包括其Host请求头和URL路径，这将允许你在请求中使用数据发现将流量从一个服务发送到另一个服务。那意味着你能够使用Ingress对象来为许多不同的应用程序定义路由。 虽然Ingress对象定义路由，但Ingress Controller是驱动它们的引擎。Ingress Controller是一个位于客户端和服务之间的代理，其作用是正确地传递消息。目前市面上已经有几个项目实现了Ingress Controller规范，每个项目都有其优势。Rancher提供了一个基于NGINX的默认controller，但你并不需要局限于此。Rancher已经和HAProxy达成合作，因此你也可以选择使用HAProxy Ingress Controller。我们倾向于把HAProxy Ingress Controller看作是一个完美的Kubernetes的涡轮增压引擎，能够充分提升Kubernetes的使用效率。 HAProxy Ingress Controller的特性 你可以在Rancher应用商店中找到HAProxy，此外你还可以在HAProxy的官方文档（https:/

Rancher 是一种简化Kubernetes集群部署的方案，它的理念是，在任何地方运行Kubernetes集群。由于在最近的工作中需要用到，因此，就写一篇文章介绍一下Rancher的使用，以及通过Rancher在Azure上搭建Kubernetes集群的方式。 开始使用Rancher Rancher的基本使用非常简单，英语比较好的可以直接翻看 Rancher官网上的文档 ，我们先从Rancher的安装开始。Rancher的安装非常简单，在装有docker的机器上直接运行以下命令，就可以启动Rancher。 sudo docker run -d --restart=unless-stopped -p 80:80 -p 443:443 rancher/rancher 启动完成后，打开浏览器，使用http或者https访问运行Rancher容器的主机，就可以看到用户界面。第一次使用时，Rancher会提示为admin用户设置新的密码，输入密码后，就可以开始使用Rancher了。进入主界面后，页面会显示Add Cluster的按钮，点击该按钮就可以开始创建一个新的Kubernetes集群。但在开始创建集群前，有些配置是需要预先设置好的，因此，我们不急于点击这个Add Cluster按钮，我们先点击界面右上方的用户头像，然后可以看到两个重要的菜单项：Cloud

微博将采用外链白名单机制 7月8日，微博官方发布《微博平台实施外链白名单机制的公告》称将目前的短链服务调整为受限制的免费服务，即采用外链白名单机制，仅对白名单网站，如政府、新闻、认证企业网站提供免费服务。对白名单以外的网址均不再支持跳转。认证企业网站需要企业认证账号自行向微博平台申报。微博外链白名单机制将于8月初上线。 来源： 蓝鲸财经 拍一拍：👎 谷歌开源世界上首个开源的芯片工艺设计套件 PDK 如果想要制造芯片，在已经拥有 RTL（电阻晶体管逻辑电路）的前提下，还需要克服两大障碍，一是从芯片代工厂获得工艺设计套件（PDK），二是有足够的资金支付制造费用。PDK 是连接 IC 设计公司、代工厂和 EDA 公司的桥梁。PDK 包括设计规则文件、电学规则文件、版图层次定义文件、SPICE 仿真模型、器件版图和期间定制参数。而 PDK 是将 RTL 转化为物理芯片的关键步骤，也是实流程开源的障碍，因此想制造自己的芯片，就要有一套可制造且开源的 PDK。最近，Google 宣布了同 SkyWater 合作的第一个可制造的、开源的 PDK——SkyWater PDK。另外，无需承担昂贵的制造费用，Google 也将提供完全免费的芯片制造流程。 来源： 雷锋网 拍一拍：谷歌做的很多事情都是在推进产业前进。就是不知道受不受美国的出口管制。 Synergy：全球超大规模数据中心升至 541 个

本文首发于： Jenkins 中文社区 原文链接 作者：Luc Juggery 译者：s1mple_zj TL;DR k3s 是一个轻量级的 Kubernetes 发行版（小于 40 MB），它非常容易安装，仅需要 512 MB 的 RAM。对 IoT 设备、边缘计算以及运行 CI 任务来说均是一个完美的选择。这篇文章中，我将创建一个 k3s 集群然后向你们展示怎样将它集成到一个 GitLab 项目中。 关于 k3s k3s 是一款由 Rancher Labs 开发的轻量级的 Kubernetes 发行版。 它作为 Kubernetes 认证的发行版使用最低的系统要求: Linux 3.10+ 每个服务器 521 MB ram 每个节点 75 MB ram 200 MB 磁盘空间 x86_64，ARMv7，ARM64 这使得 k3s 非常适合 IoT 相关的事物。 在 GitLab 创建一个项目 在安装 k3s 之前，我们先在 GitLab 上创建一个名为_api_的新项目。 创建完成后，我们进入到_Operation_>_Kubernetes_菜单。 这里我们有两种选择: 我们可以在 GKE（Google Kubernetes Engine）上创建一个 Kubernetes 集群。 我们可以导入一个已存在的 Kubernetes 集群的配置（不管在哪里创建的）。 **注意:*