🔵 عنوان مقاله
Orchestrating thousands of speedtests, using Kubernetes
🟢 خلاصه مقاله:
اجرای هزاران تست سرعت در مقیاس بالا یک مسئله هماهنگی و مقیاس‌پذیری است. با کانتینری‌کردن رانرها و اجرای آن‌ها به‌صورت Jobs/CronJobs در Kubernetes می‌توان تعداد زیادی Pod را موازی اجرا کرد، منابع را با requests/limits کنترل نمود و با برچسب‌گذاری، affinity و taints/tolerations آن‌ها را در نودها و ریجن‌های مناسب جای‌گذاری کرد. HPA و autoscaling کلاستر امکان انفجار مقیاس و جمع‌شدن تا صفر را می‌دهند و با زمان‌بندی پله‌ای، پین‌کردن CPU و policyهای شبکه، خطای اندازه‌گیری کاهش می‌یابد. جمع‌آوری داده از اجرای تست‌ها از مسیر صف/ذخیره‌سازی شی‌گرا یا پایگاه سری‌زمان مستقل می‌شود و یک سرویس aggregator اعتبارسنجی و خلاصه‌سازی را انجام می‌دهد. مشاهده‌پذیری با Prometheus و داشبوردهای Grafana خط سیر اجرا، نرخ خطا و توزیع تاخیرها را نشان می‌دهد؛ همچنین با backoff، idempotency، rate limiting و مدیریت secrets پایداری افزایش می‌یابد و همگام‌سازی زمان، مقایسه‌پذیری را بهبود می‌دهد. برای هزینه و تاب‌آوری، از batch window، priority class، نودهای spot/preemptible، PDB و چندریجنی/چندابری استفاده می‌شود. نتیجه اینکه با تکیه بر الگوهای بومی Kubernetes مانند Jobs، CronJobs، autoscaling و صف‌ها، ارکستریشن هزاران تست سرعت قابل اتکا، تکرارپذیر و مقرون‌به‌صرفه می‌شود.
#Kubernetes #SpeedTest #LoadTesting #NetworkPerformance #Scalability #DevOps #CloudNative #Observability
🟣لینک مقاله:
https://ku.bz/m-yzWmZCh
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Orchestrating thousands of speedtests, using Kubernetes
🟢 خلاصه مقاله:
اجرای هزاران تست سرعت در مقیاس بالا یک مسئله هماهنگی و مقیاس‌پذیری است. با کانتینری‌کردن رانرها و اجرای آن‌ها به‌صورت Jobs/CronJobs در Kubernetes می‌توان تعداد زیادی Pod را موازی اجرا کرد، منابع را با requests/limits کنترل نمود و با برچسب‌گذاری، affinity و taints/tolerations آن‌ها را در نودها و ریجن‌های مناسب جای‌گذاری کرد. HPA و autoscaling کلاستر امکان انفجار مقیاس و جمع‌شدن تا صفر را می‌دهند و با زمان‌بندی پله‌ای، پین‌کردن CPU و policyهای شبکه، خطای اندازه‌گیری کاهش می‌یابد. جمع‌آوری داده از اجرای تست‌ها از مسیر صف/ذخیره‌سازی شی‌گرا یا پایگاه سری‌زمان مستقل می‌شود و یک سرویس aggregator اعتبارسنجی و خلاصه‌سازی را انجام می‌دهد. مشاهده‌پذیری با Prometheus و داشبوردهای Grafana خط سیر اجرا، نرخ خطا و توزیع تاخیرها را نشان می‌دهد؛ همچنین با backoff، idempotency، rate limiting و مدیریت secrets پایداری افزایش می‌یابد و همگام‌سازی زمان، مقایسه‌پذیری را بهبود می‌دهد. برای هزینه و تاب‌آوری، از batch window، priority class، نودهای spot/preemptible، PDB و چندریجنی/چندابری استفاده می‌شود. نتیجه اینکه با تکیه بر الگوهای بومی Kubernetes مانند Jobs، CronJobs، autoscaling و صف‌ها، ارکستریشن هزاران تست سرعت قابل اتکا، تکرارپذیر و مقرون‌به‌صرفه می‌شود.
#Kubernetes #SpeedTest #LoadTesting #NetworkPerformance #Scalability #DevOps #CloudNative #Observability
🟣لینک مقاله:
https://ku.bz/m-yzWmZCh
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Medium
Orchestrating thousands of Speedtests, using Kubernetes
Orchestrating thousands of Speedtests, using Kubernetes To monitor the network usability and speed of our store systems over time, we addressed the challenge by implementing a distributed speed test …
🔵 عنوان مقاله
Load Testing with Impulse at Airbnb (8 minute read)
🟢 خلاصه مقاله:
**Impulse یک چارچوب غیرمتمرکز load-testing-as-a-service در Airbnb است که تیم‌ها را قادر می‌سازد به‌صورت سلف‌سرویس بار مصنوعی بسازند، وابستگی‌ها را mock کنند، الگوهای ترافیک تولید را برای آزمون‌های واقع‌گرایانه به کار بگیرند و برای گردش‌کارهای غیرهمزمان APIهای تست ایجاد کنند. این رویکرد کمک می‌کند عملکرد و پایداری سرویس‌های توزیع‌شده در مقیاس سنجیده شود، ریسک انتشار کاهش یابد و تصمیم‌های بهینه‌تری درباره ظرفیت و انعطاف‌پذیری در برابر خطا گرفته شود.
#LoadTesting #Airbnb #Impulse #PerformanceTesting #Scalability #DevOps #SRE #AsynchronousWorkflows
🟣لینک مقاله:
https://medium.com/airbnb-engineering/load-testing-with-impulse-at-airbnb-f466874d03d2?utm_source=tldrdevops
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Load Testing with Impulse at Airbnb (8 minute read)
🟢 خلاصه مقاله:
**Impulse یک چارچوب غیرمتمرکز load-testing-as-a-service در Airbnb است که تیم‌ها را قادر می‌سازد به‌صورت سلف‌سرویس بار مصنوعی بسازند، وابستگی‌ها را mock کنند، الگوهای ترافیک تولید را برای آزمون‌های واقع‌گرایانه به کار بگیرند و برای گردش‌کارهای غیرهمزمان APIهای تست ایجاد کنند. این رویکرد کمک می‌کند عملکرد و پایداری سرویس‌های توزیع‌شده در مقیاس سنجیده شود، ریسک انتشار کاهش یابد و تصمیم‌های بهینه‌تری درباره ظرفیت و انعطاف‌پذیری در برابر خطا گرفته شود.
#LoadTesting #Airbnb #Impulse #PerformanceTesting #Scalability #DevOps #SRE #AsynchronousWorkflows
🟣لینک مقاله:
https://medium.com/airbnb-engineering/load-testing-with-impulse-at-airbnb-f466874d03d2?utm_source=tldrdevops
➖➖➖➖➖➖➖➖
👑 @DevOps_Labdon
Medium
Load Testing with Impulse at Airbnb
Comprehensive Load Testing with Load Generator, Dependency Mocker, Traffic Collector, and More