51CTO讀者成長計(jì)劃社群招募，咨詢小助手（微信號：CTOjishuzhan）
作者 | Dev Nag
策劃 | 言征
Kubernetes（K8s）非常火，但被人詬病最多的還是其復(fù)雜性，并且不管是在云中還是本地，都沒有很好的集群故障排除的方法。因此，盡管K8s的采用率持續(xù)增長，但許多開發(fā)人員和運(yùn)維團(tuán)隊(duì)對這項(xiàng)較新的技術(shù)感到吃力，為此必須學(xué)習(xí)新的術(shù)語、工作流程、工具等。
1、K8s難在哪里
K8s的分立部件需要廣泛的專業(yè)知識，即使只是在設(shè)置過程中。考慮到旋轉(zhuǎn)K8集群需要了解和配置從pods到服務(wù)的多個組件，更不用說etcd、API服務(wù)器、kubelet和kube-proxy等資源了。
然后是規(guī)劃、擴(kuò)展和網(wǎng)絡(luò)建設(shè)。一個失誤可能很快轉(zhuǎn)化為無數(shù)的可擴(kuò)展性、可靠性甚至安全性問題。
此外，生態(tài)系統(tǒng)本身也在不斷快速增長和演變。對于初學(xué)者來說，工具和附加組件可能很多，而且很難跟上。并不是每個開發(fā)者都專門接受過K8s技能的培訓(xùn)。
我們不能忘記，這項(xiàng)技術(shù)有許多移動部件和復(fù)雜的相互作用，當(dāng)發(fā)生故障時，進(jìn)行故障排除可能既困難又耗時。診斷故障原因需要深入的技術(shù)知識和專業(yè)知識，而這些知識和專業(yè)技能往往存在于少數(shù)經(jīng)驗(yàn)豐富的工程師的頭腦中。
讓我們深入研究，探索有助于克服明顯技能差距問題的新的創(chuàng)新方法。
2、沒錯，ChatGPT能當(dāng)此大任
Kubernetes很難有效地學(xué)習(xí)和使用，因?yàn)闆]有一刀切的方法。K8s是高度可定制的，可以根據(jù)應(yīng)用程序或基礎(chǔ)設(shè)施的具體需求以多種不同的方式進(jìn)行配置。通常很難將您從文檔（而且有很多）和培訓(xùn)中學(xué)到的東西應(yīng)用到現(xiàn)有的環(huán)境中，因?yàn)閳F(tuán)隊(duì)缺乏對其架構(gòu)的上下文理解和可見性。
當(dāng)前的體系結(jié)構(gòu)是什么樣子的？哪些pod綁定到特定的命名空間？節(jié)點(diǎn)的運(yùn)行狀況如何？詢問我們環(huán)境的基本問題需要在AWS控制臺、kubectl命令行、Terraform配置文件和監(jiān)控工具之間進(jìn)行上下文切換。
如果我們可以問ChatGPT這些問題呢？
讓我們看一個使用由ChatGPT提供支持的PromptOps來理解集群中所有部署的示例。PromptOps提供了一個免費(fèi)的Kubernetes咨詢工具，用戶可以通過BASH腳本、文檔參考和其他有用資源的形式提出問題并獲得即時幫助。
通過提供來自不同來源的PromptOps基礎(chǔ)設(shè)施的碎片數(shù)據(jù)，如Confluence、Notion、Terraform配置文件等，我們希望PromptOps能夠快速聚合所有信息，并幫助可視化架構(gòu)。我們沒有手動運(yùn)行kubectl命令來檢查部署，而是在聊天中提示PromptOps來描述集群中存在的部署。
以下是PromptOps的回應(yīng)：
PromptOps > I suggest running this script to answer your question.
PromptOps提供了一個要運(yùn)行的腳本，并引用了一個包含集群信息的Notion頁面。在執(zhí)行腳本時，PromptOps提供集群內(nèi)部署的輸出。
PromptOps還提供了集群中所有部署的可視化圖，使學(xué)習(xí)更加容易。
PromptOps的響應(yīng)簡化了Kubernetes基礎(chǔ)設(shè)施管理，使DevOps團(tuán)隊(duì)中的每個人都能跟上當(dāng)前架構(gòu)的步伐并跟上變化。
通過自動化故障調(diào)查節(jié)省時間
讓我們看看生產(chǎn)問題的疑難解答，看看PromptOps如何幫助確定Kubernetes中故障的根本原因。Kubernetes度量和日志提供了從集群到容器的所有級別的關(guān)鍵見解。它們提供有關(guān)資源利用率、pod和節(jié)點(diǎn)狀態(tài)、集群自動縮放指標(biāo)、網(wǎng)絡(luò)錯誤、容器運(yùn)行時間等信息。
但所有這些指標(biāo)的問題在于，它們并沒有立即發(fā)揮作用。日志流或度量圖表無法提供必要的上下文或方向。有一些工具可以提供幫助，但它們往往會使事情變得更加復(fù)雜，需要在整個技術(shù)堆棧中提取上下文，以查看真正發(fā)生了什么，或者在出現(xiàn)問題時誰做了什么。在CtrlStack，我們一直在結(jié)合PromptOps來分析因果圖、Kubernetes事件、指標(biāo)和日志，以減少手動故障排除的挑戰(zhàn)。目標(biāo)是通過使用PromptOps生成解釋原因的根本原因分析摘要，幫助DevOps團(tuán)隊(duì)快速理解Kubernetes問題。在本例中，CtrlStack中的根本原因分析儀表板的因果圖被輸入到PromptOps中，以進(jìn)行故障排除和解決，如下所述。
下面是一個根本原因分析面板的隨意圖形示例。
有了這個，我們提示PromptOps解釋這個圖。以下是PromptOps的回應(yīng)：
PromptOps>以下是對圖形的解釋：
該圖顯示了Kubernetes pod中錯誤的根本原因。該錯誤是由pod映像中的更改引起的，這些更改類似于Kubernetes pod_error度量中的更改。該錯誤也類似于在kubernetes_ptime和kubernetes_pod_mem_usage度量中發(fā)現(xiàn)的拐點(diǎn)，以及node1中的拓?fù)渥兓?/p>
該圖顯示了kubernetes_po_error更改的根本原因。有三個見解。首先是圖像發(fā)生了變化。第二個是在度量kubernetes_ptime和kubernetes_pod_mem_usage中發(fā)現(xiàn)了拐點(diǎn)。第三個是節(jié)點(diǎn)1的拓?fù)浣Y(jié)構(gòu)發(fā)生了變化。
PromptOps返回了正常運(yùn)行時間和內(nèi)存使用指標(biāo)之間的信息相關(guān)性，以及相關(guān)的拓?fù)渥兓＿@些見解包括檢查Kubernetes的更改事件、度量、資源使用情況和拓?fù)浣Y(jié)構(gòu)更改。基于這種自動事件調(diào)查，開發(fā)人員和操作員應(yīng)該有足夠的上下文來快速確定解決問題的下一步措施。
3、將ChatGPT與Change AI相結(jié)合，縮小技能差距
根據(jù)提供的例子，很明顯，ChatGPT可以提供寶貴的幫助來縮小Kubernetes的技能差距。ChatGPT為DevOps團(tuán)隊(duì)提供了快速的見解和清晰的解釋，以解決生產(chǎn)問題。這使初級運(yùn)營商和初涉Kubernetes的開發(fā)人員能夠獨(dú)立學(xué)習(xí)技術(shù)并解決常見問題。
雖然ChatGPT的響應(yīng)可以快速了解問題，但它需要特定于Kubernetes部署的不同問題的上下文信息。這就是Change AI的用武之地。Change AI平臺提供了因果圖，將資源容量、基礎(chǔ)設(shè)施變化、配置變化、指標(biāo)歷史圖表和事件時間表聯(lián)系起來，以優(yōu)化根本原因分析的路徑。
基于ChatGPT的Kubernetes學(xué)習(xí)方法有可能顯著提高DevOps的生產(chǎn)力，同時消除認(rèn)知過載。通過將ChatGPT與Change AI相結(jié)合，團(tuán)隊(duì)可以將他們的Kubernetes技能提高一倍，并獲得更好的可觀察性。
原文鏈接：https://thenewstack.io/overcoming-the-kubernetes-skills-gap-with-chatgpt-assistance/
