Keptn 项目使用教程
1. 项目介绍
Keptn 是一个基于事件的控制平面,用于云原生应用的持续交付和自动化运维。它通过自动化 SLO(服务级别目标)驱动的多阶段交付和应用运维,帮助开发者提高效率和可靠性。Keptn 支持多种部署工具,如 ArgoCD、Flux、GitLab 等,并且可以与 Kubernetes 无缝集成。
2. 项目快速启动
2.1 环境准备
在开始之前,请确保你已经安装了以下工具:
- Docker
- Kubernetes (推荐使用 K3d 或 Minikube)
- Keptn CLI
2.2 安装 Keptn
2.2.1 安装 K3d
curl -s https://raw.githubusercontent.com/rancher/k3d/main/install.sh | TAG=v5.3.0 bash
k3d cluster create mykeptn -p "8082:80@loadbalancer" --k3s-arg "--no-deploy=traefik@server:*"
2.2.2 安装 Keptn CLI
curl -sL https://get.keptn.sh | bash
2.2.3 使用 Helm 安装 Keptn
helm repo add keptn https://charts.keptn.sh && helm repo update
helm install keptn keptn/keptn -n keptn --create-namespace --wait --set=apiGatewayNginx.type=LoadBalancer
2.2.4 安装额外的服务(可选)
helm install jmeter-service keptn/jmeter-service -n keptn
helm install helm-service keptn/helm-service -n keptn
2.3 验证安装
安装完成后,你可以通过以下命令验证 Keptn 是否安装成功:
keptn status
3. 应用案例和最佳实践
3.1 自动化部署和验证
Keptn 可以与 GitOps 工具(如 ArgoCD)集成,实现自动化的部署和验证。通过定义 SLO(服务级别目标),Keptn 可以在部署前后执行自动化测试和验证,确保应用的质量和稳定性。
3.2 故障恢复和自愈
Keptn 支持自动化的故障恢复和自愈功能。当应用出现故障时,Keptn 可以根据预定义的策略自动执行恢复操作,如回滚到上一个稳定版本或触发特定的修复脚本。
3.3 多阶段交付
Keptn 支持多阶段的交付流程,可以在不同的环境中(如开发、测试、生产)执行不同的验证和部署策略。这有助于确保应用在每个阶段都符合预期的质量标准。
4. 典型生态项目
4.1 ArgoCD
ArgoCD 是一个声明式的 GitOps 持续交付工具,与 Keptn 集成后,可以实现自动化的部署和验证。ArgoCD 负责应用的部署,而 Keptn 负责部署后的验证和自动化操作。
4.2 Prometheus
Prometheus 是一个开源的监控和报警工具,Keptn 可以与 Prometheus 集成,获取应用的实时监控数据,并根据这些数据执行自动化操作,如自动扩展或故障恢复。
4.3 Dynatrace
Dynatrace 是一个全栈的 APM(应用性能管理)工具,Keptn 可以与 Dynatrace 集成,获取应用的性能数据,并根据这些数据执行自动化操作,如自动优化或故障恢复。
通过以上步骤,你可以快速上手 Keptn,并利用其强大的自动化功能提升云原生应用的交付和运维效率。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00