- 一个运行Paddle Job的例子
- 一个现实的例子
- 处理任务依赖
- AI计算的全生命周期
- 为什么实现AI的目标需要Kubernetes
- 通用计算集群的重要性(介绍不同业务集群相互独立，造成的利用率低下)
- 容器简介
- 资源隔离的必要性
- 物理隔离
- 多账户
- 虚拟机
- 容器／沙盒
- 容器和虚拟机的对比
- 多个实现：warden, rkt, lxc, docker, sandbox
- 功能
- 运行环境隔离(kernel namespaces)
- 资源配额Control groups
- Layer FS
- 应用打包语言Dockerfile
- 跨平台（Mac, Linux, Windows）
- 网络映射(NAT)
- 资源隔离的必要性
- 容器集群化
- 现状和问题
- 业界计算集群资源利用率普遍很低
- 在线集群和离线任务集群 独立部署
- 现有集群资源管理软件的横向对比（Mesos、Yarn等）
- Kubernetes带来的特性
- 同时调度在线业务和离线业务
- 支持Stateless和Stateful两种分布式应用部署
- 经过Google检验的容器调度和管理（health, recover, ）
- 在线更新Rolling update
- 扩容缩容
- 故障恢复
- 资源调度机制
- label调度
- Kubernetes网络模型
- Flannel原理(docker0的作用，UDP、host-gw的区别)
- Service机制(cluster-ip、node-port)
- 如何处理集群外部的访问(7层代理-ingress，4层代理-loadbalancer)
- kubernetes的存储模型
- Volume的机制
- Kubernetes的监控架构
- 基于heapster+influxdb+grafana的解决方案
- Kubernetes的统一日志处理
- 基于Elasticsearch+Fluentd+Kibana(EFK)的解决方案
- 现状和问题
- 存储集群
- 块设备和对象存储, S3 API成为行业标准
- 数据容灾
- 存储服务容灾
- SSD和多级存储
- 作业管理
- 可视化作业管理（锦上添花，欲善其事，先利其器）
- 处理相互依赖关系的作业调度（类似于ETL任务调度）
- 应用场景
- 行业AI服务一体机
- 人脸识别
- 推荐系统
- 舆情系统
- AI开发平台
- ServerLess服务
- 大数据和AI
- 行业AI服务一体机