DevOps Portal | Linux
Kanalga Telegram’da o‘tish
Присоединяйтесь к нашему каналу и погрузитесь в мир DevOps Сотрудничество, реклама: @devmangx Менеджер: @Spiral_Yuri РКН: https://clck.ru/3P8kFH
Ko'proq ko'rsatish
Tarmoq:📈 Telegram kanali DevOps Portal | Linux analitikasi
DevOps Portal | Linux (@loose_code) Rus til segmentidagi kanali faol ishtirokchi. Hozirda hamjamiyat 13 076 obunachidan iborat bo'lib, Texnologiyalar & Aralashmalar toifasida 9 462-o'rinni va Rossiya mintaqasida 49 805-o'rinni egallagan.
📊 Auditoriya ko‘rsatkichlari va dinamika
невідомо sanasidan buyon loyiha tez o‘sib, 13 076 obunachiga ega bo‘ldi.
25 Avgust, 2026 dagi oxirgi ma’lumotlarga ko‘ra kanal barqaror faollikka ega. Oxirgi 30 kunda obunachilar soni 42 ga, so‘nggi 24 soatda esa -2 ga o‘zgardi va umumiy qamrov yuqori darajada qolmoqda.
- Tasdiqlash holati: Tasdiqlanmagan
- Jalb etish (ER): Auditoriya o‘rtacha 15.69% darajada jalb etiladi. Nashrdan keyingi dastlabki 24 soatda kontent odatda umumiy obunachilar sonining 9.10% ini tashkil etuvchi reaksiyalarni to‘playdi.
- Post qamrovi: Har bir post o‘rtacha 2 052 marta ko‘riladi; birinchi sutkada odatda 1 190 ta ko‘rish yig‘iladi.
- Reaksiyalar va o‘zaro ta’sir: Auditoriya faol: har bir postga o‘rtacha 7 ta reaksiya keladi.
- Tematik yo‘nalishlar: Kontent devops, kubernetes, docker, linux, ebpf kabi asosiy mavzularga jamlangan.
📝 Tavsif va kontent siyosati
Muallif resursni shaxsiy fikrni ifoda etish maydoni sifatida ta’riflaydi:
“Присоединяйтесь к нашему каналу и погрузитесь в мир DevOps
Сотрудничество, реклама: @devmangx
Менеджер: @Spiral_Yuri
РКН: https://clck.ru/3P8kFH”
Yuqori yangilanish chastotasi (oxirgi ma’lumot 26 Avgust, 2026 da olingan) sababli kanal doimo dolzarb va katta qamrovli bo‘lib qoladi. Analitika auditoriya kontent bilan faol hamkorlik qilishini, uni Texnologiyalar & Aralashmalar toifasidagi muhim ta’sir nuqtasiga aylantirishini ko‘rsatadi.
13 076
Obunachilar
-224 soatlar
-47 kunlar
+4230 kunlar
Postlar arxiv
13 076
Kubernetes HPA не ограничивается только CPU и памятью
Ворклоады можно скейлить и по кастомным метрикам, например
- количество запросов в секунду (RPS)
- длина очереди
- количество активных соединений
- latency приложения
Для этого можно использовать связку HPA + Prometheus + Prometheus Adapter.
Prometheus Adapter прокидывает метрики через Kubernetes Custom Metrics API, после чего HPA использует их для автоскейлинга.
Но выбрать метрику — это только часть настройки автоскейлинга. Нужно ещё контролировать, как HPA будет скейлить ворклоад при изменении значений метрики.
В этой рассылке разобрали, как работает HPA tolerance.
Читать здесь:
https://newsletter.devopscube.com/p/kubernetes-hpa-tolerance-levels
👉 DevOps Portal
13 076
...каждый раз думаете вы, когда видите у себя в подписках очередной ИТ-канал с проходным контентом.
«Кучевые АйТи» вас точно не разочарует. Здесь нет нейрослопа — только редакционные материалы на тему облачных технологий. Ребята пишут о новых сервисах, влиянии ИИ на инфраструктуру и сети, тенденциях ИТ-рынка и берут интервью у экспертов ведущих ИТ-компаний.
Читайте в канале:
— Виртуальную машину с белым IP начинают брутфорсить через пару минут после поднятия. Как защитить только что арендованную VM?
— Исследование: каждая 4-ая российская компания использует или пилотирует ИИ в облаке, и еще 18% планируют начать в ближайший год.
— Половина 2026 год прошла — самое время спросить ИТ-компании, что происходит с бизнесом, какие задачи ставят клиенты, что изменилось. Читайте интервью Виталия Андриевского, СЕО Дата8.
Уверенно жмите и подписывайтесь на канал 👉 «Кучевые АйТи»
13 076
SSH-туннели, или как стать магом сетевой связности
10 практических челленджей, чтобы прокачать port forwarding через SSH-туннели — от простого локального/удалённого проброса портов до продвинутых сценариев с bastion- и jump-хостами:
- Получить доступ к внутреннему debug-порту через SSH-туннель https://labs.iximiuz.com/challenges/ssh-local-port-forwarding - Достучаться до приватного сервиса в VPC через SSH-бастион https://labs.iximiuz.com/challenges/ssh-local-port-forwarding-bastion - Получить доступ к удалённому loopback-порту через SSH jump host https://labs.iximiuz.com/challenges/ssh-local-port-forwarding-jump-host - Ограничить доступ к SSH-бастиону в зависимости от роли пользователя https://labs.iximiuz.com/challenges/ssh-local-port-forwarding-bastion-hardened - Получить доступ к внутренним серверам через SSH-бастион без shell-доступа https://labs.iximiuz.com/challenges/ssh-jump-host-internal-servers - Получить доступ ко всей VPC через SSH SOCKS-прокси https://labs.iximiuz.com/challenges/ssh-socks-proxy - Пробросить локальный сервис наружу через обратный SSH-туннель https://labs.iximiuz.com/challenges/ssh-remote-port-forwarding - Пробросить устройство из домашней сети через обратный SSH-туннель https://labs.iximiuz.com/challenges/ssh-remote-port-forwarding-home-network - Пробросить всю домашнюю сеть через обратный SSH SOCKS-прокси https://labs.iximiuz.com/challenges/ssh-reverse-socks-proxy - Заменить root-доступ по паролю на админский логин по SSH-ключу https://labs.iximiuz.com/challenges/ssh-harden-new-serverПриятного хакинга! 👉 DevOps Portal
13 076
С Kubernetes-сетями довольно быстро становится сложно, как только выходишь за рамки базовых Service.
В этом туториале Ayobami разбирает, как работают сеть между Pod’ами, ClusterIP, Ingress-контроллеры, NetworkPolicy и CNI-плагины.
Также сравниваются разные CNI и показывается, как Cilium использует eBPF для сетевого взаимодействия, observability и возможностей service mesh.
https://freecodecamp.org/news/kubernetes-networking-explained-from-clusterip-to-cilium-service-mesh/
👉 DevOps Portal
13 076
Добро пожаловать в мир разработки
Проект «Terminal» стал крупнейшей библиотекой бесплатного образования. В одном канале собраны курсы, книги, полезные инструменты и практические тренажёры для всех разработчиков:
• Практические курсы и задания
• Книги и статьи известных авторов
• Полезные инструменты и ресурсы
• IT-новости и инсайды
Обучение по всем направлениям: SQL, Python, ML, Frontend, PHP, C++, Go, Git, Linux, QA, Java, Vibe-coding, InfoSec и др.
⌨️ подписаться
13 076
Паттерн проектирования sidecar – удобный способ вынести прокси, агенты доставки логов, агенты для provisioning секретов и другие вспомогательные процессы за пределы основного контейнера приложения.
Начиная с Kubernetes 1.28, поддержка sidecar-контейнеров стала нативной – и реализована довольно элегантно: никакого нового типа контейнеров, просто
initContainer с restartPolicy: Always.
Попрактиковаться в работе с нативными sidecar-контейнерами Kubernetes можно здесь:
https://labs.iximiuz.com/tutorials/kubernetes-native-sidecars
👉 DevOps Portal13 076
Hubble — полностью распределённая платформа для observability сетевого взаимодействия и безопасности cloud-native workloads.
Она построена поверх Cilium и eBPF и позволяет глубоко анализировать взаимодействие сервисов, их поведение и работу сетевой инфраструктуры.
➜ https://github.com/cilium/hubble
👉 DevOps Portal
13 076
Многие ли знают, что Helm хранит информацию о релизах в Kubernetes Secrets?
Когда вы запускаете
helm install или helm upgrade, Helm сохраняет данные о релизе в K8s Secrets в том же namespace.
В Secret хранится, например:
- имя релиза;
- статус деплоя;
- применённые манифесты;
- использованные values;
- информация о chart и другие данные.
Данные в Secret сжимаются с помощью gzip, а затем кодируются в base64.
Имя Secret создаётся по следующему шаблону:
sh.helm.release.v1.[release-name].v[revision]
Когда вы запускаете helm rollback, Helm читает эти Secrets, чтобы восстановить приложение до предыдущей версии.
Helm не нужна внешняя база данных.
Вся информация хранится прямо в вашем кластере в виде нативных Kubernetes Secrets.
Примечание: также можно настроить внешнюю SQL-базу данных для хранения релизов, но эта возможность пока находится в beta
👉 DevOps Portal13 076
🐻 GitFlic — в учебный процесс МГТУ им. Баумана
Кафедра «Защита информации» ИУ10 переводит лабораторные работы с Gitea на GitFlic. Студенты будут изучать практики безопасной разработки (РБПО) на реальном промышленном инструменте — не на учебных упрощенках.
Бауманка готовит специалистов по ИБ, которые через несколько лет придут в компании, где уже стоит задача выстраивать безопасную разработку по российским стандартам. Логично, что инструмент в учёбе должен совпадать с тем, что их ждёт в реальной работе.
Кафедра получила 250 лицензий — этого хватит на несколько учебных групп и потоков. На GitFlic студенты будут вести лабораторные по разработке и осваивать практики безопасного цикла создания ПО.
«Мы хотим дать студентам возможность изучать современные практики безопасной разработки на отечественной платформе, а не на иностранных аналогах»— Максим Козлов, технический директор GitFlic
«Переход на GitFlic — это часть нашей задачи готовить студентов к работе с реальными промышленными инструментами. Уверены, что практика на GitFlic даст выпускникам конкурентное преимущество при выходе на рынок труда»— Екатерина Вайц, заместитель заведующего кафедрой ИУ10 Университет уже работал с Astra Linux — и это сформировало доверие к экосистеме «Группы Астра». GitFlic стал следующим шагом. Попробуйте GitFlic для ваших задач
13 076
Как работают мультиплатформенные container images
Когда вы делаете
docker pull nginx:1.29 на AMD64-сервере и на ARM64-ноутбуке, Docker подтягивает совершенно разные сборки образа. Но как это возможно, если в обоих случаях используется одно и то же имя образа?
Чтобы представить несколько сборок через одну ссылку на образ (например, nginx:1.29), container registry использует специальный файл — Image Index, в котором перечислены манифесты для отдельных платформенных сборок. Поэтому при pull появляется дополнительный шаг:
- Сначала запрашивается index по адресу https://registry.example[.]com/v2/REPO/manifests/TAG
- Затем в index находится манифест образа для нужной платформы, после чего он запрашивается по digest: https://registry.example[.]com/v2/REPO/blobs/DIGEST
- И уже после этого по digest’ам из манифеста подтягиваются config образа и blobs слоёв файловой системы
Для single-platform image ссылка https://registry.example[.]com/v2/REPO/manifests/TAG указывает сразу на его manifest. То есть здесь на один уровень косвенности меньше.
Подробнее о внутреннем устройстве container images:
https://labs.iximiuz.com/tutorials/container-image-from-scratch
👉 DevOps Portal13 076
Model Server — одно из ключевых понятий в MLOps.
Если говорить проще:
* Nginx-сервер обслуживает веб-приложения
* Model Server обрабатывает inference-запросы к ML-модели
Работает это следующим образом.
Model Server загружает артефакты обученной модели в оперативную память или память GPU, чтобы не загружать модель заново при каждом запросе.
Он предоставляет inference-эндпоинты по HTTP и gRPC.
Также он экспортирует метрики и трейсы – например, через Prometheus и OpenTelemetry (OTEL).
Среди часто используемых Model Server – MLServer, TensorFlow Serving, NVIDIA Triton Inference Server и другие.
Теперь важный момент.
Model Server сам по себе не умеет горизонтально масштабироваться.
Для масштабирования и обеспечения высокой доступности поверх него используется оркестрация Kubernetes.
Когда речь идёт о model serving, KServe – один из ключевых serving-фреймворков для Kubernetes.
Model Server отвечает за обработку inference-запросов, а KServe выступает в роли слоя оркестрации.
👉 DevOps Portal
13 076
🔴В 2025 году Россияне заработали 5,3 млрд рублей на арбитраже криптовалют
По данным Минфин 32% граждан покинули своё место работы, поскольку в среднем уже в первый месяц тут можно зарабатывать от 140 000 рублей, а через 2-3 месяца с легкостью выйти на семизначные числа.
Самое смешное, что лишь 8% россиян что-то слышали об этой профессии, хотя все инструкции бесплатно лежат на канале Арбитраж Криптовалют
Там объясняют, как имея телефон и доступ в интернет, заработать свои первые $2000. Причём разжёвывают так доступно, что поймёт даже ребенок. Кстати, на канале сегодня вышла новая рабочая связка!
Быстрее вступайте, пока это бесплатно — https://t.me/+yFtPq4VlI-k0OWEy
13 076
+3Linux 101: Практика по управлению хранилищами
Отработайте основы управления хранилищами в Linux на серии практических заданий – от монтирования существующих файловых систем до разметки дисков и автоматизации их подготовки:
- Смонтировать диск с уже существующими данными и прочитать его содержимое https://labs.iximiuz.com/challenges/storage-simple-mount - Создать файловую систему ext4 на неформатированном диске https://labs.iximiuz.com/challenges/storage-simple-format - Создать таблицу разделов GUID Partition Table (GPT) на пустом диске https://labs.iximiuz.com/challenges/storage-simple-partition-table - Разбить диск на несколько разделов и отформатировать их в ext4 и Btrfs https://labs.iximiuz.com/challenges/storage-partition-drive - Смонтировать существующую директорию по новому пути с помощью bind mount https://labs.iximiuz.com/challenges/storage-bind-mount - Настроить постоянное монтирование файловой системы, чтобы оно сохранялось после перезагрузки https://labs.iximiuz.com/challenges/storage-persistent-mount - Автоматизировать подготовку диска с помощью shell-скрипта https://labs.iximiuz.com/challenges/storage-provision-drive-script👉 DevOps Portal
13 076
Как обученная AI-модель превращается в production API в Kubernetes?
KServe — это проект CNCF на стадии Incubating для развёртывания и обслуживания AI-моделей в Kubernetes.
Проще говоря, KServe берёт обученную модель и превращает её в масштабируемый inference-сервис в Kubernetes.
Он берёт на себя деплой, сеть, автоскейлинг и health checks модели.
Важно понимать, что KServe уже давно работает не только с классическими ML-моделями.
Как inference-платформа, он поддерживает две категории AI/ML-нагрузок:
- Predictive AI (классический ML): например, модели на scikit-learn, XGBoost, модели, упакованные через MLflow, и другие.
- Generative AI (LLM): например, запуск и обслуживание LLM через backend vLLM с поддержкой GPU.
Если хотите разобраться, как устроена inference-платформа KServe, можно прочитать свежий выпуск MLOps-рассылки.
В нём разбираются:
- Model Servers и runtimes в KServe
- Как KServe разворачивает AI-модели в Kubernetes
- Деплой MLflow-модели в KServe на практике
- Как выкатывать новые версии моделей
- Rolling Updates, Canary, A/B Testing и Shadow Deployments
И многое другое.
Читать здесь: https://newsletter.devopscube.com/p/kserve
👉 DevOps Portal
13 076
KubePlumber проверяет работу сети Kubernetes изнутри кластера, тестируя:
* внутренний DNS,
* трафик между подами,
* внешний DNS,
* пропускную способность между нодами.
➤ https://github.com/David-VTUK/KubePlumber
👉 DevOps Portal
13 076
20 Kubernetes-челленджей
Итак, вот 20 вопросов (и ответов):
1. Подсчёт endpoints 2. Ждём чуда 3. Я сказал стоп 4. Проектирование shared-кластеров 5. Kernel panic 6. Прыгай, кролик 7. Сколько — это слишком много 8. Держим свет включённым 9. Прожорливый etcd 10. Умножение pod’ов 11. В одиночку 12. Rollin’ 13. All you can eat 14. Bounce 15. В кроличью нору 16. Throttled 17. Липкий бардак 18. Жив или мёртв 19. Связанный по рукам 20. Один, чтобы связать их всехВы можете использовать эти задания, чтобы прокачать свои знания, как (очень сложные) вопросы на собеседованиях или чтобы подготовиться к интервью 👉 DevOps Portal
13 076
🔍Тестовое собеседование с Head of DevOps уже завтра
11 августа(уже завтра!) в 19:00 по мск приходи онлайн на открытое собеседование, чтобы посмотреть на настоящее интервью на Middle DevOps-разработчика.
Как это будет:
📂 Александр Хренников, Head of DevOps в KTS с опытом 14+ лет, будет задавать реальные вопросы и задачи разработчику-добровольцу
📂 Александр будет комментировать каждый ответ респондента, чтобы дать понять, чего от вас ожидает собеседующий на интервью
📂 В конце можно будет задать любой вопрос Александру
Это бесплатно. Эфир проходит в рамках менторской программы от ШОРТКАТ для DevOps-разработчиков, которые хотят повысить свой грейд, ЗП и прокачать скиллы.
Переходи в нашего бота, чтобы получить ссылку на эфир → @shortcut_devops_bot
Реклама.
О рекламодателе.
13 076
Canary vs Shadow Deployment vs A/B Testing
Когда мы деплоим модель в production, для неё применяются те же стратегии деплоя, которые обычно используются и для обычных приложений.
Разберём три распространённые стратегии деплоя моделей.
1. Canary Traffic Splitting
Небольшой процент реального трафика, например 10%, направляется на новую модель, после чего отслеживается её работа.
Если с предсказаниями всё в порядке, долю трафика постепенно увеличивают, пока она не достигнет 100%.
2. A/B Testing
Одну группу пользователей направляют на модель A, другую — на модель B с помощью sticky routing, после чего сравнивают бизнес-метрики: CTR, conversion rate, revenue и т. д.
3. Shadow Deployment
Каждый реальный запрос, как обычно, обрабатывается старой моделью, и пользователь получает именно её ответ.
При этом копия того же запроса в фоне также отправляется на новую модель.
После этого можно сравнить залогированные предсказания обеих моделей на одном и том же реальном трафике.
👉 DevOps Portal
13 076
📘 Apache Kafka — новый курс на Mentorix
Хотите уверенно говорить о Kafka на собеседовании и спокойно работать с ней в проде? Курс с нуля: от событий и append-only журнала до гарантий доставки, log compaction и потоковой обработки — всё закрепляете задачами в коде.
⚙️ Внутри: события и append-only журнал, партиции, ребалансировка, ISR, гарантии доставки, log compaction, оконные агрегации, потоковая обработка
🧩 Задачи с автопроверкой — моделируете механизмы Kafka в коде (решения на любом из 7 языков)
🎓 Сертификат · доступ навсегда
▶️ Первые уроки открыты — начать можно бесплатно
🏷 −50% — скидка применится по ссылке
12 990 ₽ → 6 495 ₽
➜ Забрать курс со скидкой
━━━━━━━━━━━━━━
Курс с нуля, но заходит легче с базой по инфраструктуре и сетям. Если хотите подтянуть — на платформе есть бесплатные курсы:
🐳 Docker: первые шаги
Сети для разработчиков: TCP/IP, HTTP, DNS
SQL с нуля
📚 Все бесплатные курсы Mentorix
13 076
DevOps-инструмент недели: Ray
ML-нагрузка может отлично работать на одной GPU.
Сложности начинаются, когда её нужно масштабировать на несколько GPU, работающих на разных нодах.
Именно здесь помогает Ray.
Ray – это опенсорс фреймворк с 43K+ звёзд на GitHub.
Он помогает организовать распределённое выполнение задач: планирование задач, распределение ресурсов, параллельное выполнение, обмен данными между воркерами и обработку сбоев.
Ray можно запускать на ноутбуке, виртуальных машинах, bare-metal серверах, облачных инстансах или в Kubernetes.
Для Kubernetes обычно используется KubeRay – Kubernetes Operator для создания и управления Ray-кластерами.
Ray используют такие компании, как OpenAI, Uber, Spotify и Instacart, для масштабных AI- и ML-нагрузок.
https://github.com/ray-project/ray
👉 DevOps Portal
