k8s部署-21-ingress-nginx实现原理和部署,并简单使用
1、Ingress 是在 Kubernetes 集群中对外提供服务访问管理的 API 对象，主要用于 http 和 HTTPS 的路由。Ingress 可以实现负载均衡、ssl 终结和基于名称的虚拟托管等功能。例如，可以将所有流量路由到集群内的同一服务。
2、根据确认的版本，下载Ingressnginx的安装文件。修改镜像地址：由于网络限制，可能会遇到访问registry.k8s.io中的镜像困难。将镜像地址从registry.k8s.io修改为k8s.dockerProxy.COM，这可以参考dockerproxy.com文档中的解决方案。部署Ingressnginx：保存修改后的文件，并部署Ingressnginx。
3、保存修改后，即可部署Ingress-nginx，验证是否部署成功。查看部署结果，可使用ip访问ingress-nginx-controller，以检查部署状态。为验证Ingress功能，假设现有名为“hello-gradle”的应用，且其服务接口通过“/hello”路径映射，绑定域名“hello-gradle.com”。应用部署后，所有集群节点需配置host信息。
4、不建议仅通过调整 Deployment 的副本数来实现高可用，因为 Ingress 承载了整个集群的流量。推荐做法：使用 DaemonSet 将 Ingress 部署到集群中的所有节点，并对这些节点设置特定标签。通过负载均衡技术将 Ingress 服务的节点作为后端服务器，以实现流量的稳定分发。
kubernetes部署nginx,在浏览器中无法访问怎么办?
使用Dashboard方式部署nginx后访问问题 配置部署方便，但部署后需要检查pod、Service等状态是否正常。访问问题可能出现在网络配置或端口映射上。命令行方式部署nginx访问问题解决步骤 创建namespace：用于隔离资源，避免命名冲突。创建deployment：部署应用，设定 replicas 数量确保至少一个副本运行。
首先，确认你的服务是否正确暴露和可用。在 Kubernetes 中，确保服务的端口正确暴露，并且目标 Nginx 部署的端口与你的期望一致。你可以通过查看服务定义和日志，检查服务是否已成功启动并正常运行。其次，检查网络策略设置。确保你的 Kubernetes 集群中的网络策略允许从你的请求源访问到 Nginx。
登录集群：确保已登录到Kubernetes集群，以便进行后续的部署操作。使用Helm管理：通过Helm包管理器来安装和配置nginxingresscontroller，可以简化部署过程并提高管理效率。自定义配置文件：根据实际需求，可能需要自定义配置文件来满足特定的配置需求。
如何调用fabric8为k8s添加Node结点?
1、通过fabric8为Kubernetes添加node节点的方法，可以分为以下几个步骤：首先，使用fabric8的CLI工具创建或接入一个Kubernetes集群，为后续操作提供基础环境。接着，构建一个新的Deployment，利用fabric8的CLI工具部署到Kubernetes集群中，以实现应用程序的分发和管理。
Rancher部署并导入K8S集群
1、部署Rancher环境：选择单节点Docker安装，将Rancher部署到k8s集群的一个node节点上。下载并启动Rancher服务，访问地址为17160.234，首次访问需设置管理员密码。导入K8S集群到Rancher环境：点击添加集群，选择导入，给集群命名，跳过证书配置步骤，查看node节点kubelet配置中的USER_ACCOUNT。
2、登录Rancher控制台： 使用预设或自定义的管理员账号登录Rancher的Web管理界面。接下来： 设置语言： 在Rancher的系统设置中，选择或更改默认语言为中文，以便更方便地使用。 添加现有集群： 如果你已经有Kubernetes集群，点击“添加集群”选项，导入集群的配置信息，如IP地址和认证凭证。
3、查看所有Pod状态 至此，rancher部署k8s集群完成。rancher控制台的操作非常简单，只需点点点即可部署k8s集群，并提供了丰富的可视化功能管理模块，非常方便。
K8S集群下的GPU调度
1、首先，Kubernetes本身支持设备插件（Device Plugin）功能，这使得POD能够访问如GPU等特殊硬件资源。借助这一特性，K8S用户能更灵活地利用集群中的GPU资源。为了确保正确识别服务器上的GPU型号，用户可以在系统中查看硬件信息。
2、在k8s集群中，通过扩展资源的方式将GPU注册到节点信息中。调度器根据这些扩展资源信息分配资源，实现多个Pod共享使用同一张显卡。GPU隔离技术：显存隔离：将GPU的显存资源进行隔离，确保不同任务之间不会相互干扰。算力隔离：将GPU的计算能力进行隔离，保证每个任务都能获得所需的计算能力。
3、要在k8s集群中实现GPU共享调度，即多个Pod共享使用同一张显卡，需要集群拥有细粒度分配GPU资源的机制，将整卡的资源拆分成多份，并分配给Pod。要做到这一点，一般是通过扩展资源的方式将GPU注册到节点信息中，调度器根据这些扩展资源信息分配资源，达到共享调度的目的。
4、鉴于资源和成本的限制，可以采用配备入门级 GPU 显卡的虚拟机作为集群的 Worker 节点。使用 KubeKey 扩容 GPU Worker 节点：修改集群配置文件：在 Control 节点上，修改集群配置文件以包含新增的 GPU Worker 节点信息。使用 KubeKey 增加节点：执行命令，将新增的 Worker 节点加入集群。
5、本文指导如何在 Kubernetes 环境中集成 NVIDIA GPU，以支持机器学习工作负载（MLOps）。首先，需确保安装 Docker，并通过链接获取安装指南。接着，详细步骤包括更新 NVIDIA 驱动、安装 NVIDIA Container Toolkit 和配置 Docker 运行时。利用 Minikube 在本地构建 Kubernetes 集群，确保 GPU 资源可识别和调度。
6、跑AI大模型的K8s与普通K8s在计算、存储、网络和调度方面存在显著差异，针对AI的特定需求进行优化。计算方面，K8s默认资源管理主要针对cpu和内存，但在AI集群中，GPU等异构资源的高效调度和管理成为关键。K8s通过Device-plugin插件体系，允许用户自定义实现对于GPU等特殊资源的管理，实现更精准的资源分配和复用。
第二篇:Kuboard操作介绍-部署应用
1、界面设置 进入设置模块，自定义标题、页脚等元素，使界面更加符合个人需求。添加K8S集群 点击添加集群，即可将K8S集群纳入管理范围，实现资源的集中控制与调配。其他信息 个人设置模块提供了密码修改、账号信息查看等功能，确保账号安全。
