📌 Site Reliability Engineer - Mandarin speaking / Python / SQL / NoSQL / Machine Learning / Big Data

📝 Type: Visa Sponsorship
🌍 Relocation Package: ✅

🏢 Company: european tech recruit

📍 Location: IRELAND

⌨️ Category: #DataScience

🔗 Tags: #javascript #python #nosql #mysql #redis #rabbitmq #oracle #memcache #yarn #storage #kubernetes #docker #jenkins #kafka #grafana #prometheus #cloud #sql #tensorflow #pytorch #hadoop #spark

📌 Senior DevOps Engineer

📝 Type: Visa Sponsorship
🌍 Relocation Package: ✅

🏢 Company: nxp semiconductors

📍 Location: NETHERLANDS

⌨️ Category: #Devops

🔗 Tags: #python #embedded #nxp #server #kubernetes #aws #docker #jenkins #devops #terraform #ansible #bash #grafana #prometheus #linux #cloud #gitlab #powershell #scrum #splunk

📌 Senior DevOps Engineer (f/m/d)

📝 Type: Visa Sponsorship
🌍 Relocation Package: ✅

🏢 Company: adjoe

📍 Location: GERMANY

⌨️ Category: #Devops

🔗 Tags: #dynamodb #c #ecs #storage #kubernetes #aws #devops #microservices #apache #kafka #terraform #prometheus #cloud #gitlab #spark

📌 DevOps Engineer (f/m/d)

📝 Type: Visa Sponsorship
🌍 Relocation Package: ✅

🏢 Company: adjoe

📍 Location: GERMANY

⌨️ Category: #Devops

🔗 Tags: #python #rust #golang #dynamodb #elk #ecs #storage #vpns #kubernetes #aws #docker #devops #apache #kafka #terraform #prometheus #linux #cloud #containerization #cloudformation #gitlab #spark

📌 Devops

📝 Type: Visa Sponsorship
🌍 Relocation Package: ✅

🏢 Company: GFT Technologies

📍 Location: SPAIN

⌨️ Category: #Devops

🔗 Tags: #kubernetes #aws #docker #devops #terraform #bash #grafana #prometheus #cloud #containerization #gitlab #powershell

🔵 عنوان مقاله
kps-zeroexposure – Secure Prometheus Agent for Kube-Prometheus-Stack

🟢 خلاصه مقاله:
این مقاله از kps-zeroexposure معرفی می‌کند؛ یک Prometheus Agent امن برای Kube-Prometheus-Stack که با رویکرد “zero exposure” طراحی شده است. مسئله رایج این است که نمایش Prometheus یا endpointها از طریق LoadBalancer/NodePort/Ingress سطح حمله را بالا می‌برد. kps-zeroexposure همه مؤلفه‌های مانیتورینگ را درون کلاستر خصوصی نگه می‌دارد و به‌جای پذیرش ترافیک ورودی، متریک‌ها را به‌صورت امن به بیرون ارسال می‌کند.

این Agent با Prometheus در حالت agent mode کار می‌کند، همان ServiceMonitor/PodMonitor/Probeهای رایج kube-prometheus-stack را کشف و scrape می‌کند و سپس با remote_write متریک‌ها را به backend مرکزی مانند Thanos، Mimir، Cortex یا Prometheus مرکزی می‌فرستد. ارتباطات خروجی با mTLS و سیاست‌های egress محدودشده امن می‌شوند تا بدون هیچ endpoint عمومی، رصد کامل حفظ شود.

امنیت محور اصلی است: RBAC حداقلی، NetworkPolicy برای جلوگیری از ingress و محدودسازی egress، اجرا با کاربر non-root و فایل‌سیستم read-only، و غیرفعال‌سازی UI و endpointهای مدیریتی/اشکال‌زدایی. امکان فیلتر/رِیلیبل‌کردن برچسب‌های حساس در لبه وجود دارد و گواهی‌ها می‌توانند با cert-manager یا روش‌های امن دیگر مدیریت شوند.

یکپارچگی با kube-prometheus-stack ساده است: scraping داخل کلاستر انجام می‌شود و ذخیره‌سازی بلندمدت، rules و alerting به backend مرکزی واگذار می‌شود. نتیجه، ردپای سبک‌تر، هزینه کمتر (بدون TSDB و UI محلی) و وضعیت امنیتی بهتر است؛ مناسب برای محیط‌های دارای محدودیت شدید ورودی و کنترل دقیق خروجی. مهاجرت نیز سرراست است: فعال‌سازی agent mode، تنظیم remote_write با mTLS و اعمال NetworkPolicy بدون تغییر در ServiceMonitor/PodMonitorهای موجود. برای مشاهده داشبوردها، Grafana به backend مرکزی متصل می‌شود تا یک منبع حقیقت واحد داشته باشید.

#Prometheus #Kubernetes #kube-prometheus-stack #Security #ZeroTrust #Observability #DevOps #mTLS

🟣لینک مقاله:
https://ku.bz/jtT5DjB6h

➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon

🔵 عنوان مقاله
From utilization to PSI: Rethinking resource starvation monitoring in Kubernetes

🟢 خلاصه مقاله:
این مقاله نشان می‌دهد تکیه بر شاخص‌های غیرمستقیم مانند استفاده از CPU/Memory و requests/limits در Kubernetes اغلب تصویر غلطی از «گرسنگی منابع» می‌دهد و پیشنهاد می‌کند به جای آن از PSI در Linux استفاده شود. PSI با اندازه‌گیری زمان‌های توقف تسک‌ها هنگام انتظار برای CPU، Memory یا I/O (به‌صورت avg10/avg60/avg300 و مقادیر some/full) خودِ «رقابت بر سر منابع» را نشان می‌دهد، نه صرفاً پر بودن ظرفیت. این کار مواردی مانند تأخیر ناشی از reclaim حافظه، صف‌های I/O، یا اثر همسایه پرسر‌وصدا را که پشت نمودارهای استفاده‌ پنهان می‌مانند، آشکار می‌کند. در عمل می‌توان PSI را در سطح نود و cgroup جمع‌آوری کرد (مثلاً با Prometheus node-exporter) و با Grafana دید، آستانه‌های هشدار و SLOها را بر مبنای فشار واقعی تعریف کرد، و حتی HPA و اتواسکیلینگ کلاستر را به فشار پایدار گره زد. نتیجه: برای تشخیص و رفع رقابت واقعی در Kubernetes باید «فشار» را سنجید و تفسیر کرد، و در کنار آن از شاخص‌های استفاده برای تکمیل تصویر بهره گرفت.

#Kubernetes
#Linux
#PSI
#Observability
#SRE
#ResourceManagement
#Prometheus
#CloudNative

🟣لینک مقاله:
https://ku.bz/Gn7372R9X

➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon

🔵 عنوان مقاله
Grafana k8s-monitoring-helm: Scalable Observability Stack for Kubernetes

🟢 خلاصه مقاله:
این مقاله یک راهکار یکپارچه و مقیاس‌پذیر برای مشاهده‌پذیری Kubernetes با استفاده از Helm معرفی می‌کند که به‌صورت یک چارت، استقرار نظارت جامع شامل metrics، logs و traces را ساده می‌سازد. اجزای کلیدی آن شامل جمع‌آوری metrics سازگار با Prometheus، تجمیع logs با Loki و agents سبک مثل Promtail یا Grafana Agent، پشتیبانی از traces با Tempo و OpenTelemetry، و نمایش و هشداردهی از طریق Grafana است. این چارت با کشف خودکار سرویس‌ها، داشبوردهای آماده، قوانین هشدار، و گزینه‌های مقیاس‌پذیری (sharding، remote_write، و تنظیمات retention/limits) امکان بهره‌برداری در خوشه‌های بزرگ را فراهم می‌کند. امنیت و پایداری با RBAC، TLS، مدیریت Secrets، NetworkPolicy و پشتیبانی از persistence و GitOps (مانند Argo CD و Flux) پوشش داده می‌شود. هدف، ارائه مسیر سریع و قابل اتکا برای استقرار مشاهده‌پذیری در Kubernetes است؛ چه در مدل خودمیزبان و چه با اتصال به Grafana Cloud، همراه با قابلیت شخصی‌سازی داشبوردها و سیاست‌های مقیاس‌پذیری.

#Kubernetes #Grafana #Helm #Observability #Prometheus #Loki #OpenTelemetry #DevOps

🟣لینک مقاله:
https://ku.bz/G5l3N6Pcw

➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon

🔵 عنوان مقاله
Autoscaling .NET APIs with KEDA and Kubernetes Metrics

🟢 خلاصه مقاله:
** مقیاس‌پذیری خودکار برای APIهای .NET در Kubernetes با ترکیب HPA، Kubernetes Metrics و KEDA ممکن می‌شود. KEDA با تعریف ScaledObject و تریگرهایی مثل درخواست‌درثانیه یا تأخیر از Prometheus، عمق صف در RabbitMQ/Kafka، و زمان‌بندی cron، متریک‌های خارجی را به HPA می‌دهد و حتی قابلیت scale‑to‑zero را فراهم می‌کند. برای APIهای .NET می‌توان روی نرخ درخواست، تعداد درخواست‌های درحال پردازش، یا صف کارهای پس‌زمینه مقیاس داد و هم‌زمان یک تکیه‌گاه CPU برای جهش‌های محاسباتی داشت. بهترین‌عمل‌ها شامل تنظیم درست requests/limits، همکاری با Cluster Autoscaler، تعریف readiness/liveness/startup probes، کنترل همزمانی، و بهینه‌سازی‌های .NET مانند async I/O، HttpClientFactory و connection pooling است. با پایش Prometheus/Grafana، آزمون بار مثل k6، و پنجره‌های تثبیت و cooldown مناسب، API به‌صورت رویدادمحور، دقیق و به‌صرفه مقیاس می‌گیرد و در اوج‌ها پایدار می‌ماند.

#Kubernetes #KEDA #DotNet #Autoscaling #HPA #Prometheus #CloudNative #APIs

🟣لینک مقاله:
https://ku.bz/X_jPVf71Q

➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon

🔵 عنوان مقاله
Reducing Feature Environment Costs with KEDA and Prometheus in Kubernetes

🟢 خلاصه مقاله:
در دنیای امروز، مدیریت هزینه‌های محیط‌های توسعه و آزمایش نقش مهمی در بهینه‌سازی فرآیندهای فناوری اطلاعات ایفا می‌کند. یکی از راهکارهای مؤثر در این زمینه، بهره‌گیری از ابزارهایی است که بتوانند به صورت هوشمند، منابع را بر اساس نیاز واقعی برنامه‌ها تنظیم کنند. در این راستا، ترکیب KEDA و Prometheus در کبرنتیز، امکان صرفه‌جویی قابل توجه در هزینه‌ها را فراهم می‌آورد.

در این آموزش، نحوه کاهش هزینه‌های مربوط به محیط‌های آزمایش و توسعه با استفاده از KEDA و معیارهای Prometheus را بررسی می‌کنیم. این ابزارها با همکاری یکدیگر، قادرند مقیاس‌پذیری برنامه‌ها را به گونه‌ای کنترل کنند که در زمان عدم فعالیت، منابع به صفر رسیده و در موارد نیاز، سریع و موثراً افزایش یابند. این فرآیند نه تنها هزینه‌های مربوط به منابع را کاهش می‌دهد، بلکه بهره‌وری زیرساخت‌ را نیز ارتقاء می‌دهد.

در نتیجه، تیم‌های توسعه و عملیات می‌توانند با استفاده از این فناوری، هزینه‌های بی‌مورد را کاهش داده و بهره‌وری سیستم‌های خود را در بستر کبرنتیز به طور قابل توجهی افزایش دهند. استفاده از راهکارهای مبتکرانه مانند KEDA و Prometheus، آینده‌ای هوشمندتر و اقتصادی‌تر را برای مدیریت کلاود و زیرساخت‌های مجازی رقم می‌زند.

#کبرنتیز #کاهش_هزینه #KEDA #Prometheus

🟣لینک مقاله:
https://ku.bz/6zJpZ2sLs

➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon

🔵 عنوان مقاله
I Added Prometheus, Grafana, and Custom Alerting to My EKS Cluster, Here's How Observability Actually Works

🟢 خلاصه مقاله:
در این مقاله، روند افزودن ابزارهای قدرتمند نظارت و پایش مانند پرومترئوس، گرافانا، و سیستم هشدار دهی سفارشی به کلاستر EKS را بررسی می‌کنیم. هدف اصلی این است که با استفاده از بهترین ابزارها و روش‌های مدرن، قابلیت مشاهده و پایش عملکرد سرویس‌های در حال اجرا در کلاسترهای توزیع‌شده را بهبود بخشیم. این فرآیند شامل تنظیم و پیاده‌سازی مجموعه‌ای از ابزارها است که امکان جمع‌آوری داده‌های عملیاتی، تجسم آنها از طریق داشبوردهای تعاملی و تعریف قوانین هشداردهی برای واکنش سریع به خطاها را فراهم می‌کنند.

در این راهنما، ابتدا نحوه نصب و پیکربندی پرومترئوس برای جمع‌آوری متریک‌های مختلف از اجزای کلاستر را بررسی می‌کنیم. سپس با استفاده از گرافانا، داشبوردهای قابل تنظیم برای تحلیل و بصری‌سازی داده‌ها را راه‌اندازی می‌کنیم تا مدیران بتوانند وضعیت سیستم را به صورت گرافیکی مشاهده کنند. علاوه بر این، با پیاده‌سازی Alertmanager، سیستم‌های هشداردهی قدرتمندی را تعریف می‌کنیم تا در صورت وقوع رویدادهای حساس، تیم فنی به سرعت مطلع شود.

همچنین، برای افزودن متریک‌های سفارشی و کنترل دقیق‌تر بر نظارت‌ها، سرویس‌ مانیتورهای مخصوص را پیکربندی می‌کنیم و قوانین هشداردهی مخصوص هر نوع رخداد را تعریف می‌کنیم. تمامی این تنظیمات با رعایت اصول GitOps انجام می‌شود، به‌طوری که تمامی فرآیندها به صورت خودکار و نسخه‌بندی شده مدیریت می‌شوند. با این روش، نظارت بر زیرساخت‌های Kubernetes در محیط‌های عملی و مقیاس‌پذیر بسیار ساده و کارآمد صورت می‌گیرد و مدیران فنی می‌توانند تصمیمات سریع و مبتنی بر داده اتخاذ کنند.

#نظارت_کلاستر #Prometheus #Grafana #Hoshdari

🟣لینک مقاله:
https://ku.bz/3WfLvwcv0

➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon

🔵 عنوان مقاله
sql_exporter: Database-Agnostic Prometheus Exporter

🟢 خلاصه مقاله:
در دنیای نظارت بر سرورها و بخش‌های مختلف فناوری اطلاعات، ابزارهای متنوعی برای جمع‌آوری و تحلیل داده‌ها وجود دارد. یکی از چالش‌های رایج در این حوزه، نیاز به ابزارهایی است که بتوانند به طور جامع و بدون وابستگی به نوع بانک اطلاعاتی، داده‌ها را جمع‌آوری کنند. در این میان، sql_exporter به عنوان یک ابزار متن باز مطرح شده است که طراحی شده تا بر خلاف اکثر محصولات مشابه، مستقل از نوع پایگاه داده عمل کند و بتواند داده‌ها را برای سیستم نظارتی Prometheus جمع‌آوری نماید.

این اکسپورتِر بی‌نظیر، با تمرکز بر انعطاف‌پذیری، قادر است از انواع مختلف پایگاه‌های داده مانند MySQL، PostgreSQL و دیگر سیستم‌های مدیریت پایگاه داده، داده‌های لازم را جمع‌آوری و به راحتی برای بررسی‌های احتمالی در اختیار Prometheus قرار دهد. این رویکرد، به مدیران سیستم و توسعه‌دهندگان امکان می‌دهد تا بدون نگرانی از سازگاری با نوع بانک داده، سیستم‌های نظارتی خود را راه‌اندازی و توسعه دهند. علاوه بر این، ساختار ساده و قابل تنظیم این ابزار، توسعه و سفارشی‌سازی آن را بسیار آسان می‌کند، به طوری که می‌توان معیارهای مورد نیاز را بر اساس نیازهای خاص هر پروژه تعریف کرد.

در نتیجه، sql_exporter به عنوان یک راه حل جامع و بدون محدودیت برای نظارت بر سیستم‌های دیتابیس، دنیای مدیریت داده‌ها را ساده‌تر و کارآمدتر می‌سازد. استفاده از این ابزار، به مدیران IT و توسعه‌دهندگان کمک می‌کند تا بتوانند نظارتی دقیق‌تر و مؤثرتر بر سرورها و پایگاه‌های داده خود داشته باشند و در نتیجه، سطح امنیت و کارایی سیستم‌هایشان را ارتقاء دهند.

#نظارت_سیستم #Prometheus #ابزارهای_باز #مدیریت_دیتا

🟣لینک مقاله:
https://ku.bz/whMrG11S7

➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon

🔵 عنوان مقاله
pyrra

🟢 خلاصه مقاله:
پایریا یک عملگر (اپراتور) قدرتمند برای کوبرنتیس است که هدف اصلی آن ساده‌سازی فرآیند مدیریت اهداف سطح سرویس (SLOs) با استفاده از Prometheus است. این ابزار به تیم‌های توسعه و عملیات کمک می‌کند تا SLOهای خود را به روشی ساده و قابل دسترسی تنظیم و نظارت کنند، بدون اینکه نیاز به تخصص عمیق در پیگیری اعداد و آمارهای پیچیده باشد. با پایریا، پیاده‌سازی و مدیریت SLOها در محیط‌های کوبرنتیس به مراتب آسان‌تر و کارآمدتر انجام می‌شود و فرآیند پایش عملکرد سرویس‌ها برای همه قابل فهم و کاربردی می‌گردد. این ابزار، همانند یک رابط کاربری ساده اما قدرتمند، به افراد اجازه می‌دهد تا اهداف عملکرد سرویس‌ها را به سادگی تعریف و پیگیری کنند، و در نتیجه واکنش سریع‌تری نسبت به مشکلات احتمالی داشته باشند.

پایریا به عنوان یک پروژه متن‌باز در گیت‌هاب منتشر شده است و تیم‌های فنی می‌توانند آن را سفارشی‌سازی و در پروژه‌های خود ادغام کنند. این ابزار با گسترش قابلیت‌های Prometheus و فراهم‌سازی واسط کاربری دوستانه، فرآیند مانیتورینگ و نگهداری سیستم‌های مبتنی بر کوبرنتیس را به شکلی موثر و کاربرپسند بهبود می‌بخشد. در نهایت، هدف پایریا این است که مراقبت و بهبود کیفیت خدمات در محیط‌های ابری و کوبرنتیس را برای هر کسی، چه توسعه‌دهنده و چه مدیر سیستم، به یک فرآیند ساده و قابل مدیریت تبدیل کند.

#کوبیرنتیس #SLO #Prometheus #پایریا

🟣لینک مقاله:
https://github.com/pyrra-dev/pyrra

➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon