<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Tolga Tekin on Medium]]></title>
        <description><![CDATA[Stories by Tolga Tekin on Medium]]></description>
        <link>https://medium.com/@mtolgatekin?source=rss-600b587569b3------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*SnDC3WFNB3vH36hNdEoO5g.jpeg</url>
            <title>Stories by Tolga Tekin on Medium</title>
            <link>https://medium.com/@mtolgatekin?source=rss-600b587569b3------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Fri, 20 Nov 2026 00:00:41 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@mtolgatekin/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Kubernetes 1.35: In-Place Pod Resize-Deployment vs Pod Demo]]></title>
            <link>https://medium.com/@mtolgatekin/kubernetes-1-35-in-place-pod-resize-deployment-vs-pod-demo-5f1f1e72b597?source=rss-600b587569b3------2</link>
            <guid isPermaLink="false">https://medium.com/p/5f1f1e72b597</guid>
            <category><![CDATA[kubernetes]]></category>
            <category><![CDATA[devops]]></category>
            <dc:creator><![CDATA[Tolga Tekin]]></dc:creator>
            <pubDate>Wed, 04 Mar 2026 13:12:49 GMT</pubDate>
            <atom:updated>2026-03-04T13:12:49.812Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/768/0*E_jfI6hggtV6OjUR.png" /></figure><p>🚀 <strong>Kubernetes 1.35 ile gelen küçük ama production’ı değiştiren bir özellik</strong></p><p>Production’da çalışan bir Pod düşünün.</p><p>CPU request: <strong>200m</strong></p><p>Traffic artıyor ve Pod <strong>CPU throttling</strong> yaşamaya başlıyor.</p><p>Eskiden ne yapıyorduk?</p><p>Deployment güncelleyip <strong>Pod’u yeniden oluşturuyorduk.</strong></p><p>Sonuç:</p><p>• Container restart<br>• Cold start<br>• Cache kaybı<br>• Bağlantıların yeniden kurulması</p><p>Özellikle <strong>AI inference</strong>, <strong>JVM servisleri</strong> ve <strong>uzun çalışan workload’larda</strong> bu ciddi bir operasyonel maliyet.</p><p>Kubernetes <strong>1.35</strong> ile gelen <strong>In-Place Pod Resize</strong> bunu değiştiriyor.</p><p>Artık Pod’u yeniden başlatmadan <strong>CPU ve Memory değerlerini güncelleyebiliyoruz.</strong></p><p>Kubernetes container’ın <strong>cgroup ayarlarını doğrudan güncelliyor.</strong></p><pre>resizePolicy:<br>- resourceName: cpu<br>  restartPolicy: NotRequired<br>- resourceName: memory<br>  restartPolicy: NotRequired</pre><p>Yani artık:</p><p>Pod restart ❌<br>Live resource update ✅</p><h3>Beraber bir göz atalım :)</h3><p>Bu makalede iki senaryoyu karşılaştıracağız:</p><p><strong>Klasik yaklaşım:</strong> Deployment resource değişince Pod yeniden oluşturulur</p><p><strong>In-Place yaklaşım:</strong> Pod resource değişince Pod restart olmaz</p><p>Kubernetes v1.35.1<br>RKE2<br>Ubuntu 22.04<br>containerd runtime</p><p><strong>Demo-1: Deployment resource değişince Pod yeniden oluşturulur</strong></p><p>Önce klasik davranışı görelim.</p><p><strong>Namespace oluştur</strong></p><pre>kubectl create namespace resize-demo</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/435/1*2_WP4ol0INoo6aE8SQQ8JQ.png" /></figure><p><strong>Deployment oluştur</strong></p><pre>apiVersion: apps/v1<br>kind: Deployment<br>metadata:<br>  name: web-classic<br>  namespace: resize-demo<br>spec:<br>  replicas: 1<br>  selector:<br>    matchLabels:<br>      app: web-classic<br>  template:<br>    metadata:<br>      labels:<br>        app: web-classic<br>    spec:<br>      containers:<br>      - name: web<br>        image: nginx:1.27<br>        resources:<br>          requests:<br>            cpu: 100m<br>            memory: 128Mi<br>          limits:<br>            cpu: 200m<br>            memory: 256Mi</pre><p><strong>Apply:</strong></p><pre>kubectl apply -f deploy-classic.yaml<br>kubectl -n resize-demo rollout status deploy/web-classic</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/806/1*qjrOKbynp-BKDIWmtIqV3A.png" /></figure><p><strong>Pod kimliğini not alalım:</strong></p><pre>POD=$(kubectl -n resize-demo get pod -l app=web-classic -o jsonpath=&#39;{.items[0].metadata.name}&#39;)<br>kubectl -n resize-demo get pod $POD -o jsonpath=&#39;{.metadata.name}{&quot;\n&quot;}{.metadata.uid}{&quot;\n&quot;}{.status.startTime}{&quot;\n&quot;}&#39;</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*3e-E2aTTtukPs7DZM69Miw.png" /></figure><p>web-classic-69dd669d4d-4gmnb</p><p>ee55d5da-d942–4105–9da8-d896045b14b6</p><p>2026–03–04T11:47:00Z</p><p><strong>Resource değerini değiştiriyoruz.</strong></p><pre>resources:<br>  requests:<br>    cpu: 300m<br>    memory: 256Mi<br>  limits:<br>    cpu: 600m<br>    memory: 512Mi</pre><p><strong>Apply:</strong></p><pre>kubectl apply -f deploy-classic.yaml<br>kubectl -n resize-demo rollout status deploy/web-classic</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/722/1*uxHJfjkf5duIP6BO4pC8sA.png" /></figure><p><strong>Pod’ları tekrar kontrol edelim:</strong></p><pre>kubectl -n resize-demo get pods</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/554/1*TBjfeQOM04Yn-C0cWT4uuQ.png" /></figure><p><strong>Beklenen sonuç:</strong>Eski Pod silinir ve yeni Pod oluşturulur.</p><p>ve bilgiler değişir isim uid</p><p>web-classic-5c45c77b78-ph8nw<br>b48356da-33f0–4b48-a2af-d9fc701cf987<br>2026–03–04T11:51:55Z</p><p>Bu davranış Kubernetes’te <strong>Deployment template immutable olduğu için</strong> gerçekleşir.</p><blockquote>Şimdi asıl In-Place Pod Resize demosuna bakalım :)</blockquote><p><strong>Demo-2: In-Place Pod Resize</strong></p><p>Şimdi aynı işlemi <strong>Pod seviyesinde</strong> deneyelim.</p><p>Bu sefer Pod restart olmadan resource değişebilecek.</p><p><strong>Pod oluştur:</strong></p><p>pod-inplace.yaml</p><pre>apiVersion: v1<br>kind: Pod<br>metadata:<br>  name: web-inplace<br>  namespace: resize-demo<br>  labels:<br>    app: web-inplace<br>spec:<br>  containers:<br>  - name: web<br>    image: nginx:1.27<br>    resources:<br>      requests:<br>        cpu: 100m<br>        memory: 128Mi<br>      limits:<br>        cpu: 200m<br>        memory: 256Mi<br>    resizePolicy:<br>    - resourceName: cpu<br>      restartPolicy: NotRequired<br>    - resourceName: memory<br>      restartPolicy: NotRequired</pre><p><strong>Apply:</strong></p><pre>kubectl apply -f pod-inplace.yaml</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/554/1*pQKG58QPUTvJLkSHnpr7ow.png" /></figure><p><strong>Pod bilgilerini kontrol edelim:</strong></p><pre>kubectl -n resize-demo get pod web-inplace -o jsonpath=&#39;{.metadata.uid}{&quot;\n&quot;}{.status.startTime}{&quot;\n&quot;}{.status.containerStatuses[0].restartCount}{&quot;\n&quot;}&#39;</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*JkV6Koo1b3bHlLFoyVgSjQ.png" /></figure><p>Çıktı :</p><p>2c5dd640–3aeb-47d2–8468–83b17730ba46<br>2026–03–04T12:46:58Z<br>0</p><p><strong>Resource değerini günceliyoruz:</strong></p><p>pod-inplace.yaml dosyasında CPU ve memory değerlerini büyütüyoruz:</p><pre>resources:<br>  requests:<br>    cpu: 300m<br>    memory: 256Mi<br>  limits:<br>    cpu: 600m<br>    memory: 512Mi</pre><p>Apply etmeden önce podun age kısmına dikkatli bakıyoruz : <strong>2m7s</strong> çalışıyor</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/557/1*rfH5Y8K6NpagkZO_ofEG_Q.png" /></figure><p><strong>Apply:</strong></p><pre># YAML dosyasını güncelledikten sonra:<br>kubectl apply -f pod-inplace.yaml --subresource=resize --server-side</pre><blockquote><em>Bura da kısa bir açıklama yapma gereği duyuyorum şöyle ki ;</em></blockquote><blockquote>Kubernetes mimarisinde Pod’lar doğası gereği <strong>“immutable” (değiştirilemez)</strong> nesneler olarak tasarlanmıştır. Bu yüzden kubectl apply -f komutunu tek başına çalıştırdığımızda, istek Kubernetes&#39;in ana Pod API uç noktasına gider. Ana API, Pod&#39;un temel yapısının (image versiyonu vb. istisnalar hariç) çalışırken değiştirilmesine güvenlik ve tutarlılık gereği izin vermez ve <strong>&quot;Forbidden&quot;</strong> hatası fırlatır.</blockquote><blockquote>In-Place Pod Resize özelliğinin hayatımıza girmesiyle bu kısıtlamayı güvenli bir şekilde aşmak için <strong>iki önemli parametreye</strong> ihtiyaç duyarız:</blockquote><blockquote><strong>--subresource=resize Neden Gerekli?</strong> Kubernetes, Pod&#39;un tamamını riske atmadan sadece kaynakları (CPU/Memory) güncelleyebilmek için arka planda <strong>/resize</strong> adında özel bir alt kaynak (subresource) oluşturmuştur (tıpkı /status veya /scale gibi). Bu bayrağı eklediğimizde, Kubernetes&#39;e şu mesajı veririz: <em>&quot;Ben ana Pod yapısını bozmuyorum, sadece kaynak boyutlandırmasıyla ilgilenen özel yetkili kapıdan içeri girmek istiyorum.&quot;</em></blockquote><blockquote><strong>2. </strong><strong>--server-side (Server-Side Apply) Neden Gerekli?</strong> Klasik kubectl apply işlemi &quot;Client-Side&quot; çalışır. Yani senin bilgisayarındaki YAML ile sunucudaki durumu karşılaştırıp karmaşık bir yama üretmeye çalışır. Ancak bu eski yöntem, &quot;subresource&quot; mantığıyla uyumlu çalışmaz. --server-side bayrağını eklediğimizde, hesaplama ve birleştirme (merge) yükünü <strong>Kubernetes API sunucusuna</strong> devrederiz. API sunucusu, alanların mülkiyetini (field management) ve resize mantığını çok iyi bildiği için işlemi hatasız şekilde kabul eder.</blockquote><blockquote>💡 Dokümantasyona Göre Best Practice :</blockquote><blockquote>Eğer CI/CD süreçlerinde, GitOps araçlarında (ArgoCD, Flux vb.) veya tamamen deklaratif (YAML tabanlı) bir yönetim benimsiyorsanız, en doğru kullanım: <strong>kubectl apply -f dosya.yaml --server-side --subresource=resize</strong> şeklindedir.</blockquote><blockquote>Eğer terminalden anlık (imperatif) bir müdahale yapılacaksa, YAML’ı değiştirmek yerine <strong>kubectl patch pod &lt;pod-adi&gt; --subresource=resize --patch &#39;...&#39;</strong> kullanmak topluluk tarafından önerilen en pratik ve hızlı yoldur.</blockquote><p>Pod’u tekrar kontrol edelim:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/565/1*-J70pLk-1cvIOMF6YnKt9Q.png" /></figure><p>özellikle age kısmına bakıyoruz : 6m47s hala restart olmadı . ve tekrar pod bilgilerini alıyoruz</p><pre>kubectl -n resize-demo get pod web-inplace -o jsonpath=&#39;{.metadata.uid}{&quot;\n&quot;}{.status.startTime}{&quot;\n&quot;}{.status.containerStatuses[0].restartCount}{&quot;\n&quot;}&#39;</pre><p>Çıktı :</p><p>2c5dd640–3aeb-47d2–8468–83b17730ba46<br>2026–03–04T12:46:58Z<br>0</p><p>UID → aynı<br>startTime → aynı<br>restartCount → artmaz</p><p>Bu, resource değişiminin <strong>Pod yeniden başlatılmadan uygulandığını</strong> gösterir.</p><p>Belirtiğimiz kaynakları almış mı kontrol edelim :</p><pre>kubectl -n resize-demo get pod web-inplace -o jsonpath=&#39;{.status.containerStatuses[0].resources}&#39;</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1006/1*AMGZFvna9JdSpnFAOGLiQA.png" /></figure><p>Pod yeni belirlediğimiz değerleri almış.</p><p>Kaynak döküman : <a href="https://kubernetes.io/blog/2025/12/19/kubernetes-v1-35-in-place-pod-resize-ga/">https://kubernetes.io/blog/2025/12/19/kubernetes-v1-35-in-place-pod-resize-ga/</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=5f1f1e72b597" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Kubernetes ekosisteminin hızla büyümesi ve karmaşıklaşması, DevOps ve platform mühendislerinin…]]></title>
            <link>https://medium.com/@mtolgatekin/kubernetes-ekosisteminin-h%C4%B1zla-b%C3%BCy%C3%BCmesi-ve-karma%C5%9F%C4%B1kla%C5%9Fmas%C4%B1-devops-ve-platform-m%C3%BChendislerinin-0b63a7ab408a?source=rss-600b587569b3------2</link>
            <guid isPermaLink="false">https://medium.com/p/0b63a7ab408a</guid>
            <category><![CDATA[kubernetes]]></category>
            <category><![CDATA[kagent]]></category>
            <category><![CDATA[ai]]></category>
            <dc:creator><![CDATA[Tolga Tekin]]></dc:creator>
            <pubDate>Mon, 01 Dec 2025 11:54:55 GMT</pubDate>
            <atom:updated>2025-12-01T11:54:55.931Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*0_kXYUzhIQP-ZqSR1X6Hkg.jpeg" /></figure><p>Kubernetes ekosisteminin hızla büyümesi ve karmaşıklaşması, DevOps ve platform mühendislerinin karşılaştığı zorlukları da artırmıştır. Daha önce k8sgpt ile ele aldığım yazım: <a href="https://medium.com/%40mtolgatekin/yaz%C4%B1ya-ba%C5%9Flamadan-%C3%B6nce-ki%C5%9Fisel-g%C3%B6r%C3%BC%C5%9F%C3%BCm-e6ab23bf682d">https://medium.com/%40mtolgatekin/yaz%C4%B1ya-ba%C5%9Flamadan-%C3%B6nce-ki%C5%9Fisel-g%C3%B6r%C3%BC%C5%9F%C3%BCm-e6ab23bf682d</a></p><p>Tespit etmek ve öneri almak yeterlimi, yoksa AI ajanlarının doğrudan aksiyon alarak sorunları çözmesi mümkün mü?</p><p>İşte tam bu noktada <strong>kagent</strong> devreye giriyor…</p><h4><strong>kagent nedir?</strong></h4><p>kagent, Solo.io tarafından 2025 yılında oluşturulmuş ve Cloud Native Computing Foundation (CNCF) sandbox projesi olarak kabul edilmiş bir AI ajan platformudur. Kubernetes native olarak tasarlanmış bu çerçeve, DevOps ve platform mühendislerinin karmaşık bulut native operasyonlarını otomatikleştirmelerine olanak tanır.</p><h4>Temel Özellikler:</h4><ul><li><strong>AI Destekli Otomasyon:</strong> Doğal dil anlayan ve karmaşık Kubernetes operasyonlarını gerçekleştirebilen akıllı ajanlar</li><li><strong>Multi-Provider Desteği:</strong> OpenAI, Anthropic, Google Vertex AI, Azure OpenAI, Ollama ve özel modeller</li><li><strong>Tool Entegrasyonu:</strong> Model Context Protocol (MCP) araçları, built-in Kubernetes araçları ve özel HTTP araçları</li><li><strong>Agent-to-Agent İletişim:</strong> A2A (Agent-to-Agent) protokolü ile sofistike iş akışları</li><li><strong>Kapsamlı Gözlemlenebilirlik:</strong> OpenTelemetry tracing ile detaylı izleme</li><li><strong>Cloud Native:</strong> Kubernetes’te native olarak çalışacak şekilde tasarlanmış</li></ul><p>Sorunu tespit etmekle kalmayıp, çözüm için <strong>plan yapar, uygular ve sonuçları değerlendirir.</strong></p><h4>Mimari: Üç Katmanlı Bir Ekosistem</h4><p>Temeli Google’ın ADK (Agent Development Kit) çerçevesine dayanır, bu da ona esnek ve genişletilebilir bir yapı sağlar.kagent’ın mimarisi aslında oldukça zarif. Üç ana katmandan oluşuyor ve her biri birbirini tamamlıyor.</p><h4><strong>Tools Katmanı</strong></h4><p>En altta “tools” katmanı var. Bunları bir tamircinin çantasındaki alet gibi düşünün. Her ajan farklı araçları kullanabilir:</p><ul><li>Kubernetes araçları: Pod loglarını okumak, kaynakları sorgulamak, manifest oluşturmak</li><li>Observability araçları: Prometheus’tan metrik çekmek, Grafana dashboard’u oluşturmak</li><li>Deployment araçları: Helm chart’ları yönetmek, Argo Rollout’ları kontrol etmek</li><li>Network araçları: Istio konfigürasyonu, Cilium policy yönetimi</li></ul><p>En güzel yanı? Bu araçlar <strong>Model Context Protocol (MCP)</strong> standardını kullanıyor. MCP, Anthropic’in geliştirdiği ve AI modellerinin dış sistemlerle nasıl iletişim kuracağını standartlaştıran açık bir protokol. Yani kagent için yazdığınız bir araç, MCP’yi destekleyen herhangi bir AI sistemi tarafından kullanılabilir.</p><h4><strong>Agents (Ajanlar) Katmanı</strong></h4><p>Ortada ajanlar var. Ajanlar, gerçek işi yapan varlıklar. Her ajan:</p><ul><li>Bir <strong>göreve odaklanmış</strong> (crash handling, canary deployment, security policy enforcement)</li><li>Doğal dille <strong>talimat alıyor</strong></li><li>Hangi araçları kullanacağını <strong>kendisi seçiyor</strong></li><li>Multi-step problemleri <strong>planlayıp çözebiliyor</strong></li><li>Diğer ajanlarla <strong>iş birliği yapabiliyor</strong></li></ul><p>En ilginç özellik bu sonuncusu: Agent-to-Agent (A2A) protokolü. Bir ajan bir işi başka ajana devredebiliyor. Örneğin, deployment ajanınız canary deployment yaparken, metrics-analyzer ajanından “bu deployment sağlıklı mı?” diye sorabiliyor.</p><h4><strong>Framework Katmanı</strong></h4><p>En üstte framework var.Size üç farklı arayüz sunuyor:</p><ul><li><strong>CLI</strong>: Terminal’den hızlı komutlar için</li><li><strong>Dashboard</strong>: Web üzerinden görsel yönetim için</li><li><strong>Declarative API</strong>: GitOps tarzı YAML dosyalarıyla ajan tanımlama için</li></ul><p>Framework, ajanların lifecycle’ını yönetiyor, Kubernetes CRD’leri olarak saklanmasını sağlıyor ve OpenTelemetry ile gözlemlenebilirlik sunuyor.</p><h4><strong>Mimari Akış Nasıl Çalışıyor?</strong></h4><p>Bir örnek üzerinden anlatalım: Cluster’ınızda bir pod CrashLoopBackOff durumunda.</p><ol><li>kagent Controller (Go ile yazılmış Kubernetes controller), Agent CRD’lerini izliyor</li><li>Troubleshooting ajanınız aktif ve bu tür olayları dinliyor</li><li>Engine (Python/ADK), ajanın conversation loop’unu çalıştırıyor</li><li>Ajan, k8s-tools’u kullanarak pod detaylarını çekiyor</li><li>LLM’e (OpenAI, Anthropic, vb.) gönderip analiz ettiriyor</li><li>Çözüm için Helm ya da kubectl araçlarını kullanıyor</li><li>Sonucu dashboard’da gösteriyor ve mesela Slack’e bildirim atıyor</li></ol><p>Tüm bu adımlar, sizin müdahale etmenize gerek kalmadan, saniyeler içinde gerçekleşiyor. Detaylı mimari dokümantasyon için: <a href="https://kagent.dev/docs/kagent/concepts/architecture">kagent.dev/docs/kagent/concepts/architecture</a></p><h4><strong>Şimdi Ortamın kurulumu</strong> ve ilk kagent deploy edilmesi adımlarını birlikte inceleyip ayrıntılara bakalım🙂</h4><blockquote><strong>Ön Koşullar veya Gereksinimler</strong></blockquote><p>Başlamadan önce, aşağıdaki araçların yüklü olduğundan emin olmanız lazım.</p><ul><li>Yerel bir Kubernetes cluster olması lazım.Ben bu makalemde evimde ki lab ortamında 1 master 4 worker dan oluşan kubernetes cluster üzerinde çalıştıracağım. Küçük bir not: kagent çalıştıracağınız cpu modeli çok eski olmasın mesela min Intel 4.nesil ve üstü olsun ya da AMD 2014 sonrası , ARM olarak Raspberry Pi 4 seviyesi bile olur :)</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/440/1*PnNN3cbqcEGXBfg7yP7TXQ.png" /></figure><ul><li><a href="https://helm.sh/docs/intro/install/">https://helm.sh/docs/intro/install/</a> ilgili kubernetes cluster üzerine kurulumunu yapmış olmamız gerekli.</li><li><a href="https://kubernetes.io/docs/tasks/tools/">https://kubernetes.io/docs/tasks/tools/</a> aynı şekilde kubernetes cluster üzerinde kubectl aynı şekilde kurulu olması gerekli.</li><li><a href="https://platform.openai.com/api-keys">https://platform.openai.com/api-keys</a> Kagent kendi içinde bir LLM barındırmaz; bunun yerine <strong>harici bir model sağlayıcısına</strong> bağlanır.Yazımda ben OpenAI kullanacağım.Doğal olarak OpenAI API anahtarı gerekecek bizlere.Sizde kendi ortamınız da kullanmak istediğiniz LLM api anahtarı oluşturarak bunu Kagent bağlayabilirsiniz. Desteklediği : <a href="https://kagent.dev/docs/kagent/supported-providers/openai">OpenAI</a>, <a href="https://kagent.dev/docs/kagent/supported-providers/azure-openai">Azure OpenAI</a>, <a href="https://kagent.dev/docs/kagent/supported-providers/anthropic">Anthropic</a>, <a href="https://kagent.dev/docs/kagent/supported-providers/google-vertexai">Google Vertex AI</a>, <a href="https://kagent.dev/docs/kagent/supported-providers/ollama">Ollama</a></li></ul><h3>Hadi başlayalım:)</h3><p>1-Adım Kagent için namespace oluşturuyoruz.</p><pre>kubectl create namespace kagent</pre><p>2-Adım : OpenAI API key’i ortam değişkeni olarak ayarlıyoruz</p><pre>export OPENAI_API_KEY=&quot;BURAYA_OWN_OPENAI_KEY_GELECEK&quot;</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/435/1*9h9hORu0w5SmLBwqibHGWA.png" /></figure><p>Sonra doğru set olmuş mu kontrol ediyoruz</p><pre>echo $OPENAI_API_KEY</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/349/1*U63k12viGEb8fCY-1ozFnQ.png" /><figcaption>Anahtarın bir kısmını görmen lazım (tamamını göstermesin sorun değil)</figcaption></figure><p>3-Adım : API key’i Kubernetes Secret olarak kaydediyoruz.</p><pre>kubectl create secret generic kagent-openai \<br>  --namespace kagent \<br>  --from-literal=OPENAI_API_KEY=$OPENAI_API_KEY</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/572/1*G6CHXZQkvAHzLyNmNZYbGQ.png" /></figure><p>4-Adım : Helm ile kuruluma geçiyoruz.</p><pre>helm install kagent oci://ghcr.io/kagent-dev/kagent/helm/kagent \<br>  --namespace kagent \<br>  --set providers.default=openAI \<br>  --set providers.openAI.existingSecret=kagent-openai \<br>  --set providers.openAI.existingSecretKey=apiKey</pre><p>Bu komut şunu yapıyor:</p><ul><li>kagent adında bir release kuruyor</li><li>kagent namespace’ine</li><li>Varsayılan provider olarak openAI kullanıyor</li><li>OpenAI anahtarını da biraz önce oluşturduğumuz kagent-openai secret’ından okuyor.</li></ul><p>Deploy sorunsuz çalıştı</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/715/1*L3pX3rJBc1ZfIHtcjcZiAg.png" /></figure><p>Çıktımız şu şekilde olmalı</p><pre>################################################################################<br>#                            KAGENT DEPLOYED                                  #<br>################################################################################<br><br>Kagent has been successfully deployed to namespace: kagent<br><br>ACCESSING THE UI:<br>  1. Forward the UI service port:<br>     kubectl -n kagent port-forward service/kagent-ui 8080:8080<br><br>  2. Open your browser and visit:<br>     http://localhost:8080<br><br>ACCESSING THE CONTROLLER API:<br>  kubectl -n kagent port-forward service/kagent-controller 8083:8083<br>  <br>  API endpoint: http://localhost:8083/api<br><br>DEPLOYED COMPONENTS:<br>  - Controller: kagent-controller (manages Kubernetes resources)<br>  - Engine: kagent-engine (AI agent runtime)<br>  - UI: kagent-ui (web interface)<br>  - KMCP Controller: kagent-kmcp-manager-controller (manages MCPServer resources)<br><br>ENABLED TOOLS:<br>  - Tool Server: Kagent&#39;s Built-in tools<br>  - grafana-mcp<br>  - querydoc<br><br>ENABLED AGENTS:<br>  - argo-rollouts-agent<br>  - cilium-debug-agent<br>  - cilium-manager-agent<br>  - cilium-policy-agent<br>  - helm-agent<br>  - istio-agent<br>  - k8s-agent<br>  - kgateway-agent<br>  - observability-agent<br>  - promql-agent<br><br>USEFUL COMMANDS:<br>  # View all kagent resources<br>  kubectl -n kagent get agents,modelconfigs,toolservers,memories<br><br>  # Get agents<br>  kubectl -n kagent get agents<br><br>  # View logs<br>  kubectl -n kagent logs -l app.kubernetes.io/name=kagent -f<br><br>TROUBLESHOOTING:<br>  - Check pod status: kubectl -n kagent get pods<br>  - View events: kubectl -n kagent get events --sort-by=&#39;.lastTimestamp&#39;<br>  - Controller logs: kubectl -n kagent logs -l app.kubernetes.io/component=controller -f<br><br>DOCUMENTATION:<br>  Visit https://kagent.dev for comprehensive documentation and examples.<br><br>################################################################################<br>tolga-tekin@master:~$ </pre><blockquote>Çıktıya bir göz atalım bakalım bize nasıl bilgiler veriyor.</blockquote><p><strong>1)ACCESSING THE UI (Kagent arayüzüne erişim)</strong></p><p>Kagent’in kendi web arayüzü (dashboard) var. Bunu bilgisayarınızdan görebilmek için port yönlendirme yapmanız gerektiğini iletiyor</p><p>Port-forward yap</p><pre>kubectl -n kagent port-forward service/kagent-ui 8080:8080</pre><ul><li>Kubernetes içindeki <strong>kagent-ui servisinin 8080 portunu</strong></li><li>sizin kendi bilgisayarınızdaki <strong>8080 portuna yönlendiriyor</strong></li></ul><p>Yani browser’da açtığınızda Cluster içindeki UI ekranını görürsünüz.</p><p>Tarayıcıdan <a href="http://localhost:8080/">http://localhost:8080</a></p><p><strong>2) ACCESSING THE CONTROLLER API (Controller API’ye erişim)</strong></p><p>Kagent’in REST API’si var. Diğer uygulamalar veya elle API çağrısı yapmak için kullanılabilir.</p><p>Port-forward:</p><pre>kubectl -n kagent port-forward service/kagent-controller 8083:8083</pre><p>API endpoint: <a href="http://localhost:8083/api">http://localhost:8083/api</a></p><p>Yani buraya GET/POST isteği atarak Kagent’in arka plandaki controller API’sine erişebiliyorsunuz.</p><p><strong>3) DEPLOYED COMPONENTS (Kurulan bileşenler)</strong></p><p>Kagent kurulunca aşağıdaki parçalar cluster’a deploy edilir:</p><p><strong><em>- Controller: kagent-controller : </em></strong>Kubernetes kaynaklarını yönetir.<br> Agent, tool, MCP server, model config gibi CRD kaynaklarını işler.</p><p><strong><em>- Engine: kagent-engine:</em></strong>AI agent’ların çalıştığı motor.</p><p><strong><em>- UI: kagent-ui:</em></strong>Kagent’in web arayüzü. Yönetim paneli.</p><p><strong><em>- KMCP Controller: kagent-kmcp-manager-controller:</em></strong>MCP Server kaynaklarını yönetir.Yani kmcp ile oluşturduğun MCP server’ları cluster’da yönetir.</p><p><strong>4) ENABLED TOOLS (Etkinleştirilen Tools)</strong></p><p>Bu, kagent içindeki aktif tool-server ve araçlar:</p><ul><li><strong>Tool Server</strong> → Kagent’in varsayılan araç seti</li><li><strong>grafana-mcp</strong> → Grafana sorguları için MCP aracı</li><li><strong>querydoc</strong> → Belge sorgulama aracı</li></ul><p><strong>5) ENABLED AGENTS (Etkin AI Agent’lar)</strong></p><p>Kagent, kurulumla birlikte birçok Kubernetes operasyon ajanını aktif eder:</p><p>template gibi düşünebilirsiniz hazır yani bunlar kurulumda gelenler</p><p><em>Özellikle önemli olanlar:</em></p><ul><li><strong>k8s-agent:</strong><br> Kubernetes cluster yönetimi (pod, deployment, node, logs, vs.)</li><li><strong>helm-agent:</strong><br> Helm chart yönetimi.</li><li><strong>observability-agent:</strong><br> Prometheus/Grafana metrik sorguları.</li><li><strong>cilium-policy-agent / cilium-manager-agent:</strong><br> Cilium cluster yönetimi.</li><li><strong>argo-rollouts-agent:</strong><br> Argo Rollouts yönetimi (canary, blue-green deployment işlemleri).</li><li><strong>promql-agent:</strong><br> Prometheus metrik sorguları.</li></ul><p>Bu ajanlar sayesinde ChatGPT, cluster’ınızda aksiyon alabiliyor ;)</p><p><strong>6) USEFUL COMMANDS (Kullanışlı komutlar)</strong></p><ul><li>Kagent kaynaklarını görmek için</li></ul><pre>kubectl -n kagent get agents,modelconfigs,toolservers,memories</pre><ul><li>Sadece agent’ları görmek</li></ul><pre>kubectl -n kagent get agents</pre><ul><li>Logları izlemek</li></ul><pre>kubectl -n kagent logs -l app.kubernetes.io/name=kagent -f</pre><p><strong>7) TROUBLESHOOTING (Sorun giderme)</strong></p><p>1. Pod’ların durumunu kontrol et</p><pre>kubectl -n kagent get pods</pre><p>2. Kubernetes event’leri sırala</p><pre>kubectl -n kagent get events --sort-by=&#39;.lastTimestamp&#39;</pre><p>3. Controller loglarını gör</p><pre>kubectl -n kagent logs -l app.kubernetes.io/component=controller -f</pre><p><strong>8) DOCUMENTATION</strong></p><p>Kapsamlı dökümanlar diye son olarak bizlere ilgili linki vermiş. <br> 👉 <a href="https://kagent.dev/">https://kagent.dev</a></p><blockquote><strong>Devam edelim</strong></blockquote><p>Podlarımızı kontrol ediyoruz.</p><pre>kubectl -n kagent get pods</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/683/1*XNEIFZd8jHdBcadi4n4rrg.png" /><figcaption>Tüm podlarımız sorunsuz Running durumda</figcaption></figure><p>Kurulumu başarılı şekilde tamamladık.Devam edelim ..</p><h3>İlk agentinizi oluşturma</h3><p>kagent kontrol dashboard kullanarak ilk yapay zeka ajanımızı nasıl oluşturacağımıza bakalım</p><p>Yukarıdaki açıklamada hatırlarsanız <strong>Kagent arayüzüne erişim için </strong>Port-forward yapmamız lazım dı şimdi onu yapalım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/798/1*q1dUtoWkRnugKbHV3S9pVg.png" /></figure><p>Fakat burada kullandığını zlab ortamına göre bir kaç farklı durum oluşabilir. Şöyle açıklayayım ben direk master üzerinde işlemler yaptığım için kubectl port-forward komutunu <strong>master</strong> makinesinde çalıştırıyorum.</p><p>O yüzden benkendi bilgisayarımdan</p><ul><li><a href="http://localhost:8080/">http://localhost:8080</a></li><li><a href="http://127.0.0.1:8080/">http://127.0.0.1:8080</a></li></ul><p>girdiğinde bir şey göremiyorum Çünkü port-forward <strong>master’da</strong> ve sadece 127.0.0.1’de.</p><p>O yüzden ben şunu yapacağım !</p><p><strong>SSH tüneli + normal port-forward</strong></p><p>Kullandığım local notebook da terminal açıyorum ;</p><pre>ssh -L 8080:127.0.0.1:8080 tolga-tekin@192.168.1.150</pre><p>daha sonra port-forward yapıyorum</p><pre>kubectl -n kagent port-forward service/kagent-ui 8080:8080</pre><p>Sonrasında kendi kullandığım notebook dan localhost deniyorum</p><pre>http://localhost:8080/</pre><p>Vee kagent dashboard geliyor :)</p><p><em>ingress nodeport vb seçenekleri üzerinde zaman kaybetmemek için bu seçeneği seçtim siz kalıcı bir ortamınız var ise diğer yöntemler üzerinden kalıcı mimaride devreye alabilirsiniz kagent dashboard erişimini.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/922/1*7j830vFKoOqfLG7XF4Zcfw.png" /></figure><p>O zaman devam edelim ;)</p><p>Şimdi kubernetes clusterımız ile etkileşim kurmak için Kubernetes araçlarını kullanabilen bir agent oluşturmamız gerekiyor.</p><p>Let’s Get Started diyerek devam ediyoruz.</p><h3>Bizi Yapay Zeka Modelini Yapılandırma ekranı karşılıyor</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/588/1*OfGPWzX9EMgDJdyNCm1TMQ.png" /></figure><p>Kagent ile ilk ajanınızı oluştururken karşınıza çıkan bu adım, Kubernetes ortamında çalışacak yapay zekâ ajanının <strong>hangi LLM (Large Language Model)</strong> ile güçlendirileceğini belirlediğiniz bölümdür. Kagent, kendi üzerinde bir model barındırmaz; bunun yerine OpenAI, Anthropic, Google gibi harici sağlayıcıları kullanır. Bu nedenle ilk aşamada bir model sağlayıcısı yapılandırmanız gerekir.</p><p>“Existing Configurations Found — Looks like you already have model configurations set up.” diyerek bize şunu diyor cluster da daha önce tanımlanmış bir LLM yapılandırması olduğunu söylüyor. Hatırlarsanız bir kurulum adımlarına geçmeden OpenAI bir api token alarak ve bunu bir secret ile kendisine belirtmiştik :)</p><p>Kagent’in mevcut yapılandırmayı otomatik olarak algıladığını ve dilerseniz doğrudan bu ayarı kullanabileceğinizi gösterir. Böylece her seferinde model bilgisi girmenize gerek kalmaz.</p><p>“Select Existing” diyerek yani</p><p><strong>Var Olan Konfigürasyonu Kullanarak ilerleyeceğiz.</strong> Ama “Create New” seçeneğinden de eni bir LLM sağlayıcı tanımlayabilirsiniz.</p><blockquote><strong>Next: Agent Setup </strong>diyerek devam ediyoruz.</blockquote><h3>Bizi Step 2: Set Up The AI Agent ekranı karşılıyor.</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/585/1*6v5AGUg390cZE28-Wi98fg.png" /></figure><p>Şimdi bu kısma bir göz atalım</p><p>Kagent üzerinde çalışacak yapay zeka ajanının <strong>kimliğini</strong>, <strong>görev tanımını</strong> ve <strong>davranış kurallarını</strong> belirlediğiniz bölümdür. Bu adım, oluşturacağınız Kubernetes asistanının nasıl çalışacağını doğrudan şekillendirir.</p><p><strong>Agent Name — Ajanın İsmi :</strong> Bu alan, oluşturduğunuz AI ajanı için benzersiz bir ad tanımlamanızı ister,kullanışlı bir isim seçmek operasyonel kolaylık sağlar. ilk kurulum olduğundan ve my-first-k8s-agent default olarak bırakıyorum.</p><p><strong>Agent Namespace: </strong>Bu bölümde, ajanınızın hangi Kubernetes namespace’i içerisinde oluşturulacağını seçersiniz.Çoğu kurulumda varsayılan olarak:<strong>kagent </strong>görülür.</p><p>Bu namespace:</p><ul><li>Ajanın CRD (Custom Resource) tanımlarının,</li><li>ConfigMap ve Secret gibi yapılandırmalarının,</li><li>Ajanın yetkilerinin yönetildiği RBAC kaynaklarının<br> saklandığı yerdir.</li></ul><p>Ajan farklı bir namespace’e de kurulabilir, ancak standart pratik olarak <strong>kagent</strong> namespace’i kullanılır.</p><p><strong>Description:</strong>Bu isteğe bağlı alan, ajanınızın ne yaptığını özetleyen kısa bir açıklamadır.</p><p>Örnek açıklama:</p><blockquote><strong><em>This agent can interact with the Kubernetes API to get information about the cluster.</em></strong>Bu ajan, Kubernetes API’si ile etkileşime girerek cluster hakkında bilgi alabilir.</blockquote><p>Bu alan aslında :</p><ul><li>Takım içi iletişimde ajan amacı hakkında netlik sağlar,</li><li>Büyük ortamlarda birden fazla ajan olduğunda ayrım yapmak için kullanılır,</li><li>Yönetim araçlarında dokumentasyon niteliği taşır.</li></ul><p><strong>Instructions (System Prompt):</strong>Bu bölüm, ajanın çalışma şeklini tanımlayan <strong>en kritik kısımdır. </strong>Buraya yazılan sistem talimatları, ajanın tüm yanıtlarını ve kararlarını yönlendirir.</p><p><strong>Varsayılan olarak gelen sistem prompt örneği:</strong></p><ul><li><em>Kullanıcının sorusu net değilse, herhangi bir aracı çalıştırmadan önce açıklama iste.</em></li><li><em>Her zaman yardımcı ve nazik ol.</em></li><li><em>Cevabı bilmiyorsan </em><strong><em>uydurma</em></strong><em> — <br> “Üzgünüm, buna nasıl cevap vereceğimi bilmiyorum” de ve kullanıcıdan açıklama iste.<br> Eğer yardımcı olamazsan veya bir hata oluşursa, kullanıcıyı </em><a href="https://kagent.dev/"><em>https://kagent.dev</em></a><em> adresine yönlendir.</em></li></ul><p><em>Yanıt Formatı</em></p><ul><li><em>Yanıtlarını </em><strong><em>her zaman Markdown formatında</em></strong><em> yaz.</em></li><li><em>Yanıtın, yaptığın işlemlerin kısa bir özetini ve çıkan sonucun açıklamasını içermelidir.”</em></li></ul><p><strong>Prompt şunları sağlar:</strong></p><ul><li>Ajanın <strong>kişiliğini</strong> tanımlar (nazik, yardımsever).</li><li>Ajanın <strong>yanlış bilgi uydurmasını</strong> engeller.</li><li>Belirsiz durumlarda önce <strong>kullanıcıdan açıklama istemesini</strong> sağlar.</li><li>Kubernetes API veya command-line araçlarını nasıl kullanacağını yönlendirir.</li><li>Ajanın operasyonel güvenliğini artırır.</li></ul><p><strong>Buradaki talimatlar tamamen özelleştirilebilir. Bu sayede:</strong></p><ul><li>Daha teknik bir ajan,</li><li>Daha detaycı bir DevOps asistanı,</li><li>Sadece belirli namespace’lerde işlem yapan sınırlı yetkili bir bot<br> oluşturmak mümkündür.</li></ul><p>Kısacası bu sekme, ajanınızın <strong>kim olduğu ve nasıl davranacağı</strong> ile ilgili tüm kuralları içerir.</p><blockquote><strong>Next: Select Tools diyerek devam ediyoruz</strong></blockquote><h3>Bizi Step 3: Select Tools ekranı karşılıyor</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/588/1*OA2rZuesG7_VLmqXrRKS_g.png" /></figure><p>Kurulum sihirbazının üçüncü adımı, Kagent üzerindeki AI ajanının <strong>hangi operasyonları gerçekleştirebileceğini</strong> belirlediğiniz bölümdür. Kagent’te her “tool”, ajanın Kubernetes içinde bir eylem yapmasını sağlayan küçük bir operasyon modülüdür. Bu araçlar sayesinde ajan:</p><ul><li>Pod’ların loglarını okuyabilir</li><li>Deployments ölçeklendirebilir</li><li>YAML manifest’leri apply edebilir</li><li>Kaynakları describe edebilir</li><li>Komut çalıştırabilir</li><li>Label/annotation yönetebilir</li></ul><p>Bu ekran aynı zamanda Argo, Cilium, Istio gibi Kubernetes ekosisteminin geniş bileşenleri için yüzlerce farklı tool sunar. Ancak bu makalede ne yazık ki <strong>tümünü tek tek ele alamıyorum.B</strong>en yalnızca en kritik olan <strong>Kubernetes çekirdek araçlarını açıklayamaya çalışacağım.</strong></p><p>Kagent’in Kubernetes İçin Sağladığı Temel Araçlar (K8s Tools)</p><p>Aşağıdaki araçlar, bir K8s asistanının ihtiyaç duyacağı temel operasyonları kapsar. Her birinin ne işe yaradığını detaylı şekilde bakalım.</p><h3>1. k8s_annotate_resource</h3><p><strong>Bir Kubernetes kaynağına annotation ekler veya mevcut annotation değerini günceller.</strong><br> Annotation’lar metadata amaçlıdır; uygulama davranışını veya kontrolcülerle iletişimi yönetmekte kullanılır.<br> Örnek kullanım alanları:</p><ul><li>Argo Rollouts metadata eklemek</li><li>Ingress controller’a özel ayarlar yazmak</li><li>Operatörlere talimat vermek</li></ul><h3>2. k8s_apply_manifest</h3><p><strong>Bir YAML manifest dosyasını clustera uygular (kubectl apply karşılığı).</strong><br>Yeni kaynak oluşturmak veya mevcut kaynağı güncellemek için kullanılır.<br>Declarative deployment otomasyonlarında en çok kullanılan araçtır.</p><h3>3. k8s_check_service_connectivity</h3><p><strong>Geçici bir pod oluşturarak bir servise curl atıp bağlantıyı doğrular.</strong><br> Ağ sorunlarını anlamak için idealdir.<br> Örneğin:</p><ul><li>Pod → Service iletişimi çalışıyor mu?</li><li>ClusterDNS çözüyor mu?</li><li>NetworkPolicy trafiği engelliyor mu?</li></ul><h3>4. k8s_create_resource</h3><p><strong>Verilen YAML içeriğinden yeni bir Kubernetes kaynağı oluşturur.</strong><br> kubectl create ile aynı mantıkla çalışır.</p><h3>5. k8s_create_resource_from_url</h3><p><strong>Bir URL’de yer alan YAML manifest’ten doğrudan Kubernetes kaynağı oluşturur.</strong><br> Örneğin GitHub’dan veya resmi Kubernetes örneklerinden kaynak oluşturmak için idealdir.</p><h3>6. k8s_delete_resource</h3><p><strong>Bir Kubernetes kaynağını siler.</strong><br> Pod, Deployment, Service, ConfigMap vb tüm kaynaklar desteklenir.<br> Riskli işlemlerden biri olduğu için ajanın izinleri RBAC ile sınırlandırılabilir.</p><h3>7. k8s_describe_resource</h3><p><strong>Bir kaynağın detaylı çıktılarını verir (kubectl describe gibi).</strong><br> Debug süreçlerinde çok önemlidir; özellikle Pod, Node ve Deployment sorunlarında kullanılır.</p><h3>8. k8s_execute_command</h3><p><strong>Bir pod içinde komut çalıştırır (kubectl exec karşılığı).</strong><br> Örneğin:</p><ul><li>ls, cat, curl gibi komutlar</li><li>Uygulama içi debugging</li><li>Konteyner health kontrolü</li></ul><h3>9. k8s_generate_resource</h3><p><strong>Doğal dil tanımından Kubernetes YAML dosyası üretir.</strong><br> Örneğin “3 replikalı bir nginx deployment oluştur” dediğinizde YAML’ı hazırlar.<br> AI destekli YAML üretimi için kritik bir araçtır.</p><h3>10. k8s_get_available_api_resources</h3><p><strong>Clusterdaki tüm API kaynaklarını listeler.</strong><br> Hangi resource türlerinin mevcut olduğunu anlamak için kullanılır.<br> Örneğin CRD yüklü mü? API group aktif mi?</p><h3>11. k8s_get_cluster_configuration</h3><p><strong>Cluster’ın genel yapılandırmasını ve temel ayarlarını getirir.</strong><br> Versiyon bilgileri, API server ayarları, özellikler vb.</p><h3>12. k8s_get_events</h3><p><strong>Bir namespace içindeki Kubernetes event’lerini getirir.</strong><br> Pod crash, scheduling hatası, health check sorunları bu sayede hızlıca görülebilir.</p><h3>13. k8s_get_pod_logs</h3><p><strong>Bir pod’un container loglarını çeker.</strong><br> Uygulama hatalarını incelemek için en çok kullanılan aracılardan biridir.</p><h3>14. k8s_get_resource_yaml</h3><p><strong>Bir kaynağın mevcut YAML tanımını getirir (kubectl get -o yaml).</strong><br> Infrastructure-as-code akışlarında çok yararlıdır.</p><h3>15. k8s_get_resources</h3><p><strong>kubectl get komutunun AI karşılığıdır.</strong><br> Pod, Node, Deployment vb kaynakları listeler.</p><h3>16. k8s_label_resource</h3><p><strong>Bir kaynağa label ekler veya mevcut bir label’ı günceller.</strong><br> Label’lar:</p><ul><li>Seçicilerde (selectors)</li><li>Monitoring filtrelerinde</li><li>NetworkPolicy hedeflerinde<br> kullanılır.</li></ul><h3>17. k8s_patch_resource</h3><p><strong>Strategic merge patch kullanarak bir kaynağı yamalar.</strong><br> Deployment image değişimi gibi küçük güncellemeleri risksiz şekilde yapar.</p><h3>18. k8s_remove_annotation</h3><p><strong>Bir kaynağın annotation bilgisini kaldırır.</strong><br> Operatör davranışlarını geri almak veya metadata temizliği için kullanılır.</p><h3>19. k8s_remove_label</h3><p><strong>Bir kaynaktaki label’ı siler.</strong><br> Genellikle yanlış label’ı kaldırmak veya selector uyumsuzluklarını düzeltmek için kullanılır.</p><h3>20. k8s_rollout</h3><p><strong>Deployment veya Rollout kaynakları için tüm rollout operasyonlarını yapar:</strong></p><ul><li>history</li><li>status</li><li>pause</li><li>resume</li><li>restart</li><li>undo</li></ul><p>AI ajanlarının gerçek operasyonel DevOps işlerinde en çok kullandığı araçtır.</p><h3>21. k8s_scale</h3><p><strong>Bir deployment’ın replikasını artırır veya azaltır.</strong><br> Örneğin:</p><ul><li>Peak trafikte scale-out</li><li>Sorunlu durumlarda scale-to-zero</li><li>Test ortamında hızlı ölçeklendirme</li></ul><h3>Bu Kubernetes tool paketi sayesinde AI ajanı artık:</h3><p>✔ Cluster bilgisi okuyabilir<br> ✔ Manifest uygulayabilir<br> ✔ Debug yapabilir<br> ✔ Kaynakları yönetebilir<br> ✔ Scale/rollout gibi gerçek operasyonları yürütebilir</p><p>Yani Kagent üzerindeki ajan, bir DevOps mühendisi gibi davranabilir.</p><blockquote><strong>k8s içindeki seçeneklerin hepsini seçip Next Review diyerek devam ediyoruz.</strong></blockquote><h3>Bizi Step 4: Review Agent Configuration karşılıyor</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/579/1*5n39TJRp_dNRQIlgjR7YvQ.png" /></figure><p>Kurulum sihirbazının son adımı olan bu ekranda, oluşturduğunuz Kubernetes yapay zeka ajanının tüm yapılandırmasını <strong>son kez gözden geçirip onaylarsınız</strong>. Bu adımda herhangi bir ayar değişikliği yapılmaz; yalnızca daha önceki adımlarda tanımlanan tüm bilgiler tek bir özet ekranında toplanır.</p><p>Bu ekran, oluşturulacak ajanın:</p><ul><li>Kimliğini,</li><li>Model ayarlarını,</li><li>Talimat setini,</li><li>Seçilen araçlarını<br> eksiksiz şekilde doğrulamanız için tasarlanmıştır.</li></ul><blockquote><strong>Son Adım: “Create Agent &amp; Finish” diyerek devam ediyoruz.</strong></blockquote><h3>Ve son olarak bizi Setup Complete ekranı karşılıyor</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/604/1*d8uok-An3JNnbdca9tYQxQ.png" /></figure><p>Kurulum sihirbazının son adımı, Kagent üzerinde oluşturduğunuz Kubernetes AI ajanının başarıyla hazır olduğunu bildiren tamamlanma ekranıdır. Bu aşama, kurulum sürecinin bittiğini ve artık ajanla etkileşime geçebileceğimizi gösteriyor.</p><p><strong>Share Your Success! : </strong>kısmında kullanıcıların oluşturdukları ilk Kagent ajanını sosyal medya hesaplarında paylaşabilmeleri için hazırlanmış küçük bir sosyal etkileşim koymuşlar :)</p><blockquote>Finish &amp; Go to Agent tıklayarak devam ediyoruz !</blockquote><p>local makinamdan <a href="http://localhost:8080/">http://localhost:8080/</a> diyerek ilerliyorum</p><p>Ve artık karşımıza Kagent Dashboard geldi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/926/1*iEMDbDgo-XID6gJRfflPIg.png" /></figure><p>Şimdi bir göz atalım</p><p>Agents sayfası, Kagent platformu üzerinde kullanılabilir durumda bulunan tüm AI ajanlarının merkezi bir şekilde listelendiği ekrandır. Bu liste hem Kagent tarafından <strong>hazır olarak sağlanan built-in ajanları</strong>, hem de kullanıcının <strong>kendi oluşturduğu özel ajanları</strong> kapsar. Ekranda görülen her kart, bir AI ajanını ve o ajanın uzmanlaştığı Kubernetes alanını temsil eder.</p><p>Bu ekran, Kubernertes operasyonlarını otomatik hale getirmek veya LLM destekli gözlemleme, trouble­shooting ve konfigurasyon yönetimi yapmak isteyen kullanıcılar için bir <strong>komuta merkezi</strong> niteliğindedir.</p><p><strong>Hazır olarak sağlanan built-in ajanlarına bir göz atalım</strong></p><h3>Argo Rollouts Agent</h3><p><em>Kullanım Alanı:</em><br> Argo Rollouts ile canary, blue-green, progressive delivery yönetimi.<br> <em>Kapasitesi:</em><br> Deployment → Rollout dönüşümü, rollout promote / pause işlemleri, analiz.</p><h3>Cilium Debug Agent</h3><p><em>Cilium tabanlı networking ve eBPF altyapısı için ileri düzey troubleshooting yapar.</em><br> Ağ politikaları, L7 routing, connectivity debug gibi işlemler için kullanılır.</p><h3>Cilium Manager &amp; Cilium Policy Agents</h3><p><em>Cilium ekosisteminin yönetimi ve policy oluşturma süreçlerini otomatikleştirir.</em><br> CiliumNetworkPolicy ve CiliumClusterwideNetworkPolicy kaynakları ile çalışır.</p><h3>Helm Agent</h3><p><em>Kubernetes üzerinde Helm chart yönetimi için uzmanlaşmış bir ajandır.</em><br> Chart yönetimi, upgrade, rollback, value dosya oluşturma gibi işlevlere sahiptir.</p><h3>Istio Agent</h3><p><em>Service mesh operasyonları için uzman bir AI asistandır.</em><br> Traffic shifting, gateway policy, mtls kontrolü, workload istatistikleri gibi işlemler yapabilir.</p><h3>Kubernetes Expert Agent (k8s-agent)</h3><p>Bu, <strong>genel amaçlı küme yönetimi için en önemli ajanlardan biridir.</strong><br> Pod yönetimi, deployment işlemleri, scaling, log çekme, describe, debugging gibi çekirdek K8s görevlerini yerine getirir.</p><h3>KGateway Agent</h3><p>Bu ajan, Envoy tabanlı Kubernetes Gateway API kaynaklarında çalışmak için tasarlanmıştır.</p><h3>Observability Agent</h3><p>Prometheus, Grafana ve Kubernetes olay sistemini kullanarak gözlemlenebilirlik sağlar.<br> Sorgu oluşturma, metrik analiz etme, alert değerlendirme gibi işlemler yapabilir.</p><h3>PromQL Agent</h3><p><em>Prometheus Query Language (PromQL) oluşturma uzmanıdır.</em><br> Doğal dilden PromQL sorgularına dönüşüm sağlar.</p><h3>Kullanıcı Tarafından Oluşturulan Özel Ajanlar</h3><p>ekranında özellikle dikkat çeken yeni bir kart var</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/307/1*_3bYCdGkmnwZmO7bKYccZg.png" /></figure><p>👉 <strong>kagent/my-first-k8s-agent</strong></p><p>Bu, sihirbazla oluşturduğun <strong>kişisel AI ajanı</strong>dır.</p><p>kubernetes cluster da bunu görebiliriz şu şekilde</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/696/1*z6jXWtVp3nCx1TsL5RROwA.png" /></figure><p>Hazır ajanlardan farklı olarak:</p><ul><li>Prompt’u kullanıcı tarafından belirlenir</li><li>Kullanacağı araç seti (tools) kullanıcı tarafından seçilir &gt; biz kendimiz seçtik hatırlarsanız</li><li>Davranış, rol, görev açıklaması tamamen özelleştirilebilir &gt; aynı şekilde biz kendimiz belirledik</li></ul><h4>Hadi şimdi oluşturduğumuz agent biraz test edelim :)</h4><p><strong>Kagent Agent Workspace</strong></p><p><strong>my-first-k8s-agent üzerine tıklıyorum</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Pdo3dFEY6I6ZozhtoZF1XQ.png" /></figure><p>Bizi Kagent Agent Workspace karşılıyor. Bu ekran, oluşturduğumuz AI ajanı ile gerçek zamanlı olarak etkileşime geçebileceğimiz <em>çalışma alanıdır</em>. Artık ajan tamamen aktif hâle gelmiştir ve bu bölüm üzerinden Kubernetes cluster’ına doğal dil komutları verebiliriz.</p><h4>Şimdi bir kaç çok basit örnekler ile ilerleyelim.</h4><p>Mesela hızlıca kubernetes cluster üzerinde 1 tane namespace oluşturuyorum</p><pre>kubectl create ns tolga</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/440/1*MSVYQpcuBZvhclYIlVsdrw.png" /></figure><p>Kagent ile oluşturduğum <strong>kagent/my-first-k8s-agent</strong> ajanına şu soruyu yöneltiyorum “Clusterımdaki namespace’leri bana söyle”</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/987/1*qGcX58KSd2N0PRDnM9C_yg.png" /></figure><p>Ajan ise Kubernetes kümesindeki namespace’leri <strong>doğru bir şekilde</strong> listeliyor ve Türkçe olarak cevap veriyor. (Dil olarak çünkü türkçe ilettim)</p><p><strong>Ekranda üç şeyi aynı anda görebiliyoruz:</strong></p><p><strong>Sol panelde</strong> sohbet başlığı (“Clusterımdaki namespac…”)</p><p><strong>Orta panelde</strong>:</p><ul><li>Üstte kullanıcının mesajı</li><li>Ortada Kagent’in otomatik olarak çalıştırdığı <strong>k8s_get_resources</strong> aracı (tool call)</li><li>Altta ajanın doğal dilde yazdığı yanıt</li></ul><p><strong>Sağ panelde</strong> ajan detayları ve kullanabildiği tüm Kubernetes araçları (tools)</p><p>Bu görünüm, aslında Kagent’in arka planda nasıl çalıştığını birebir gösteren bir izleme ekranı gibi</p><p>Workflow nasıl işliyor kısaca bir göz atalım ;</p><h3>1. Kullanıcı Mesajı</h3><p>Orta panelin en üstünde şunu görüyoruz:</p><blockquote><strong><em>user — “Clusternımdaki namespace’leri bana söyle”</em></strong></blockquote><p>Bu, ajana gönderdiğimiz doğal dil talimatı. Tamamen Türkçe olması önemli; Kagent, LLM sayesinde bunu Kubernetes terimlerine çevirip uygun aracı seçiyor.</p><h3>2. Tool Çalıştırma Bloğu: k8s_get_resources</h3><p>Mesajın hemen altında, gri bir kutu içinde şu satır görünüyor:</p><blockquote><strong><em>k8s_get_resources — Completed</em></strong></blockquote><p>Bu kutu, ajanın Kubernetes tarafında gerçekten bir iş yaptığını gösteren <strong>tool execution log</strong>’u. İçinde iki bölüm var:</p><p><strong>Arguments (Argümanlar)</strong><br> Ajanın k8s_get_resources aracına hangi parametrelerle çağrı yaptığını gösterir. Örneğin burada kabaca şu tipte argümanlar olur:</p><pre>{<br>  &quot;resource_type&quot;: &quot;namespaces&quot;,<br>  &quot;namespace&quot;: null,<br>  &quot;output&quot;: &quot;json&quot;<br>}</pre><p>Yani LLM, Türkçe cümleyi “Bu cluster’daki tüm namespace’leri listele” şeklinde yorumlayıp k8s_get_resources aracına uygun parametreleri hazırlıyor.</p><p>Results (Sonuçlar)</p><p>Kubernetes’ten dönen ham veriyi içerir. Örneğin API çağrısına karşılık gelen JSON çıktısı gibi:</p><pre>{<br>  &quot;items&quot;: [<br>    { &quot;metadata&quot;: { &quot;name&quot;: &quot;default&quot; } },<br>    { &quot;metadata&quot;: { &quot;name&quot;: &quot;kagent&quot; } },<br>    { &quot;metadata&quot;: { &quot;name&quot;: &quot;kube-flannel&quot; } },<br>    { &quot;metadata&quot;: { &quot;name&quot;: &quot;kube-node-lease&quot; } },<br>    { &quot;metadata&quot;: { &quot;name&quot;: &quot;kube-public&quot; } },<br>    { &quot;metadata&quot;: { &quot;name&quot;: &quot;kube-system&quot; } },<br>    { &quot;metadata&quot;: { &quot;name&quot;: &quot;tolga&quot; } }<br>  ]<br>}</pre><p>UI’de bu içerik özetlenmiş şekilde gösteriliyor; istersek “Arguments / Results” kısımlarını açıp detaya bakabiliyoruz. Üst sağda “Completed” ibaresi ise tool çağrısının başarıyla bittiğini gösteriyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/647/1*55fIRD8lBf2DDQD0DUTzUQ.png" /></figure><h3>3. Ajanın Doğal Dil Yanıtı</h3><p>Tool çalıştıktan sonra kutunun altında ajanın cevabı yer alıyor:</p><blockquote><strong><em>“Clusternızdaki namespace’ler şunlardır:”</em></strong><em><br> — default<br> — kagent<br> — kube-flannel<br> — kube-node-lease<br> — kube-public<br> — kube-system<br> — tolga</em></blockquote><p>ve en altta nazik bir kapanış cümlesi.</p><p>Burada önemli olan nokta:<br> Ajan bu listeyi kafasından uydurmuyor; bir üstteki <strong>k8s_get_resources tool çağrısının sonucunu</strong> alıyor, JSON içindeki namespace isimlerini çıkarıyor ve bunları kullanıcıya okunabilir bir formatta sunuyor.</p><h3>Bu senaryo, Kagent’in “LLM + Kubernetes Tooling” mimarisinin güzel bir örneği. Arkada olanları adım adım şöyle özetleyebiliriz &gt;</h3><h4>Adım 1 — Kullanıcı mesajı Kagent API’sine iletilir</h4><ol><li>Kullanıcı UI üzerinden şu mesajı yazıyor:<br> <strong>“Clusterımdaki namespace’leri bana söyle”</strong></li><li>Bu mesaj, seçili ajan kimliği (kagent/my-first-k8s-agent) ve bu ajanın sahip olduğu tool listesi ile birlikte Kagent backend’ine gönderiliyor.</li></ol><h4>Adım 2 — LLM, mesajı yorumlar ve hangi tool’u kullanacağına karar verir</h4><p>3.Backend, bu mesajı ajanın bağlı olduğu model olan <strong>gpt-4.1-mini</strong>’ye gönderir.</p><p>4.Mesajla birlikte sistem prompt’u da (Step 2’de tanımladığımız talimatlar) modele iletilir.</p><p>5.Model, şu mantığı uygular:</p><ul><li>Kullanıcı <strong>“namespace”</strong> kelimesini kullanıyor.</li><li>İstediği şey, “cluster’daki tüm namespace’lerin listesi”.</li><li>Elinde, Kubernetes kaynaklarını listeleyebileceği bir tool olan <strong>k8s_get_resources</strong> var.</li></ul><p>6.Bu nedenle model, şu kararı veriyor:</p><p>“Bu isteği karşılamak için k8s_get_resources tool’unu kullanmalıyım; resource_type=namespaces olmalı.”</p><p>Yani model burada hem çeviri yapıyor (Türkçe → Kubernetes kavramı) hem de doğru aracı seçiyor.</p><h4>Adım 3 — Tool çağrısı hazırlanır (Arguments bölümü)</h4><p>7.Model, k8s_get_resources için uygun parametreleri içeren bir tool çağrısı oluşturur.<br> Örneğin:</p><pre>{<br>  &quot;tool&quot;: &quot;k8s_get_resources&quot;,<br>  &quot;arguments&quot;: {<br>    &quot;resource_type&quot;: &quot;namespaces&quot;,<br>    &quot;namespace&quot;: null<br>  }<br>}</pre><p>8.Bu tool çağrısı Kagent’in <strong>tool server</strong> bileşenine iletilir. UI’de gördüğümüz “Arguments” kısmı, işte bu JSON’un okunabilir halidir.</p><h4><strong>Adım 4 — Tool server Kubernetes API’sini çağırır</strong></h4><p>9.k8s_get_resources aracı, cluster içindeki kagent-tool-server pod’u tarafından çalıştırılır.</p><p>10.Bu tool, parametrelere göre bir Kubernetes sorgusu yapar. Örneğin:</p><pre>kubectl get namespaces -o json</pre><p>veya doğrudan Kubernetes REST API’si üzerinden eşdeğer bir çağrı.</p><p>11.Kubernetes API server, cluster’da mevcut olan tüm namespace’leri JSON formatında döner.</p><h4>Adım 5 — Sonuçlar LLM’e geri gönderilir (Results bölümü)</h4><p>12.Tool server, aldığı JSON çıktısını <strong>tool result</strong> olarak Kagent backend’ine geri gönderir.</p><p>13.Backend, bu sonucu tekrar LLM’e iletir; UI’de “Results” kısmında görebildiğimiz veri budur.</p><p>14.Bu aşamada model artık şunlara sahiptir:</p><ul><li>Orijinal kullanıcı isteği</li><li>Çalıştırdığı tool’un argümanları</li><li>Kubernetes API’den gelen gerçek sonuçlar</li></ul><h4>Adım 6 — LLM, son kullanıcı cevabını üretir</h4><p>15.Model, sonuçlardan sadece namespace isimlerini alır.</p><p>16.Bu listeyi kullanıcı için okunabilir, Türkçe bir cevap hâline getirir:</p><blockquote><em>“Clusterınızdaki namespace’ler şunlardır: …”</em></blockquote><p>17.Sistem prompt’unda yer alan “her zaman Markdown formatında cevap ver” talimatına uygun olarak yanıtı madde işaretli liste şeklinde üretir.</p><p>18.Gerekirse sonuna “Başka bir konuda yardımcı olabilir miyim?” gibi bir kapanış ekler.</p><h4>Adım 7 — UI, tüm süreci zaman çizelgesi şeklinde gösterir</h4><p>Son olarak UI, bu akışı kronolojik bir timeline gibi sunar:</p><ol><li><strong>user mesajı</strong></li><li><strong>k8s_get_resources tool çağrısı (Arguments + Results, Completed)</strong></li><li><strong>assistant cevabı</strong></li></ol><p>Bu sayede:</p><ul><li>Kullanıcı sadece sonucu görmez,</li><li>Aynı zamanda ajanın hangi aracı kullandığını,</li><li>Hangi parametrelerle çalıştığını,</li><li>Sonuçların gerçekten Kubernetes’ten geldiğini de görebilir.</li></ul><p>Bu, Kagent’in <strong>“şeffaf ve denetlenebilir AI”</strong> yaklaşımının önemli bir parçasıdır.</p><h3>Sonuç: Doğal Dilden Kubernetes API’sine Giden Yol</h3><p>Bu basit “namespace’leri söyle” örneği aslında şunu gösteriyor:</p><ul><li>Kullanıcı <strong>doğal dil</strong> ile konuşuyor (üstelik Türkçe).</li><li>LLM, bu isteği <strong>doğru Kubernetes tool’una</strong> çeviriyor.</li><li>Tool server, gerçek Kubernetes API çağrısını yapıyor.</li><li>Sonuçlar LLM tarafından tekrar <strong>insan okunabilir bir rapora</strong> dönüştürülüyor.</li><li>Tüm süreç UI’de adım adım görülebiliyor.</li></ul><p>“Kagent, kullanıcı ile Kubernetes API’si arasında akıllı bir tercüman gibi çalışır. Kullanıcı yalnızca ‘Clusterımdaki namespace’leri bana söyle’ demekle yetinir; geri kalan tüm kubectl / API çağrıları, argüman hazırlığı, JSON parse işlemleri ajan tarafından otomatik yürütülür.”</p><p>Kagent ile kendi Kubernetes AI ajanımızı sıfırdan nasıl oluşturabileceğimizi, yapılandırabileceğimizi ve basit bir komut üzerinden nasıl çalıştığını adım adım göstermeye çalıştım.<br> Yalnızca <strong>“Clusterımdaki namespace’leri bana söyle”</strong> gibi son derece basit bir örnek üzerinden ilerlememize rağmen, aslında Kagent’in sunduğu mimarinin çok daha kapsamlı bir ekosistemi harekete geçirdiğini gördük.</p><p>Bu yapının arkasında:</p><ul><li>Doğal dil işleme,</li><li>Kubernetes operasyon araçları,</li><li>LLM kontrollü karar mekanizması,</li><li>RBAC ve tool-server mimarisi,</li><li>Denetlenebilir (observable) AI çağrıları</li></ul><p>gibi birbirine bağlı ve oldukça güçlü bileşenler yer alıyor.</p><p>Bugün sadece bir namespace listelettiğiniz ajan, <strong>yarın tam ölçekli bir Kubernetes operatörüne dönüşebilir.</strong><br> Kagent’i güçlü kılan şey tam olarak budur:<br> Sizin yazdığınız tek bir cümleyi, Kubernetes API’larını yöneten güvenli, kontrollü ve açıklanabilir bir otomasyon akışına dönüştürmesi.</p><h3>Peki daha karmaşık senaryolar nasıl olabilir?</h3><p>İleri seviyede Kagent ile yapılabileceklerin sınırı yoktur. Örneğin:</p><ul><li><strong>Canary Rollout’ları otomatik yöneten bir agent</strong><br> Uygulama versiyonlarını trafiğe kademeli çıkarabilir, metrik analizi yapabilir, gerektiğinde geri alabilir.</li><li><strong>Gerçek zamanlı debugging yapan bir troubleshooting agent</strong><br> CrashLoopBackOff yaşayan pod’un loglarını toplayabilir, event analiz edebilir, node sorunlarını raporlayabilir.</li><li><strong>Otomatik YAML jeneratörü</strong><br> Sadece “3 replikalı Redis cluster oluştur” demenizle eksiksiz bir Deployment + Service manifest’i üretebilir.</li><li><strong>İzleme (observability) sorguları üreten bir PromQL Agent</strong><br> Karmaşık metrikleri anlamlı grafiğe dönüştürebilir, latency artışlarını analiz edebilir.</li><li><strong>CI/CD süreçlerine entegre akıllı kontrol noktaları</strong><br> Pipeline’lar çalışırken cluster durumunu kontrol edip riskli deploy’ları engelleyebilir.</li></ul><p>Bu yaklaşım, DevOps pratiklerini insan merkezli komutlardan AI kontrollü otomasyona taşıyan yeni bir dönemin kapısını aralıyor bence.</p><p>Ben bu makalede sadece en temel iş akışı üzerinden ilerledim.<br> <strong>Daha karmaşık senaryolar planlamak, yeni ajanlar geliştirmek veya mevcut ajanlara yeni yetenekler kazandırmak artık sizlere kalmış.</strong></p><p>Kagent, Kubernetes üzerinde yapay zekâ ile otomasyonun nasıl bir seviyeye çıkabileceğini gösteren güçlü bir platform.<br> Siz hangi problemin çözülmesini istiyorsanız, Kagent’in arkasındaki AI modeline sadece bunu söylemeniz yeterli:</p><blockquote>“Bunu benim için hallet.”</blockquote><p>Gelecekte Kubernetes yönetimi, komut ezberlemek yerine ihtiyaçlarımızı anlatmakla şekillenecek.<br> Ve Kagent bu geleceğin ilk adımlarından biri. :)</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=0b63a7ab408a" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Yazıya Başlamadan Önce — Kişisel Görüşüm]]></title>
            <link>https://medium.com/@mtolgatekin/yaz%C4%B1ya-ba%C5%9Flamadan-%C3%B6nce-ki%C5%9Fisel-g%C3%B6r%C3%BC%C5%9F%C3%BCm-e6ab23bf682d?source=rss-600b587569b3------2</link>
            <guid isPermaLink="false">https://medium.com/p/e6ab23bf682d</guid>
            <category><![CDATA[kubernetes]]></category>
            <dc:creator><![CDATA[Tolga Tekin]]></dc:creator>
            <pubDate>Thu, 04 Sep 2025 11:31:13 GMT</pubDate>
            <atom:updated>2025-09-04T11:31:13.172Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*5bNTIxjh3lDAh3sROH1jiw.png" /></figure><p>Yazıya Başlamadan Önce — Kişisel Görüşüm</p><p>“Yapay zekâ araçlarının, güvenli, adil ve etik bir biçimde çalışabilmesi için mutlaka <strong>insan denetimi altında</strong> işletilmesi gerektiğine inanıyorum.<br>Her ne kadar yapay zekâ sistemleri karmaşık görevleri üstlenebilse de, <strong>insan eli değmeden</strong> bu sistemlerin tarafsızlık, sorumluluk ve etik uyum çerçevesinde hareket etmesi mümkün değil.<br>Bu nedenle, teknolojik ilerlemeyi sağlıklı ve sürdürülebilir kılmak adına <strong>insan gözetimi vazgeçilmez bir unsurdur.”</strong></p><p>AI sistemlerinde etik ilkeleri ihmal etmek, hem <strong>yasal uyumsuzluklara</strong> hem de <strong>geri dönüşü zor itibar kayıplarına </strong>neden olabilir. Bu durum, organizasyonlar için yüksek maliyetli sonuçlar doğurabilir.</p><pre>O zaman başlayalım ;)</pre><p>Bu makale, AI’nın Kubernetes mühendisliğiyle nasıl entegre olduğunu, DevOps rollerini nasıl yeniden tanımladığını ve gelecekteki operasyonel ortamları nasıl şekillendireceğini ele almaktadır. Ayrıca, bu dönüşüm sürecini somutlaştırmak amacıyla, K8sGPT <em>özelinde kapsamlı bir değerlendirme ve örnek uygulama</em> sunmaya çalıştım.</p><p>DevOps kavramı, 2009&#39;da Flickr’ın O’Reilly’s Velocity Konferansı’nda tanıtılmasıyla ortaya çıkmış ve Patrick Debois tarafından #DevOpsDays ile resmileştirilmiştir.</p><p>ilgili sunuma : <a href="https://paulhammond.org/2009/06/velocity/10deploys.pdf">https://paulhammond.org/2009/06/velocity/10deploys.pdf</a> ulaşabilirsiniz.</p><p>DevOps mühendisliği, AI’nın otomasyonu hızlandırmasıyla bir dönüm noktasında bulunmaktadır.AI, pasif bir yardımcı olmaktan çıkarak DevOps iş akışlarında aktif bir işbirlikçiye dönüşmektedir.</p><p>AI’nın bir güç çarpanı olarak yükselişi, bulut-yerel iş akışlarında provizyonu, teşhisi ve sürekli teslimatı ciddi seviyede kolaylaştırmaktadır.</p><p>Gelecekte, mühendisler ile yapay zekâ ajanları arasında <strong>simbiyotik bir ortaklık</strong> gelişeceğine inanıyorum. Rutin görevler otomasyon yoluyla çözümlenirken, <strong>Kubernetes kümeleri, denetleyiciler, CRD’ler</strong>, bulut platformları, <strong>Linux içyapısı ve ağ bilgisi</strong> gibi konuların yanı sıra programlama dillerine hâkimiyet, teknik uzmanlık açısından <strong>hayati önemini korumaya devam edecektir</strong>.</p><p>Bu dönüşüme hazırlık için:</p><ul><li><strong>AI destekli Kubernetes araçlarını iş akışlarına entegre etmek,</strong></li><li><strong>Ekipler için yapay zekâ ve makine öğrenimi alanında eğitim yatırımları yapmak,</strong></li><li><strong>Kubernetes ve yapay zekâ topluluklarıyla aktif etkileşimde bulunmak</strong>,<br>bu yeni çağın başarıyla karşılanması adına kritik adımlardır.</li></ul><p><strong>AI Ajan Türleri ve Agentic DevOps’un Temel Özellikleri</strong></p><p>DevOps’un geleceği, otonom AI ajanlarının çeşitli mimarileri etrafında şekillenmektedir. Bu ajanlar, Kubernetes uygulamalarında farklı karakteristik özelliklere sahip altı ana kategoriye ayrılır.</p><ul><li><strong>Simple Reflex Agents (Basit Refleks Ajanlar):</strong> Mevcut girdilere dayalı kural tabanlı eylemler gerçekleştirir. Kubernetes’te, başarısız pod’ları otomatik olarak yeniden başlatabilir veya eşikler aşıldığında uyarı verebilirler.</li><li><strong>Model-Based Reflex Agents (Model Tabanlı Refleks Ajanlar):</strong> Küme durumunun içsel bir temsilini sürdürürler. Geçici yavaşlamalar ile gerçek hatalar arasında ayrım yapabilir, tipik başlangıç ​​modellerini anlayan akıllı liveness probları gibi davranabilirler.</li><li><strong>Goal-Based Agents (Hedef Tabanlı Ajanlar):</strong> Tanımlanmış hedeflere ulaşmak için adımları planlarlar. Örneğin, düşük gecikme süresi veya kaynak kullanımı limitleri gibi performans hedeflerine ulaşmak için pod sayılarını veya düğüm yakınlığını ayarlayabilirler</li><li><strong>Utility-Based Agents (Fayda Tabanlı Ajanlar):</strong> Genel fayda fonksiyonunu maksimize etmek için olası sonuçları değerlendirirler. DevOps’ta, kaynak kullanımını, hizmetler arası gecikmeyi ve bulut maliyetlerini dengeleyerek verimli ve uygun maliyetli küme yapılandırmaları sunmak için pod zamanlamayı optimize ederler</li><li><strong>Learning Agents (Öğrenen Ajanlar):</strong> Geri bildirim ve deneyimlerden sürekli olarak davranışlarını iyileştirirler. Performans temel çizgilerini öğrenerek anormallikleri tespit edebilir ve yalnızca öğrenilen sapmalar meydana geldiğinde sizi uyarabilirler</li><li><strong>Hierarchical Agents (Hiyerarşik Ajanlar):</strong> Düşük seviyeli konteyner sağlık kontrollerinden yüksek seviyeli altyapı provizyonuna kadar birden çok katmanda kararları yönetirler. Ağ oluşturma, depolama ve uygulama dağıtımı gibi görevleri koordinasyon içinde yürütürler</li></ul><p><strong>Agentic DevOps’un temel özellikleri</strong> şunlardır:</p><p>• <strong>Otonom Problem Çözme:</strong> AI ajanları, manuel müdahale olmaksızın sorunları (kök neden analizi, iyileştirme ve eskalasyon) tespit eder ve çözer.</p><p>• <strong>Sürekli Öğrenme ve İyileşme:</strong> Ajanlar, sistem telemetrisi ve kullanıcı geri bildirimlerinden bir bilgi tabanı oluşturur ve günceller, zamanla en iyi uygulamaları keskinleştirir.</p><p>• <strong>Öngörücü ve Proaktif:</strong> Gerçek zamanlı olarak günlükleri ve metrikleri analiz ederek, ajanlar hataları tahmin eder ve kesintiler meydana gelmeden önce düzeltir.</p><ul><li><strong>Akıllı İşbirliği:</strong> Ajanlar, mühendislerle etkileşimli bir diyalog sürdürerek sohbet arayüzleri aracılığıyla içgörüler üretebilir, deneyler önerebilir veya politika güncellemeleri talep edebilir</li><li><strong>Çapraz Sistem Optimizasyonu:</strong> CI/CD hattını birbirine bağlı bir ekosistem olarak görerek, ajanlar depo iş akışlarını, derleme işlerini, yapıt depolamasını, test paketlerini ve çoklu ortam dağıtımlarını eş zamanlı olarak optimize eder. Optimal sonuçlar için ajanları net politikalar, performans bütçeleri ve geri alma stratejileri ile yapılandırmak önemlidir</li></ul><p><strong>DevOps Rollerindeki Dönüşüm ve Gerekli Beceriler</strong></p><p>AI, DevOps mühendisliği rollerini önemli ölçüde dönüştürmektedir. Mühendisler, manuel görevleri yürütmekten akıllı ajanları yönetmeye kaymaktadır. Rolleri artık rutin operasyonel görevlerden, AI ajanlarına karmaşık kenar durumları ele almayı öğreten <strong>koruyucu çitleri, politikaları tanımlama ve eğitim verme</strong>ye doğru kaymaktadır.</p><p>Geleneksel olarak kubectl komutlarını her dağıtım için manuel olarak çalıştırmak geride kaldı. AI destekli kontrolörler rutin operasyonları üstlenerek, mühendislerin iş akışları tasarlamalarına, politikalar tanımlamalarına ve otonom ajanları denetlemelerine olanak tanır.</p><p>Rutin görevler delege edildiğinde, odak noktanız yeni mimariler tasarlamak, maliyeti optimize etmek ve AI destekli işlem hatlarıyla iş değeri yaratmak bence daha güzel :)</p><p>Bu yeni AI odaklı DevOps ortamında başarılı olmak için çeşitli <strong>yeni beceriler ve yetkinlikler üzerine gidilmesi gerekli.!</strong></p><p>Nedir bunlar ?</p><p><strong>AI ve Makine Öğrenimi Temelleri:</strong> Algoritmalar, sinir ağları, NLP, model değerlendirme.</p><p>• <strong>Veri Bilimi ve Analizi:</strong> Veri hazırlığı, özellik mühendisliği, istatistiksel analiz, görselleştirme.</p><p>• <strong>İleri Programlama:</strong> Python, R, TypeScript, Go; AI Çerçeveleri (AutoGen, PyTorch, TensorFlow, LangChain).</p><p>• <strong>AI Etiği ve Yönetişimi:</strong> Önyargı tespiti, adalet metrikleri, düzenleyici uyumluluk.</p><ul><li><strong>Sistem Düşüncesi:</strong> Esnek mimariler, maliyet optimizasyonu, kendi kendini iyileştiren tasarım.</li><li><strong>Yumuşak Beceriler:</strong> İletişim, uyum yeteneği, yaratıcı problem çözme, sürekli öğrenme.</li></ul><h3><strong>AI Destekli Kubernetes Yönetiminin Faydaları</strong></h3><p>AI destekli Kubernetes yönetimi, manuel CLI ve kontrol paneli operasyonlarından gelişmiş, AI odaklı iş akışlarına evrilmiştir. Bu dönüşümün getirdiği <strong>temel faydalar</strong> şunlardır:</p><p><strong>Basitleştirilmiş Tanılama:</strong> AI, büyük hacimli telemetriyi manuel araştırmadan daha hızlı analiz eder.</p><p>• <strong>Otonom Görev Yürütme:</strong> Ajanlar, ölçeklendirme, kademeli güncellemeler ve temizlik gibi rutin operasyonları insan müdahalesi olmadan çalıştırır.</p><p>• <strong>Öngörücü Karar Verme:</strong> Makine öğrenimi modelleri, anormallikleri tespit eder ve kapasite veya arıza risklerini tahmin eder.</p><p>• <strong>Gelişmiş Güvenlik Durumu:</strong> Sürekli güvenlik açığı taraması ve tehdit tespiti, saldırıları önlemeye yardımcı olur. <strong>Not:</strong> AI ajanları, gelişen güvenlik politikaları ve uyumluluk gereksinimleri ile uyumlu olmalarını sağlamak için düzenli olarak denetlenmelidir.</p><ul><li><strong>Daha Hızlı Teslimat :</strong> AI destekli CI/CD, daha güvenli, daha hızlı yayınlar için canary, blue/green ve A/B dağıtımlarını entegre eder.</li></ul><p>AI odaklı yönetim ajanları, çalışma süresi, performans SLA’ları, güvenlik standartları ve bütçe limitleri gibi üst düzey hedeflerinizi öğrenir ve bunları eylemlere dönüştürür. Küme katmanları arasında (durumsuz, durumlu, ML iş yükleri) AI ajanları gerçek zamanlı günlükleri, metrikleri ve olayları gözlemler, politika tabanlı ölçeklendirme, güncellemeler ve yedeklemeler uygular ve arızalarda kendi kendini iyileştirme rutinlerini yürütür. Bu, ekiplerin mimari ve stratejiye odaklanmasını sağlar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*YfYuaPhhNt1ZpVjy.png" /></figure><h4>Anlattığım bu dönüşümün pratikte kısmen nasıl hayat bulduğunu görmek için, şimdi <strong>k8sgpt özelinde kapsamlı bir değerlendirme ve örnek uygulamaya</strong> geçelim.</h4><p>k8sgpt projesinin GitHub deposundan alınan bilgilere dayanarak hazırladım.</p><p>Kaynak : <a href="https://github.com/k8sgpt-ai/k8sgpt">https://github.com/k8sgpt-ai/k8sgpt</a></p><p>Kubernetes, modern uygulama dağıtımları için standart haline gelmiş olsa da, yönetimi ve sorun giderme süreçleri oldukça karmaşık olabilir. İşte bu noktada <strong>K8sGPT</strong>, “herkese Kubernetes süper güçleri kazandırma” misyonuyla devreye giriyor. K8sGPT, Kubernetes kümelerinizi tarayan, sorunları teşhis eden ve bu sorunları basit İngilizce ile açıklayan açık kaynaklı bir araçtır. Sektördeki Site Reliability Engineer (SRE) deneyimini kendi analizörlerine kodlayarak, en ilgili bilgileri yapay zeka ile zenginleştirip size sunar.</p><p>Bu makalede, K8sGPT’nin ne olduğunu, nasıl kurulup kullanılacağını ve Kubernetes yönetim süreçlerinizi nasıl kolaylaştırabileceğini detaylı bir şekilde inceleyeceğiz.</p><p><strong>K8sGPT Nedir ve Nasıl Çalışır?</strong></p><p>K8sGPT, temel olarak kümenizdeki potansiyel sorunları tespit etmek için <strong>“analizörler” (analyzers)</strong> kullanır. Bu analizörler, SRE tecrübeleriyle donatılmıştır ve kümenizdeki farklı kaynakları (Pod, Service, Deployment vb.) tarayarak sorunları ortaya çıkarır.</p><p><strong>Varsayılan Olarak Etkin Olan Analizörler</strong></p><ul><li>podAnalyzer</li><li>pvcAnalyzer</li><li>rsAnalyzer</li><li>serviceAnalyzer</li><li>eventAnalyzer</li><li>ingressAnalyzer</li><li>statefulSetAnalyzer</li><li>deploymentAnalyzer</li><li>jobAnalyzer</li><li>cronJobAnalyzer</li><li>nodeAnalyzer</li><li>mutatingWebhookAnalyzer</li><li>validatingWebhookAnalyzer</li><li>configMapAnalyzer</li></ul><p>opsiyon olarak ise</p><h4>Opsiyoneller ise</h4><ul><li>hpaAnalyzer</li><li>pdbAnalyzer</li><li>networkPolicyAnalyzer</li><li>gatewayClass</li><li>gateway</li><li>httproute</li><li>logAnalyzer</li><li>storageAnalyzer</li><li>securityAnalyzer</li><li>CatalogSource</li><li>ClusterCatalog</li><li>ClusterExtension</li><li>ClusterService</li><li>ClusterServiceVersion</li><li>OperatorGroup</li><li>InstallPlan</li><li>Subscription</li></ul><p>K8sGPT, tespit ettiği sorunları daha anlaşılır hale getirmek için çeşitli <strong>Büyük Dil Modeli (LLM) yapay zeka sağlayıcıları</strong> ile entegre çalışır. Bu entegrasyon sayesinde, teknik hataları insan diline çevirerek size çözüm önerileri sunar.</p><p>Desteklenen bazı yapay zeka sağlayıcıları şunlardır:</p><pre>Default:<br>&gt; openai<br>Active:<br>Unused:<br>&gt; openai<br>&gt; localai<br>&gt; ollama<br>&gt; azureopenai<br>&gt; cohere<br>&gt; amazonbedrock<br>&gt; amazonsagemaker<br>&gt; google<br>&gt; huggingface<br>&gt; noopai<br>&gt; googlevertexai<br>&gt; watsonxai<br>&gt; customrest<br>&gt; ibmwatsonxai</pre><p><strong>Öne Çıkan Özellikler</strong></p><p><strong>1. Anonimleştirme (Anonymization)</strong></p><p>Üretim ortamlarında veya hassas verilerle çalışırken, küme bilgilerini (obje isimleri, etiketler vb.) genel bir yapay zeka sağlayıcısına göndermek güvenlik riski oluşturabilir. K8sGPT, bu soruna <strong>anonimleştirme özelliği</strong> ile çözüm sunar.</p><p>--anonymize bayrağı ile bir analiz çalıştırdığınızda, hassas veriler (örneğin, &quot;fake-deployment&quot; adlı bir StatefulSet) yapay zeka sağlayıcısına gönderilmeden önce maskelenir (&quot;tGLcCRcHa1Ce5Rs&quot; gibi). Yapay zekadan gelen yanıt size geri döndüğünde, bu maskelenmiş veriler orijinal isimleriyle değiştirilir</p><p><strong>Önemli</strong></p><p>• Bu özellik şu an için Events (Olaylar) analizöründe tam olarak uygulanmamaktadır, çünkü olay mesajlarındaki hassas bilgileri maskelemek daha karmaşıktır.</p><p>• K8sGPT ekibi, <strong>kritik üretim ortamlarında verilerin dışarı sızma riskini tamamen ortadan kaldırmak için yerel bir model (local model) kullanılmasını önermektedir</strong>.</p><p><strong>2. Filtreleme ve Esnek Analiz</strong></p><p>Analizlerinizi belirli kaynaklara veya isim alanlarına (namespace) odaklamak için filtreler kullanabilirsiniz.</p><p>• <strong>Belirli bir kaynağı filtreleme:</strong></p><p>• <strong>Belirli bir isim alanını filtreleme:</strong></p><p>Ayrıca k8sgpt filters komutlarıyla varsayılan olarak çalıştırılacak analizörleri yönetebilirsiniz</p><p><strong>3. Entegrasyonlar ve Sunucu Modu (Serve Mode)</strong></p><p>K8sGPT, serve komutuyla bir sunucu olarak çalışabilir. --mcp bayrağı ile <strong>Model Context Protocol (MCP)</strong> sunucusunu etkinleştirebilirsiniz. Bu özellik, K8sGPT&#39;nin <strong>Claude Desktop</strong> gibi harici araçlarla entegre olmasını sağlar ve küme analizi, sağlık durumu sorguları ve yapay zeka destekli öneriler gibi yetenekleri bu araçlar üzerinden sunar</p><p><strong>4. Özel Analizörler (Custom Analyzers)</strong></p><p>K8sGPT’nin yerleşik analizörlerinin yanı sıra, kendi ihtiyaçlarınıza yönelik olarak istediğiniz bir programlama dilinde özel analizörler de yazabilirsiniz. Bu analizörleri K8sGPT yapılandırma dosyanıza ekleyerek tarama sürecine dahil edebilirsiniz.</p><p><strong>5. Uzak Önbellekleme (Remote Caching)</strong></p><p>K8sGPT, analiz sonuçlarını önbelleğe alarak performansı artırır. Varsayılan olarak yerel bir yapılandırma dosyası kullanır. Ancak, önbelleği uzakta depolamak için <strong>AWS S3</strong>, <strong>Azure Blob Storage</strong> veya <strong>Google Cloud Storage</strong> gibi hizmetlerle entegrasyonu destekler.</p><p>K8sGPT, Kubernetes ekosistemindeki önemli bir boşluğu doldurarak, karmaşık sorun giderme süreçlerini basitleştiriyor ve yapay zekanın gücünü SRE’lerin ve DevOps mühendislerinin parmaklarının ucuna getiriyor. Anonimleştirme gibi güvenlik odaklı özellikleri, esnek entegrasyon yetenekleri ve genişletilebilir yapısıyla hem yeni başlayanlar hem de deneyimli profesyoneller için değerli bir araçtır. Kubernetes kümelerinizle çalışırken harcadığınız zamanı azaltmak ve verimliliğinizi artırmak istiyorsanız, K8sGPT’yi mutlaka denemelisiniz.</p><p>O zaman deneyelim ;)</p><p>Bu makalemde K8sGPT’yi <strong>operator olmadan</strong>, yalnızca <strong>CLI</strong> üzerinden nasıl kullanabileceğimizi inceleyeceğiz. Ayrıca analizlerde <strong>OpenAI ChatGPT</strong>4.1 pro <strong>API Key</strong> kullanarak daha güçlü açıklamalar elde etmeyi umuyorum.</p><p>K8sGPT’yi operator ile değil, doğrudan CLI aracıyla kurmak istiyoruz. Bunun için GitHub deposundan binary indirmek veya brew ile kurulum yapmak mümkün</p><p>Ben kubernetes clusterım üzerine kuracağım CLI o yüzden linux</p><pre>curl -L https://github.com/k8sgpt-ai/k8sgpt/releases/download/v0.4.25/k8sgpt_Linux_x86_64.tar.gz -o k8sgpt.tar.gz</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*A7vJaudxhSBV2BjhDpexFw.png" /></figure><pre>tar -xvzf k8sgpt.tar.gz<br>chmod +x k8sgpt<br>sudo mv k8sgpt /usr/local/bin/</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*pBUrNOsT6lPrV0-2nHtTDA.png" /></figure><p>API Anahtarının Eklenmesi</p><p>K8sGPT, analizleri daha anlamlı hâle getirmek için LLM (Large Language Model) arka uçları kullanır. Biz bu makalede <strong>OpenAI ChatGPT</strong>4.1 pro modelini tercih ediyoruz.</p><p>API anahtarını K8sGPT’ye tanıtmak için:</p><pre>k8sgpt auth add --backend openai --model gpt-4.1  --password </pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*L8vTRoco_ykNKy63POpUEg.png" /></figure><pre>k8sgpt auth list</pre><p>ile doğrulama yapıyoruz</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/563/1*F4a80WrawBXsfrdxRKWy7Q.png" /></figure><p>Active : kısmında openai görüyoruz.</p><p>Kurulum işlemini bitirdik. Sıra geldi kullanımına ;)</p><p>Temel Analizörler den yazının başında bahsetmiştik , şimdi bazılarının kullanımlarını görelim.</p><h4>PodAnalyzer</h4><p>Pod’ların durumlarını analiz eder (CrashLoopBackOff, ImagePullBackOff, vs.)</p><p>Kullanmaya başlamadan önce , clusterım üzerinde problemli bir pod create ediyorum</p><pre>apiVersion: v1<br>kind: Pod<br>metadata:<br>  name: webapp-configmap-fail<br>spec:<br>  containers:<br>    - name: app-container<br>      image: busybox<br>      command: [&quot;/bin/sh&quot;, &quot;-c&quot;, &quot;cat /etc/config/settings.conf&quot;]<br>      volumeMounts:<br>        - name: config<br>          mountPath: /etc/config<br>  volumes:<br>    - name: config<br>      configMap:<br>        name: my-missing-configmap # Bu configMap yok!</pre><p>Bu pod:</p><ul><li>CrashLoopBackOff durumuna düşer. ve podun describe baktığımızda</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*hKXRLFjLV9AmSJEQqFW-Cw.png" /></figure><p>açık şekilde</p><p>Warning FailedMount 40s (x16 over 17m) kubelet MountVolume.SetUp failed for volume “config” : configmap “my-missing-configmap” not found hatasını görüyoruz.</p><blockquote><em>Bu durumda AI “ConfigMap bulunamadı, mount edilen dosya eksik” gibi daha faydalı bir teşhis vermesini ve yorumlamasını bekliyorum , bakalım nasıl bir yorum ve çözüm önerecek bize :)</em></blockquote><p>Komutumuz şu şekilde</p><pre>k8sgpt analyze --explain --filter Pod</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ipZkLZ13BzdvGxiF1zLCFw.png" /></figure><p>Çıktıya beraber bakalım</p><pre>0: Pod default/webapp-configmap-fail()<br>Hata: &quot;config&quot; isimli volume için MountVolume.SetUp işlemi başarısız oldu: configmap &quot;my-missing-configmap&quot; bulunamadı.<br>Açıklama: Pod&#39;unuzun ihtiyaç duyduğu &quot;my-missing-configmap&quot; isimli configmap eksik olduğu için volume bağlanamıyor.<br><br>Çözüm:<br>Aşağıdaki komutla configmap&#39;i oluşturun:<br><br>kubectl create configmap my-missing-configmap --from-literal=key=value<br><br>2.Ardından pod&#39;unuzu yeniden dağıtın (re-deploy).</pre><h4><em>:) bence gayet başarılı bir çıktı</em></h4><p>Farklı çıktı yöntemleri üzerine çalışalım şimdi mesela çıktıyo json olarak vermesini isteyelim</p><pre>k8sgpt analyze --explain --filter Pod --output json</pre><p>Çıktımız şu şekilde</p><pre>{<br>  &quot;provider&quot;: &quot;openai&quot;,<br>  &quot;errors&quot;: null,<br>  &quot;status&quot;: &quot;ProblemDetected&quot;,<br>  &quot;problems&quot;: 1,<br>  &quot;results&quot;: [<br>    {<br>      &quot;kind&quot;: &quot;Pod&quot;,<br>      &quot;name&quot;: &quot;default/webapp-configmap-fail&quot;,<br>      &quot;error&quot;: [<br>        {<br>          &quot;Text&quot;: &quot;MountVolume.SetUp failed for volume \&quot;config\&quot; : configmap \&quot;my-missing-configmap\&quot; not found&quot;,<br>          &quot;KubernetesDoc&quot;: &quot;&quot;,<br>          &quot;Sensitive&quot;: []<br>        }<br>      ],<br>      &quot;details&quot;: &quot;Error: The configmap \&quot;my-missing-configmap\&quot; needed by your pod is missing, so the volume can&#39;t mount.\n\nSolution: 1. Create the configmap with kubectl create configmap my-missing-configmap --from-literal=key=value. 2. Re-deploy your pod.&quot;,<br>      &quot;parentObject&quot;: &quot;&quot;<br>    }<br>  ]<br>}</pre><p>Biraz daha farklı bir yöntem kullanalım şimdi. — interactive flag kullanalım</p><pre>k8sgpt analyze --explain --interactive --filter  Pod</pre><p>Çıktımız şu şekilde</p><p>Input kısmına “Çıktıyı bana türkçe olarak verirmisin “ diyorum. Yorumladığı hata yı türkçe ye çevirmesini sağlıyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*CGTZY-Laf0Uvin1deeaidg.png" /></figure><p>interactive olarak devam ediyorum ve bana bir configmap yaml şablonu vermesini istiyorum</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*SOWPmgVe1HtxEyejqzXOkg.png" /></figure><blockquote>Aslında bu durum bizi çok şaşırtmadı; çünkü bildiğiniz gibi ChatGPT ile API anahtarı üzerinden bağlantı kurduğumuzda karşımızda standart bir yapay zekâ yer alıyor. Aslında bu noktada K8sGPT’nin <strong>“neden var?”</strong> sorusuna geliyoruz.<br>Evet, zaten bir pod’un hatasını (kubectl describe pod … veya kubectl logs …) alıp yapıştırıp her hangi bir AI sorabilirsin.Oda log’u veya eventi analiz eder.</blockquote><blockquote>Ancak burada değerli olan, Kubernetes cluster’ı dışına çıkmadan, doğrudan bir pod içerisinde yaşadığım problemi yapay zekâ ile değerlendirme imkânı sunması. Bu da bana ciddi ölçüde zaman kazandırıyor.</blockquote><p><strong>Otomasyon &amp; Süreklilik</strong></p><ul><li>Tek tek pod/log/event kopyalayıp GPT’ye yapıştırmana gerek yok.</li><li>k8sgpt analyze dediğinde kümedeki tüm pod’ları, servisleri, PVC’leri, node’ları otomatik tarar.</li><li>Yani manual “describe + kopyala + sor” adımlarını ortadan kaldırıyor.</li></ul><p><strong>Kapsamlı Tarama (Multi-Analyzer)</strong></p><ul><li>Sadece bir pod değil; aynı anda Pod, Service, PVC, Node, Ingress, HPA vs. hepsini inceleyebiliyor.</li><li>Böylece senin aklına gelmeyen ama cluster’da ciddi sorun olan bir şeyi yakalayabiliyor.</li></ul><p><strong>Context Awareness (Bağlamı kendi çıkarıyor)</strong></p><ul><li>kubectl ile baktığında tek resource görürsün.</li><li>K8sGPT pod ile PVC arasındaki ilişkiyi, deployment ile replica set uyumsuzluğunu kendisi bağdaştırıyor.</li></ul><p><strong>Açıklama (Explain Mode)</strong></p><ul><li>Tekrar teknik döküman taramana gerek kalmadan, hatayı plain English (ya da Türkçe seçersen) sana açıklıyor.</li><li>Örn: “Pod CrashLoopBackOff çünkü env var tanımlanmamış, deployment’taki secret yok.”</li></ul><p><strong>Anonymization</strong></p><ul><li>--anonymize ile cluster adlarını, label’ları maskeliyor.</li><li>Yani isimler sızmadan GPT tarafında işlenebiliyor (özellikle kurumsal güvenlik açısından önemli).</li></ul><p><strong>İnteraktif Mod</strong></p><ul><li>--interactive ile “sadece hatayı gösterme, bana çözüm yolu da anlat” şeklinde adım adım diyalog başlatabiliyorsun.</li></ul><p>Özetle</p><p><em>Aslında K8sGPT’nin yaptığı işi manuel olarak da yapabiliriz: Pod’un loglarını alıp bir yapay zekâya sorarız. Ancak K8sGPT burada işi otomatikleştiriyor, bütün cluster’ı tarıyor, ilişkili objeleri çapraz kontrol ediyor ve çıktıları doğrudan okunabilir bir formatta bize sunuyor. Yani LLM zekâsı aynı, ama kullanım kolaylığı ve hız kazancı farklı.</em></p><blockquote>Şimdi tek tek yerine Analizörler beraber kullanıp çıktılara bakalım</blockquote><p>Öncelikle <em>K8sGPT için </em><strong>bilerek hatalar</strong> olan küçük bir uygulama kuracağız (aynı namespace’te Pod + Service + PVC + Ingress). Sonra bunu <strong>k8sgpt</strong> ile taratacağız.</p><p>Hatalı örnek manifest şu şekilde</p><pre>apiVersion: v1<br>kind: Namespace<br>metadata:<br>  name: demo-analyze<br>---<br>apiVersion: v1<br>kind: PersistentVolumeClaim<br>metadata:<br>  name: web-pvc<br>  namespace: demo-analyze<br>spec:<br>  accessModes:<br>    - ReadWriteOnce<br>  resources:<br>    requests:<br>      storage: 1Gi<br>  # Kasıtlı hata: Kümende olmayan storageClass<br>  storageClassName: nonexistent-sc<br>---<br>apiVersion: v1<br>kind: Pod<br>metadata:<br>  name: web-pod<br>  namespace: demo-analyze<br>  labels:<br>    app: web<br>    tier: front   # Kasıtlı: &#39;front&#39; yazdık<br>spec:<br>  volumes:<br>    - name: web-data<br>      # Kasıtlı hata: PVC adı yanlış (web-pvc yerine web-pv)<br>      persistentVolumeClaim:<br>        claimName: web-pv<br>  containers:<br>    - name: app<br>      image: nginx:1.25.5<br>      ports:<br>        - containerPort: 8080   # Nginx aslında 80&#39;de dinler; probe&#39;lar da 8080&#39;e bakıyor<br>      readinessProbe:<br>        httpGet:<br>          path: /<br>          port: 8080<br>        initialDelaySeconds: 5<br>        periodSeconds: 5<br>      livenessProbe:<br>        httpGet:<br>          path: /<br>          port: 8080<br>        initialDelaySeconds: 10<br>        periodSeconds: 10<br>      volumeMounts:<br>        - name: web-data<br>        # Kasıtlı: Var sayılan web içeriğine mount ediyoruz, ama PVC zaten bağlanamayacak<br>          mountPath: /usr/share/nginx/html<br>---<br>apiVersion: v1<br>kind: Service<br>metadata:<br>  name: web-svc<br>  namespace: demo-analyze<br>spec:<br>  # Kasıtlı hata: selector &#39;frontend&#39; ama Pod etiketi &#39;front&#39;<br>  selector:<br>    app: web<br>    tier: frontend<br>  ports:<br>    - name: web<br>      port: 80<br>      targetPort: 8080<br>---<br>apiVersion: networking.k8s.io/v1<br>kind: Ingress<br>metadata:<br>  name: web-ing<br>  namespace: demo-analyze<br>  annotations:<br>    nginx.ingress.kubernetes.io/rewrite-target: /<br>spec:<br>  # Kasıtlı: Kümende bu IngressClass yoksa ayrıca uyarı verir<br>  ingressClassName: nginx<br>  rules:<br>    - host: demo.local<br>      http:<br>        paths:<br>          - path: /<br>            pathType: Prefix<br>            backend:<br>              service:<br>                name: web-svc<br>                # Kasıtlı hata: Service port adı &#39;web&#39;, burada &#39;http&#39; istiyoruz<br>                port:<br>                  name: http</pre><p>Bu yaml k8sgpt-lab.yaml diyerek cluster içine kaydedip apply ediyorum</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/713/1*CFk5H-Urn691i9xP5KE2OA.png" /></figure><p>sonrasında bakalım istediklerimiz oluş mu ya da hata veriyor mu :)</p><pre>kubectl -n demo-analyze get pod,svc,pvc,ing</pre><p>evet hepsi oluşmuş ve bilerek uyguladığımız hataları almış</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*99TkpXZmzpX-pkbieVRjsQ.png" /></figure><pre>k8sgpt analyze --explain --interactive -n demo-analyze \<br>  --filter Pod \<br>  --filter Service \<br>  --filter PersistentVolumeClaim \<br>  --filter Ingress</pre><p>Şimdi komutumuzu uyguluyoruz</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*d5nB8UVfvOfx3e69MCBuGw.png" /></figure><p>Çıktı gayet başarılı</p><pre>0904 11:04:59.821348   32631 warnings.go:70] v1 Endpoints is deprecated in v1.33+; use discovery.k8s.io/v1 EndpointSlice<br> 100% |█████████████████████████████████████████████████████████████████████████████████████████████████| (4/4, 31 it/min)        <br>AI Provider: openai<br><br>0: Pod demo-analyze/web-pod()<br>- Error: 0/1 nodes are available: persistentvolumeclaim &quot;web-pv&quot; not found. not found<br>Error: Kubernetes can&#39;t find the PersistentVolumeClaim &quot;web-pv&quot;, so your pod can&#39;t start.<br><br>Solution: 1. Check if &quot;web-pv&quot; PVC exists: kubectl get pvc. 2. If missing, create it with the correct YAML. 3. Reapply your deployment.<br>1: PersistentVolumeClaim demo-analyze/web-pvc()<br>- Error: storageclass.storage.k8s.io &quot;nonexistent-sc&quot; not found<br>Error: The StorageClass named &quot;nonexistent-sc&quot; does not exist in your Kubernetes cluster.  <br>Solution: 1. Check the correct StorageClass name with kubectl get storageclass. 2. Update your resource to use an existing StorageClass or create &quot;nonexistent-sc&quot; if needed.<br>2: Service demo-analyze/web-svc()<br>- Error: Service has no endpoints, expected label app=web<br>- Error: Service has no endpoints, expected label tier=frontend<br>Error: The Service can&#39;t find any Pods because none have the labels app=web and tier=frontend.<br><br>Solution: 1. Edit your Pod spec to include labels app=web and tier=frontend. 2. Apply the changes. 3. Wait for Pods to be ready. 4. Check Service endpoints again.<br>3: Ingress demo-analyze/web-ing()<br>- Error: Ingress uses the ingress class nginx which does not exist.<br>Error: Your Ingress is set to use the &quot;nginx&quot; ingress class, but no such ingress controller is installed or recognized.<br><br>Solution: 1. Install the nginx ingress controller. 2. Check ingressClassName matches the controller. 3. Apply changes and retry.</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*h_ITZEAxBqz8lnYxSdLRTg.png" /></figure><p>Türkçeye çevirmesini istiyorum Input girerek</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*GnBTfMi5XhT89Ty-8VG7TA.png" /></figure><p>### Namespace İçinde Birden Fazla Kaynağın Analizi</p><p><em>Önce hatalı bir uygulama deploy ettik (Pod, PVC, Service, Ingress). Ardından K8sGPT ile aynı namespace içinde **tüm bu kaynakları tarattık**:</em></p><p>k8sgpt analyze — explain — interactive -n demo-analyze \<br> — filter Pod \<br> — filter Service \<br> — filter PersistentVolumeClaim \<br> — filter Ingress</p><p>Burada --interactive flag’i sayesinde hataları gördükten sonra K8sGPT’ye ek sorular sorarak çözüm yollarını detaylı öğrenebiliyoruz.</p><p><strong>Analiz Sonuçları (özet):</strong></p><ul><li><strong>Pod (web-pod):</strong> PVC bulunamadığı için başlatılamıyor.</li><li><strong>PVC (web-pvc):</strong> StorageClass mevcut değil.</li><li><strong>Service (web-svc):</strong> Pod etiketleri ile uyuşmuyor, endpoint yok.</li><li><strong>Ingress (web-ing):</strong> Kullanılan ingressClass (“nginx”) kümeye tanımlı değil.</li></ul><p>K8sGPT bu hataları otomatik tespit edip, çözüm önerilerini de adım adım sunmuş oldu</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e6ab23bf682d" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Kubernetes Dinamik Kaynak Tahsisi (DRA) ile Verimli Yönetim (v1.34)]]></title>
            <link>https://medium.com/@mtolgatekin/kubernetes-dinamik-kaynak-tahsisi-dra-ile-verimli-y%C3%B6netim-v1-34-36a70551062f?source=rss-600b587569b3------2</link>
            <guid isPermaLink="false">https://medium.com/p/36a70551062f</guid>
            <dc:creator><![CDATA[Tolga Tekin]]></dc:creator>
            <pubDate>Mon, 01 Sep 2025 06:34:18 GMT</pubDate>
            <atom:updated>2025-09-01T06:34:18.630Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*zjqNPn8FllMbJpHOM4mEgQ.png" /></figure><p>Bu yazımda Kubernetes v1.34 sürümü ile tanıtılan Dinamik Kaynak Tahsisi (DRA) özelliğinin, özellikle GPU ve NIC (RDMA destekli ağ kartı) gibi donanım kaynaklarının yönetimi ve tahsisinde getirdiği temel iyileştirmeleri ve önemli değişiklikleri özetlemek istedim.</p><p>Kubernetes v1.34 öncesinde (v1.33 ve öncesi), donanım kaynakları “var mı/yok mu” temelinde, kaba taneli bir şekilde tahsis ediliyordu. Bu durum, özellikle yüksek performanslı ve özelleştirilmiş donanımlar için verimsizliklere ve manuel yapılandırma gereksinimlerine yol açıyordu. DRA ile bu paradigmada köklü bir değişim yaşanmıştır.</p><p>1. Dinamik ve Paylaşılabilir Kaynak Tahsisi:</p><ul><li>Önce: Kaynaklar (örneğin GPU’lar) bölünemez kabul ediliyordu. Bir GPU, tek bir Pod’a atanır ve Pod az kaynak kullansa bile tüm GPU’yu kilitlerdi. “GPU’lar sadece “var mı/yok mu” düzeyinde tahsis ediliyordu.”</li><li>Sonra (DRA ile): Artık kaynaklar paylaşılabilir hale geldi. “Aynı node’daki A100 GPU’yu 2 Pod paylaşabilir hale geliyor.” Pod’lar, ResourceClaim tanımlayarak kaynakları paylaşılabilir olarak talep edebilirler. Bu, özellikle maliyet etkinliği ve kaynak kullanımı açısından büyük bir ilerlemedir.</li></ul><p>2. Gelişmiş Filtreleme ve Koşullu Tahsis Yeteneği:</p><ul><li>Önce: Kaynak tahsisinde herhangi bir filtreleme veya koşul belirleme yeteneği yoktu. Örneğin, bir GPU’nun fiziksel yuvası veya özellikleri seçilemezdi. “GPU’nun fiziksel slot’u ya da özellikleri seçilemezdi (örneğin “bu GPU sadece slot-2’de olsun” gibi filtre yapılamazdı).”</li><li>Sonra (DRA ile): Pod’lar artık resource.k8s.io API’si ile kaynakların (GPU’nun yuvası, belleği, türü gibi) özelliklerine göre filtreleme yapabilir. “Pod, resource.k8s.io API ile GPU’nun slot’una, belleğine veya türüne göre filtreleme yapabiliyor.” Örneğin:</li><li>constraints:</li><li>- matchAttribute: “topology.pcie.slot”</li><li>in: [“slot-2”]</li><li>Bu özellik, özellikle belirli performans veya donanım gereksinimleri olan uygulamalar için kritik öneme sahiptir.</li></ul><p>3. Otomatik ve Akıllı Ağ Donanımı Yönetimi (NIC Örneği):</p><ul><li>Önce: NIC’ler (ağ kartları) için özel eklentiler gerekiyordu ve Kubernetes, hangi NIC’in hangi Pod’a atanacağını bilemezdi. RDMA gibi özel yetenekler manuel olarak yapılandırılıyordu ve scheduler rastgele dağıtım yapardı. “Ağ kartının yeteneklerine göre otomasyon mümkün değildi.”</li><li>Sonra (DRA ile): NIC’ler DeviceClass ile tanımlanabilir hale geldi (örneğin nic-rdma-100g). Pod’lar belirli deviceClassName ve satıcı gibi niteliklere göre NIC talep edebilir. “Pod şunu talep edebiliyor: deviceClassName: nic-rdma-100g constraints: — matchAttribute: “vendor” in: [“Mellanox”].” Scheduler bu taleplere uygun düğümleri seçer ve bağlantıyı otomatik olarak yapar. “Ağ kartı da tıpkı GPU gibi ‘akıllıca ve filtreli’ tahsis edilebiliyor.” Bu, HPC (Yüksek Başarımlı Hesaplama) gibi uygulamalar için ağ performansında önemli otomasyon ve verimlilik sağlar.</li></ul><p>4. Kubernetes Native Yönetim ve Yönetim Kolaylığı:</p><ul><li>Önce: Özel eklentiler ve manuel yapılandırmalar gerektiren karmaşık bir yönetim modeli mevcuttu.</li><li>Sonra (DRA ile): Kaynak yönetimi, Kubernetes’in yerel API’leri aracılığıyla yapılır (DRA API ile Kubernetes native olarak yönetir). Bu, yönetim yükünü azaltır, otomasyonu artırır ve daha tutarlı bir operasyonel deneyim sunar.</li></ul><p>Özetle ;</p><p>Eski Versiyon (v1.33 ve öncesi)Yeni Versiyon (v1.34 DRA ile)GPU Paylaşımı1 GPU sadece 1 Pod’a atanır, paylaşım yokGPU paylaştırılabilir, slot bazlı filtre yapılabilirNIC SeçimiRastgele NIC atanır, RDMA elle yapılandırılırPod hangi NIC’i istediğini belirtebilir, filtre + otomatik bağlamaFiltrelemeYok, sadece “kullansın” denirCEL ile slot, vendor, memory gibi filtreleme yapılabilirYönetimElle plugin + custom config gerekirDRA API ile Kubernetes native olarak yönetirDRA özelliği, Kubernetes’in donanım kaynaklarını yönetme yeteneğini önemli ölçüde geliştirerek, kaynak verimliliğini, otomasyonu ve esnekliği artırmıştır. Özellikle GPU ve yüksek performanslı ağ donanımları gibi kritik kaynakların daha akıllıca ve kontrollü bir şekilde kullanılmasını sağlayarak modern bulut yerel uygulamalar için önemli faydalar sunmaktadır.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=36a70551062f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Kubernetes v1.34: Of Wind & Will (O’ WaW) çıktı ;)]]></title>
            <link>https://medium.com/@mtolgatekin/kubernetes-v1-34-of-wind-will-o-waw-%C3%A7%C4%B1kt%C4%B1-6373fed7465b?source=rss-600b587569b3------2</link>
            <guid isPermaLink="false">https://medium.com/p/6373fed7465b</guid>
            <dc:creator><![CDATA[Tolga Tekin]]></dc:creator>
            <pubDate>Thu, 28 Aug 2025 13:25:55 GMT</pubDate>
            <atom:updated>2025-08-28T13:25:55.829Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*zjqNPn8FllMbJpHOM4mEgQ.png" /></figure><p>Kubernetes v1.34: Of Wind &amp; Will (O’ WaW) çıktı ;)</p><p>Kubernetes v1.34 sürümü, platformun kararlılığını, güvenliğini, performansını ve yönetilebilirliğini artıran 58 iyileştirme ile birlikte geliyor. Bu iyileştirmelerin 23&#39;ü Kararlı (Stable), 22&#39;si Beta ve 13&#39;ü Alpha aşamasına geçti.</p><p>v1.34 sürüm döngüsü: 19 Mayıs 2025&#39;ten 27 Ağustos 2025&#39;e kadar 15 hafta sürdü.</p><p>Katkılar: Kubernetes’e 106 farklı şirketten ve 491 bireyden katkı alındı. Daha geniş bulut yerel ekosisteminde ise bu rakam 370 şirkete ve 2235 toplam katkıda bulunana yükseliyor.</p><p>Rodolfo “Rodo” Martínez Vega’nın Anısına: Bu sürüm, Kubernetes topluluğuna, özellikle Release Team’e yaptığı önemli katkılar ve Cloud Native LATAM topluluğunu geliştirmedeki rolüyle iz bırakan</p><p>Rodolfo “Rodo” Martínez Vega’nın anısına adanmış.</p><p>1. Dinamik Kaynak Tahsisi (DRA) Gelişmeleri</p><p>DRA, GPU’lar, TPU’lar ve NIC’ler gibi cihazların seçimi, tahsisi, paylaşımı ve yapılandırılması için daha güçlü yollar sunarak kaynak yönetimini devrim niteliğinde geliştiriyor.</p><p>Kararlı: DRA’nın çekirdeği (resource.k8s.io/v1 API’leri), yapılandırılmış parametreler kullanarak cihazları talep etme yeteneği ile Genel Kullanıma (GA) sunuldu. Bu, depolama birimleri için dinamik sağlama işleminden ilham alıyor ve ResourceClaim, DeviceClass, ResourceClaimTemplate ve ResourceSlice gibi API türlerine dayanıyor.</p><p>Beta’daki DRA Özellikleri:Güvenli Kaynak İzleme için Yönetici Erişimi: Cluster operatörlerinin izleme veya tanı amacıyla başkaları tarafından kullanılan cihazlara erişmesine izin veren adminAccess alanı tanıtıldı. Bu, resource.k8s.io/admin-access: “true” etiketli ad alanlarıyla sınırlıdır.</p><p>ResourceClaims ve ResourceClaimTemplates’ta Öncelikli Alternatifler: firstAvailable alanı, iş yüklerinin tek bir yüksek performanslı GPU yerine iki orta seviye GPU gibi farklı şekillerde karşılanmasını sağlayan sıralı bir liste sunar.</p><p>Kubelet Tahsis Edilen DRA Kaynaklarını Bildiriyor: kubelet API’si, Pod’lar için tahsis edilen DRA kaynaklarını bildirecek şekilde güncellendi, bu da düğüm izleme aracılarına tahsis edilen DRA kaynaklarını keşfetme olanağı tanıyor.</p><p>Alpha’daki DRA Özellikleri:DRA için Kaynak Sağlık Durumu: Pod’un durumunda Pod’a tahsis edilen cihazların sağlık durumunu göstererek gözlemlenebilirliği artırıyor.</p><p>Genişletilmiş Kaynak Eşlemesi: DRA tarafından yönetilen kaynakları “genişletilmiş kaynaklar” olarak duyurmak için basit bir alternatif sunar, böylece mevcut iş yükleri değişiklik yapmadan DRA’yı kullanabilir.</p><p>DRA Tüketilebilir Kapasite: Kaynak sürücülerinin aynı cihazı veya bir cihazın bir bölümünü birden fazla ResourceClaim veya DeviceRequest arasında paylaşmasına olanak tanır, bu da daha iyi cihaz paylaşımı ve daha verimli zamanlama sağlar.</p><p>Cihaz Bağlama Koşulları: Dış kaynaklar (örneğin, bağlanabilir cihazlar) hazır olana kadar Pod’un bir Düğüme bağlanmasını geciktirerek zamanlama güvenilirliğini artırır.</p><p>2. Güvenlik ve Kimlik Doğrulama İyileştirmeleri</p><p>Sürüm, kimlik doğrulama, yetkilendirme ve genel güvenlik duruşunda önemli geliştirmeler içeriyor.</p><p>Kararlı:Yapılandırılmış Kimlik Doğrulama Yapılandırması: API sunucusu istemci kimlik doğrulamasını yönetmek için yeni bir yapılandırma dosyası formatı sunar, bu da yönetilebilirliği ve denetlenebilirliği artırır.</p><p>Seçicilere Dayalı Daha Ayrıntılı Yetkilendirme: Kubernetes yetkilendiricileri artık gelen isteklerdeki alan ve etiket seçicilerine göre yetkilendirme kararları alabilir, bu da en az ayrıcalık politikalarının uygulanmasını kolaylaştırır.</p><p>Anonim İstekleri İnce Tanımlı Kontrollerle Kısıtla: Anonim erişime tamamen izin vermek veya devre dışı bırakmak yerine, kimliği doğrulanmamış isteklerin izin verildiği uç noktaların katı bir listesini yapılandırma yeteneği sağlar.</p><p>Beta:Kubelet Görüntü Kimlik Bilgisi Sağlayıcıları için Yansıtılan ServiceAccount Token’ları: kubelet artık kısa ömürlü, hedef kitleye bağlı ServiceAccount token’ları isteyebilir, bu da görüntü çekme işlemleri için uzun ömürlü Gizlilere olan ihtiyacı ortadan kaldırarak güvenliği önemli ölçüde artırır.</p><p>Harici ServiceAccount Token İmzalama: Kubernetes dağıtımlarının ServiceAccount token imzalaması için Harici Anahtar Yönetim Çözümleriyle (KMS’ler) entegre olmasına olanak tanıyan bir ExternalJWTSigner gRPC hizmeti sunar.</p><p>Alpha:mTLS Kimlik Doğrulaması için Pod Sertifikaları: Pod’lar için X.509 sertifikaları elde etmek için yerleşik bir mekanizma sunarak API sunucusu ve diğer hizmetlerle mTLS kimlik doğrulaması için daha sağlam ve esnek bir kimlik mekanizması sağlar.</p><p>“Kısıtlı” Pod Güvenlik Standardı Artık Uzaktan Probları Yasaklıyor: host alanı ayarlanmamış veya bu tür bir prob kullanmayan Pod’lar artık yalnızca Kısıtlı Pod güvenlik standardını karşılar, bu da güvenlik kontrollerini atlama saldırılarını önlemeyi amaçlar.</p><p>3. Zamanlama ve Kaynak Yönetimi Gelişmeleri</p><p>Daha verimli ve esnek kaynak tahsisi ve Pod zamanlaması için iyileştirmeler.</p><p>Kararlı:Job’un Yedek Pod’larının Gecikmeli Oluşturulması: Job kontrolörlerinin, bir Pod tam olarak sonlandırıldığında (.status.phase: Failed) yedek Pod’ları oluşturmasını seçme yeteneği sunar, bu da kaynak çekişmesini azaltır.</p><p>Kube-scheduler’da Daha Verimli Yeniden Sıraya Koyma: Her zamanlama eklentisi artık, bir küme olayının daha önce zamanlanamayan bir Pod’u yeniden zamanlanabilir hale getirme olasılığını söyleyen geri arama işlevleri kaydedebilir.</p><p>Beta:Pod Düzeyinde Kaynak İstekleri ve Limitleri: Çok kapsayıcılı Pod’lar için genel bir kaynak bütçesi tanımlama yeteneği sunar, bu da kaynak yönetimini basitleştirir ve daha doğru zamanlamaya yol açar.</p><p>Kube-scheduler Engellemeyen API Çağrıları: Zamanlama gecikmesini azaltan ve API gecikmeleri sırasında zamanlayıcı iş parçacığı açlığını önleyen öncelikli bir kuyruk sistemi aracılığıyla eşzamansız API işleme tanıtır.</p><p>Yerinde Pod Yeniden Boyutlandırma İyileştirmeleri: Bellek kullanımını azaltma desteği ve Pod düzeyinde kaynaklarla entegrasyon gibi geliştirmeler.</p><p>Alpha:Pod Yerleşimini İfade Etmek için .status.nominatedNodeName Kullanımı: kube-scheduler artık Pod yerleştirme niyetlerini belirtmek için .status.nominatedNodeName kullanabilir, bu da küme otomatik ölçeklendiricilerinin bilinçli kararlar almasına yardımcı olur.</p><p>Kapsayıcı Yeniden Başlatma Kuralları: Her kapsayıcı için ayrı bir restartPolicy ve son çıkış koduna göre restartPolicy’yi geçersiz kılmak için restartPolicyRules listesi tanımlama yeteneği sunar, bu da karmaşık senaryolar için ince taneli kontrol sağlar.</p><p>4. Depolama İyileştirmeleri</p><p>Daha sağlam ve esnek depolama yönetimi.</p><p>Kararlı:Birim Genişletme Hatasından Kurtarma: Kullanıcıların altta yatan depolama sağlayıcısı tarafından desteklenmeyen birim genişletmeleri iptal etmelerine ve başarılı olabilecek daha küçük değerlerle yeniden denemelerine olanak tanır.</p><p>Birim Değişikliği için VolumeAttributesClass: Tedarik edilen IO gibi birim parametrelerini değiştirmek için genel, Kubernetes yerel bir API.</p><p>5. API Mekanizmaları ve Kontrol Düzlemi İyileştirmeleri</p><p>Daha verimli ve güvenilir API işleme ve kontrol düzlemi operasyonları.</p><p>Kararlı:Sıralı Ad Alanı Silme: Daha güvenli ve deterministik kaynak kaldırma sağlamak için Kubernetes ad alanları için daha yapılandırılmış bir silme süreci tanıtır, Pod’ların diğer kaynaklardan önce kaldırılmasını sağlar.</p><p>Akışlı LIST Yanıtları: Büyük list yanıtları için akış kodlama mekanizması sunar, API sunucusundaki büyük bellek ayrımlarından kaçınır ve daha küçük, daha öngörülebilir bir bellek ayak izi sağlar.</p><p>Esnek İzleme Önbelleği Başlatma: İzleme önbelleği başlatma sürecini daha esnek hale getirerek kontrol düzlemi sağlamlığını artırır.</p><p>Beta:Değişen Kabul Politikaları: Değişen kabul web kancalarına deklaratif, süreç içi bir alternatif sunar, bu da kabul kontrolünü önemli ölçüde basitleştirir.</p><p>Anlık Görüntülenebilir API Sunucusu Önbelleği: kube-apiserver’ın geçmiş durumlar için list isteklerini önbellekten hizmet etmesini sağlar, etcd’ye doğrudan erişimi azaltır ve performansı artırır.</p><p>Kubernetes-yerel Türlerin Deklaratif Doğrulaması için Araçlar: API geliştirmeyi, bakımı ve incelemeyi kolaylaştıran CEL tabanlı doğrulama kurallarını yerel Kubernetes türlerine getirir.</p><p>list İstekleri için Akışlı Bilgi Vericiler: list isteklerinin API sunucusunun izleme önbelleğinden sürekli bir nesne akışı olarak veri döndürmesine olanak tanır, böylece bellek kullanımını sabit tutar ve kararlılığı artırır.</p><p>6. Ağ ve Düğüm İyileştirmeleri</p><p>Ağ yapılandırması ve düğüm operasyonları için geliştirmeler.</p><p>Kararlı:DNS Arama Yolu Doğrulamasının Gevşetilmesi: Pod’un DNS search yolunun sıkı doğrulamasını gevşetir, bu da karmaşık veya eski ağ ortamlarında entegrasyon zorluklarını çözer.</p><p>Windows Kube-proxy’de Doğrudan Hizmet Dönüşü (DSR) Desteği: Yük dengeleyiciler aracılığıyla yönlendirilen dönüş trafiğinin yük dengeleyiciyi atlamasına ve doğrudan istemciye yanıt vermesine izin veren performans optimizasyonları sağlar.</p><p>Kapsayıcı Yaşam Döngüsü Kancaları için Uyku Eylemi: Kapsayıcıların başlatıldıktan sonra veya sonlandırmadan önce belirtilen bir süre duraklamasına izin veren basit bir yol sağlar.</p><p>Linux Düğüm Takas Desteği: Yapılandırılabilir düğüm başına takas desteği sunar, iş yükü kararlılığını artırır ve daha verimli kaynak kullanımına olanak tanır.</p><p>Ortam Değişkenlerinde Özel Karakterlere İzin Ver: Ortam değişkeni doğrulama kurallarını gevşeterek, değişken adlarında = hariç hemen hemen tüm yazdırılabilir ASCII karakterlere izin verir.</p><p>Taint Yönetimi Düğüm Yaşam Döngüsünden Ayrıldı: TaintManager’ın kendi ayrı denetleyicisine yeniden yapılandırılması, kod modülerliğini ve sürdürülebilirliğini artırır.</p><p>Beta:Windows Düğümleri için Nazik Düğüm Kapatma İşlemi: Windows düğümlerindeki kubelet artık sistem kapatma olaylarını algılayabilir ve çalışan Pod’ların nazikçe sonlandırılmasını başlatabilir.</p><p>PreferClose Trafik Dağılımı Kullanımdan Kaldırıldı: spec.trafficDistribution alanı için PreferSameZone (mevcut PreferClose için bir takma ad) ve PreferSameNode (mümkün olduğunda trafiğin yerel bir uç noktaya teslim edilmesini sağlar) olmak üzere iki ek değer tanıtılır.</p><p>Alpha:Ortam Değişkenlerini Çalışma Zamanında Oluşturulan Dosyalardan Yükle: Bir kapsayıcının (tipik olarak bir init kapsayıcısı) bir değişkeni oluşturmasına ve bir dosyada saklamasına ve ardından gelen bir kapsayıcının ortam değişkeni o dosyadan yüklenerek başlatılmasına olanak tanır.</p><p>7. Geliştirici Deneyimi ve Araçlar</p><p>kubectl kullanımını basitleştiren ve geliştirici deneyimini geliştiren yeni özellikler.</p><p>Alpha:KYAML Desteği: Kubernetes’e özgü daha güvenli ve daha az belirsiz bir YAML alt kümesi olan KYAML için destek tanıtır. kubectl için yeni bir çıktı formatı olarak kullanılabilir (-o kyaml).</p><p>Beta:kubectl Kullanıcı Tercihleri için .kuberc Dosyası: kubectl için varsayılan seçenekler ve komut takma adları gibi tercihleri tanımlamanıza olanak tanıyan bir .kuberc yapılandırma dosyası.</p><p>8. Kullanımdan Kaldırmalar ve Kaldırmalar</p><p>Manuel cgroup sürücüsü yapılandırması kullanımdan kaldırıldı: kubelet’in CRI uygulamasını sorgulayarak kullanılacak cgroup sürücüsünü otomatik olarak algılaması şiddetle tavsiye edilir. cgroupDriver yapılandırma ayarı ve kube-scheduler komut satırı seçeneği gelecekteki bir sürümde kaldırılacaktır (v1.36&#39;dan önce değil).</p><p>Kubernetes, v1.36&#39;da containerd 1.x desteğini sonlandıracak: Kullanıcıların containerd 2.0+ sürümüne geçmeleri tavsiye edilir. kubelet_cri_losing_support metriği, kümenizdeki hangi düğümlerin yakında güncelliğini yitirecek bir containerd sürümü kullandığını belirlemenize yardımcı olabilir.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=6373fed7465b" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[AI günlükleri ; 7 Adımda Azure Content Safety Studio]]></title>
            <link>https://medium.com/@mtolgatekin/ai-g%C3%BCnl%C3%BCkleri-7-ad%C4%B1mda-azure-content-safety-studio-3eabb290e6f8?source=rss-600b587569b3------2</link>
            <guid isPermaLink="false">https://medium.com/p/3eabb290e6f8</guid>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[azure-ai]]></category>
            <dc:creator><![CDATA[Tolga Tekin]]></dc:creator>
            <pubDate>Sun, 15 Dec 2024 18:00:36 GMT</pubDate>
            <atom:updated>2024-12-15T18:00:36.151Z</atom:updated>
            <content:encoded><![CDATA[<p>AI günlükleri ; 7 Adımda Azure Content Safety Studio</p><p>Yapay zeka (AI), modern uygulama geliştirme süreçlerinde giderek daha önemli bir rol oynuyor. Microsoft Azure AI Hizmetleri, geliştiricilere makine öğrenimi modelleri, yapay zeka hizmetleri ve içerik güvenliği gibi birçok yetenek sunarak kapsamlı AI çözümleri oluşturmalarını sağlıyor. <strong>“Understand applications Azure AI services can be used to build”</strong> eğitim modülü, Azure AI hizmetlerinin uygulama alanlarını anlamak, Azure portal üzerinden AI hizmetlerine erişim sağlamak ve kimlik doğrulama için gerekli olan anahtar ve uç noktaların kullanımını öğretmeyi amaçlıyor. Ayrıca, <strong>Content Safety Studio</strong> kullanılarak uygulamalı bir deneyim sunan bu eğitim, geliştiricilere AI çözümlerini keşfetme ve uygulama fırsatı sağlıyor.</p><p>Bende sizlere <strong>Content Safety Studio</strong>’daki başlıca özellikler hakkında kısa bir özet çıkarttım. :) Umarım faydalı olur ve bu bilgiler projelerinize katkı sağlar</p><p>Kaynak : Fundamentals of Azure AI services — <a href="https://learn.microsoft.com/en-us/training/modules/fundamentals-azure-ai-services/">https://learn.microsoft.com/en-us/training/modules/fundamentals-azure-ai-services/</a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ilcWutARy5rjD9g25XefuA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*h_OIBDKSG2Nd9CfBgHnDeg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*a53lgsTV_SBPB24KKJHlsg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*6PHlzo01fmlS1Wz_elgwuw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*3hJhFxr2gSA7YulE6LOqDQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*AsToYBndLsiwnGPMYgAcfw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*j48L_3eOlHcm5KDI3Fntxg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*3vo9BcjhpVnFYSdBJCiDQQ.png" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=3eabb290e6f8" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[CKA Sınav Güncellemesi: Yeni Olanlar, Kaldırılanlar.]]></title>
            <link>https://medium.com/@mtolgatekin/cka-s%C4%B1nav-g%C3%BCncellemesi-yeni-olanlar-kald%C4%B1r%C4%B1lanlar-c4796c5f6d58?source=rss-600b587569b3------2</link>
            <guid isPermaLink="false">https://medium.com/p/c4796c5f6d58</guid>
            <category><![CDATA[kubernetes]]></category>
            <category><![CDATA[cka-exam]]></category>
            <dc:creator><![CDATA[Tolga Tekin]]></dc:creator>
            <pubDate>Fri, 06 Sep 2024 07:57:25 GMT</pubDate>
            <atom:updated>2024-09-06T07:57:25.747Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/512/0*Uz-maFMrVoYR6nn6.png" /></figure><p>CKA sınavı, 25 Kasım 2024&#39;ten sonra Gateway API, Helm, Kustomize, CRD’ler ve Operatörler gibi gerçek dünya Kubernetes becerilerine odaklanan yeni konularla güncelleniyor.</p><p>Linux Foundation, 25 Kasım 2024&#39;ten önce yürürlüğe girmeyecek olan değişiklikleri yakın zamanda duyurdu.</p><p><a href="https://training.linuxfoundation.org/certified-kubernetes-administrator-cka-program-changes/?ref=blog.techiescamp.com">Certified Kubernetes Administrator (CKA) Program Changes - Linux Foundation - Training</a></p><h3>CKA Exam Update 2024</h3><p>Ana değişiklikler şunları içerecek</p><p>Storage: dynamic volume provisioning Hacim türlerinin, erişim modlarının ve geri kazanım politikalarının detaylı yönetimi.</p><p>Troubleshooting : Ağ hizmetleri ve bağlantı üzerine genişletilmiş odaklanma ile birlikte küme ve düğüm teşhisleri.</p><p>Workloads &amp; Scheduling : Pod oluşturması ve güncellemesi üzerine , node uygunluğu ve otomatik ölçeklendirme üzerine yeni odak</p><p>Networking: Ingress trafiğini yönetmek için Gateway API’ye yeni odak ve coreDNS üzerine genişletilmiş bakış acısı ile odaklanmak</p><p>Cluster Architecture : Helm, Kustomize ve CNI, CSI, CRI gibi genişletme arayüzleri eklendi. CRD’ler ve Operatörler dahil edildi.</p><p>Değişiklikler neler ?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*zDI1iDMrGZEY6nm7SPg_Yw.png" /></figure><p>Sınavın temel alanları aynı kalmakla birlikte , her alan altındaki yetkinlikler, CKA’ların en güncel bilgi ve becerilere sahip olmalarını sağlamak amacıyla güncellenecek.</p><h3>1. Storage: Fine-Tuning Volume Management</h3><p>Yeni Eklemeler: Güncellenen müfredat, dinamik hacim provizyonuna daha fazla vurgu yapmakta ve hacim türlerinin, erişim modlarının ve geri kazanım politikalarının ince detaylı yönetimine odaklanmaktadır.</p><p>Önemi : Kubernetes yöneticilerinden artık giderek daha karmaşık depolama yapılandırmalarını yönetmeleri bekleniyor. Otomatik ölçeklendirme gerektiren ortamlar için dinamik provizyonlama önemli</p><h3>2. Troubleshooting: Sharpening Network and Service Diagnostics</h3><p>Yeni Eklemeler: Sorun giderme artık ağ hizmetlerini kapsayacak şekilde genişletildi, bu da CKA’ların hem iç hem de dış küme bağlantısını derinlemesine anlamalarının gerekliliğini artırıyor.</p><p>Sorun giderme alanında Cluster ve Node tdiagnostics ile ağ ve hizmetler ön plana çıkıyor.</p><p>Neden Önemli: Sorun giderme, sadece sorunları tespit etmekten öteye giderek, güvenilir ve dayanıklı cluster’lar sağlamayı içerir. Hizmetler ve ağ üzerine eklenen odak, yığının her katmanında sorunları teşhis edebilmenizi sağlamayı hedefliyor.</p><h3>3. Workloads &amp; Scheduling: Mastering Pod Admission and Scaling</h3><p>Yeni Eklemeler: Yeni müfredat, podları dağıtırken limitler, node affinity ve kaynak kısıtlamaları dahil olacak.</p><p>Otomatik ölçeklendirme ve self-healing (kendini iyileştiren) uygulamaları anlama üzerine daha güçlü bir vurgu var.</p><p>Neden Önemli: Prod ortamlarında kritik bir gereklilik olan iş yükü ölçeklendirme ve zamanlamayı verimli bir şekilde yönetebilmelerini sağlamak</p><h3>4. Networking: Gateway API</h3><p>Güncellenmiş CKA müfredatına yapılan en önemli eklemelerden biri Gateway API’dir.</p><p>Yeni Ekleme: Bu yeni Gateway API, Ingress trafiğini yönetmek için daha esnek ve genişletilebilir bir yol sunar, geleneksel Ingress kaynaklarına göre yönlendirme ve yük dengeleme üzerinde daha fazla kontrol sağlar.</p><p>Neden Önemli: Gateway API, Kubernetes’te trafiği yönetmek için daha modern ve ölçeklenebilir bir yol sunar. Bunu öğrenerek, CKAlar gerçek dünya ortamlarında karmaşık trafik yapılandırmalarını daha iyi yönetmeye hazırlanmış olacaklar.</p><p>Bununla beraber ek olarak ;</p><p>Güncellenmiş CKA müfredatına, CoreDNS Hizmetler ve Ağ altında önemli bir konu olarak kalmaya devam ediyor. CoreDNS’nin nasıl yapılandırılacağını ve sorunlarının nasıl giderileceğini anlamak kritik önem arz ediyor ,çünkü Kubernetes cluster’ları içindeki servis keşfinde merkezi bir rol oynuyor.</p><p>Neden Önemli: CoreDNS, Kubernetes’teki varsayılan DNS sunucusudur ve iç cluster trafiğinin yönlendirilmesinden sorumludur. CoreDNS yapılandırmasına sağlam bir hakimiyet, servislerin keşfedilebilir olmasını sağlar ve ağ sorunlarını en aza indirir, bu da her Kubernetes yöneticisi için önemli bir beceridir.</p><h3>Cluster Architecture: More than Just Installation</h3><p>Yeni Eklemeler: Sınav, karmaşık dağıtımları yönetmek için önemli araçlar olan Helm ve Kustomize’ı tanıtıyor. Ayrıca, CNI (ağ için), CSI (depolama için) ve CRI (çalışma zamanı için) dahil olmak üzere Kubernetes genişletme arayüzlerini anlamanız gerekecek.</p><p>Kaldırılan : etcd yedeklemelerinin/geri yüklemelerinin ve Kubernetes sürüm yükseltmelerinin yönetimine yönelik işlemler, artık önceki kadar çıkmayıp az sayıda odaklanılacak.</p><p>Neden Önemli: Kubernetes ekosistemi karmaşıklıkta arttıkça, CKAların sadece cluster kurulumunda değil, aynı zamanda CRD’ler ve Operatörler aracılığıyla genişletmeleri ve özel kaynakları yönetmede de yetkin olmaları gerekiyor.</p><h3>Değişiklikler Ne Zaman Yürürlüğe Girecek?</h3><p>Linux Foundation’a göre, değişiklikler 25 Kasım 2024&#39;ten önce yürürlüğe girmeyecek. Bu tarihten sonra sınava girmeyi planlıyorsanız, hazırlıklarınızı yeni müfredatla uyumlu hale getirmeniz önemli</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c4796c5f6d58" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[## Dynatrace üzerinde kubernetes & container önemli metrikler hk.]]></title>
            <link>https://medium.com/@mtolgatekin/dynatrace-%C3%BCzerinde-kubernetes-container-%C3%B6nemli-metrikler-hk-a6494f79d9d2?source=rss-600b587569b3------2</link>
            <guid isPermaLink="false">https://medium.com/p/a6494f79d9d2</guid>
            <category><![CDATA[dynatrace]]></category>
            <category><![CDATA[metrics]]></category>
            <category><![CDATA[kubernetes]]></category>
            <category><![CDATA[containers]]></category>
            <dc:creator><![CDATA[Tolga Tekin]]></dc:creator>
            <pubDate>Tue, 04 Jun 2024 13:47:01 GMT</pubDate>
            <atom:updated>2024-06-04T13:47:01.185Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*QwhljU_Ol0EA0PEz0DulXA.gif" /></figure><p>Kaynak : <a href="https://docs.dynatrace.com/docs/observe-and-explore/metrics-classic/built-in-metrics">https://docs.dynatrace.com/docs/observe-and-explore/metrics-classic/built-in-metrics</a></p><p>Günümüzün dinamik ve dağıtık uygulama ortamlarında, Kubernetes gibi konteyner orkestrasyon platformlarının kullanımı giderek artmaktadır. Kubernetes, uygulamaların ölçeklenebilirliğini, taşınabilirliğini ve dayanıklılığını artırırken, bu kompleks yapının sağlıklı ve performanslı bir şekilde çalışmasını sağlamak da bir o kadar önemlidir. Bu noktada devreye giren monitoring, Kubernetes ortamlarının gözlemlenmesi ve yönetilmesi açısından kritik bir rol oynar.</p><p>Monitoring, sistem performansının ve sağlığının sürekli olarak izlenmesini sağlar. Bu sayede potansiyel sorunlar erken aşamada tespit edilerek, önleyici tedbirler alınabilir ve sistemin kesintisiz bir şekilde çalışması sağlanır. Kubernetes’te monitoring, çeşitli metriklerin toplanması, analiz edilmesi ve görselleştirilmesi ile gerçekleştirilir. Bu metrikler arasında CPU kullanımı, bellek kullanımı, disk I/O ve ağ trafiği gibi temel kaynak kullanım bilgileri bulunur.</p><p>Yapınızda Dynatrace kullanıyorsanız Kubernetes ve Container üzerinde aktif edebileceğiniz metrikleri kısaca olsada anlatmaya çalıştım.</p><p>Bu metriklerin düzenli olarak izlenmesi, Kubernetes ortamlarında yaşanabilecek sorunları önceden tespit etme ve hızlı bir şekilde çözüm üretme konusunda büyük avantaj sağlar.</p><p>Ayrıca, bu veriler ışığında, sistem kaynaklarının daha verimli kullanılması ve ölçeklendirme kararlarının daha sağlıklı bir şekilde alınması mümkün olur.</p><p>ilgili metrikler şöyle ;</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/934/1*SEFhDIahSDgh-HpDX-ehsw.png" /><figcaption>Kubernetes API sunucusunun /readyz endpointi tarafından rapor edilen mevcut durum (0 veya 1).</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/838/1*KIOgiXDrMDfRt1pl4s6VQQ.png" /><figcaption>Bu metrik, bellek yetersizliği (OOM) nedeniyle öldürme olaylarını ölçer. En ayrıntılı agregasyon düzeyi container’dır.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/821/1*jqflEPM75cRIsQN9SPxrSg.png" /><figcaption>Bu metrik, container yeniden başlatma miktarını ölçer. En ayrıntılı agregasyon düzeyi container’dır.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/832/1*WZmqK8dnPLTTUKT-Y8yHkQ.png" /><figcaption>Bu metrik, bir Kubernetes node’unun durumunu açıklar. En ayrıntılı agregasyon düzeyi node’dur.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/829/1*diamacoyDVahu2zP8JNHiA.png" /><figcaption>Bu metrik, toplam ayırılabilir cpu’yu ölçer. En ayrıntılı agregasyon düzeyi node’dur. Değer, bir node’un ayırılabilir cpu’suna karşılık gelir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/832/1*J5phIT8q7va29XzflLM6mw.png" /><figcaption>Bu metrik, container tarafından toplam CPU kısıtlamalarını ölçer. En ayrıntılı agregasyon düzeyi node’dur.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/831/1*Do9TjW8E8Viua1pEhCGyuA.png" /><figcaption>Bu metrik, container tarafından tüketilen toplam CPU’yu (kullanıcı kullanımı + sistem kullanımı) ölçer. En ayrıntılı agregasyon düzeyi node’dur.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/840/1*7QnNO5TtiSvmCOh08vfbqw.png" /><figcaption>Bu metrik, cpu limitlerini ölçer. En ayrıntılı agregasyon düzeyi node’dur. Değer, bir pod’un tüm uygulama container’larının cpu limitlerinin toplamıdır.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/831/1*Qyn4ST0nN9Lq0_l9vytD7g.png" /><figcaption>Bu metrik, bellek limitlerini ölçer. En ayrıntılı agregasyon düzeyi node’dur. Değer, bir pod’un tüm uygulama container’larının bellek limitlerinin toplamıdır.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/826/1*hKPtxhqTlpal9KbMs-V1JA.png" /><figcaption>Bu metrik, toplam ayırılabilir belleği ölçer. En ayrıntılı agregasyon düzeyi node’dur. Değer, bir node’un ayırılabilir belleğine karşılık gelir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/819/1*00JTWPMVFMrpt9j49KPRUQ.png" /><figcaption>Bu metrik, container tarafından kullanılan mevcut çalışma seti belleğini (baskı altında geri kazanılamayan bellek) ölçer. Çalışma seti sınırı aşarsa OOM Killer devreye girer. En ayrıntılı agregasyon düzeyi node’dur.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/824/1*psRRizk2LiWiA4hqcJXqHA.png" /><figcaption>Bu metrik, pod sayısını ölçer. En ayrıntılı agregasyon düzeyi node’dur. Değer, tüm pod’ların sayısına karşılık gelir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/835/1*A_7bTUDn0cEI7niWP9BZLg.png" /><figcaption>Bu metrik, toplam ayırılabilir pod sayısını ölçer. En ayrıntılı agregasyon düzeyi node’dur. Değer, bir node’un ayırılabilir pod’larına karşılık gelir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/831/1*aCfG1Pdn06rKT66jqfedDQ.png" /><figcaption>Bu metrik, cpu isteklerini ölçer. En ayrıntılı agregasyon düzeyi node’dur. Değer, bir pod’un tüm uygulama container’larının cpu isteklerinin toplamıdır.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/832/1*078v375qnlYtBgXCAEWQkQ.png" /><figcaption>Bu metrik, bellek isteklerini ölçer. En ayrıntılı agregasyon düzeyi node’dur. Değer, bir pod’un tüm uygulama container’larının bellek isteklerinin toplamıdır.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/842/1*y0YsXzwlyG8nTeVC63AAMw.png" /><figcaption>Bu metrik, hacimdeki kullanılabilir bayt sayısını ölçer. En ayrıntılı agregasyon düzeyi kalıcı hacim talebidir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/838/1*ZBXiW_P3MDhGwyjXL7QqHQ.png" /><figcaption>Bu metrik, hacmin bayt cinsinden kapasitesini ölçer. En ayrıntılı agregasyon düzeyi kalıcı hacim talebidir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/815/1*cuMSJ88W35dyqqnUpgnFnA.png" /><figcaption>Bu metrik, hacimde kullanılan bayt sayısını ölçer. En ayrıntılı agregasyon düzeyi kalıcı hacim talebidir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/849/1*ha8AfyGKAGo-OMVUj4tUrQ.png" /><figcaption>Bu metrik, cpu limit kotasını ölçer. En ayrıntılı agregasyon düzeyi kaynak kotasıdır. Değer, bir kaynak kotasının cpu limitlerine karşılık gelir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/827/1*rfBSCoiT_EaxiLm4VAmHOg.png" /><figcaption>Bu metrik, kullanılan cpu limit kotasını ölçer. En ayrıntılı agregasyon düzeyi kaynak kotasıdır. Değer, bir kaynak kotasının kullanılan CPU limitlerine karşılık gelir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/826/1*6nd0l8zEZvTVqav_ke14BQ.png" /><figcaption>Bu metrik, bellek limit kotasını ölçer. En ayrıntılı agregasyon düzeyi kaynak kotasıdır. Değer, bir kaynak kotasının bellek limitlerine karşılık gelir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/827/1*keagdj7n3RPT6yQGqvRtvw.png" /><figcaption>Bu metrik, kullanılan bellek limit kotasını ölçer. En ayrıntılı agregasyon düzeyi kaynak kotasıdır. Değer, bir kaynak kotasının kullanılan bellek limitlerine karşılık gelir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/829/1*qVkcN-d3WUw_U7EQDbxTRA.png" /><figcaption>Bu metrik, pod kotasını ölçer. En ayrıntılı agregasyon düzeyi kaynak kotasıdır. Değer, bir kaynak kotasının pod’larına karşılık gelir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/816/1*kEF0ElQWGTnChsO_xSYVHw.png" /><figcaption>Bu metrik, kullanılan pod kotasını ölçer. En ayrıntılı agregasyon düzeyi kaynak kotasıdır. Değer, bir kaynak kotasının kullanılan pod’larına karşılık gelir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/833/1*Bak30EIFKC-ecI-AEaBpLg.png" /><figcaption>Bu metrik, cpu istek kotasını ölçer. En ayrıntılı agregasyon düzeyi kaynak kotasıdır. Değer, bir kaynak kotasının cpu isteklerine karşılık gelir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/909/1*yIw9uXaz1J2Yf9ax4m-P8Q.png" /><figcaption>Bu metrik, kullanılan cpu istek kotasını ölçer. En ayrıntılı agregasyon düzeyi kaynak kotasıdır. Değer, bir kaynak kotasının kullanılan cpu isteklerine karşılık gelir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/828/1*QkIwQmSFh8UA7PZYwxdz3A.png" /><figcaption>Bu metrik, bellek istek kotasını ölçer. En ayrıntılı agregasyon düzeyi kaynak kotasıdır. Değer, bir kaynak kotasının bellek isteklerine karşılık gelir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/815/1*gbwiavI_9CGIPXFD5ePnFA.png" /><figcaption>Bu metrik, kullanılan bellek istek kotasını ölçer. En ayrıntılı agregasyon düzeyi kaynak kotasıdır. Değer, bir kaynak kotasının kullanılan bellek isteklerine karşılık gelir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/917/1*zJ3OoEbbsu6N5MPNN6_9iw.png" /><figcaption>Bu metrik, bir Kubernetes iş yükünün durumunu açıklar. En ayrıntılı agregasyon düzeyi iş yüküdür.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/922/1*rGeDoLe_thTBuItP0_4J-w.png" /><figcaption>Bu metrik, istenen container sayısını ölçer. En ayrıntılı agregasyon düzeyi iş yüküdür. Değer, pod’un tanımındaki tüm container’ların sayısıdır.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/911/1*ZqueiNC29NlmSips7As69w.png" /><figcaption>Bu metrik, container tarafından toplam CPU kısıtlamalarını ölçer. En ayrıntılı agregasyon düzeyi iş yüküdür.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/911/1*2EIbd84bmOBNjBKZy_1W-Q.png" /><figcaption>Bu metrik, container tarafından tüketilen toplam CPU’yu (kullanıcı kullanımı + sistem kullanımı) ölçer. En ayrıntılı agregasyon düzeyi iş yüküdür.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/913/1*ysJ1G4o-R1l9UltuL6BNpA.png" /><figcaption>Bu metrik, cpu limitlerini ölçer. En ayrıntılı agregasyon düzeyi iş yüküdür. Değer, bir pod’un tüm uygulama container’larının cpu limitlerinin toplamıdır.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/911/1*GuaaVv3mBEvTlnFd3XP2oA.png" /><figcaption>Bu metrik, bellek limitlerini ölçer. En ayrıntılı agregasyon düzeyi iş yüküdür. Değer, bir pod’un tüm uygulama container’larının bellek limitlerinin toplamıdır.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/911/1*7Nleq955U-vHtnPdSoNDMg.png" /><figcaption>Bu metrik, container tarafından kullanılan gerçek yerleşik set boyutunu (RSS) ölçer. RSS, container’ın cgroup’u tarafından kullanılan fiziksel bellek miktarıdır — ya total_rss + total_pinned_file (cgroup v1) ya da anon + file_mapped (cgroup v2). En ayrıntılı agregasyon düzeyi iş yüküdür. Kullanım dışı — bunun yerine builtin:kubernetes.workload.memory_working_set kullanın.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/904/1*X8Rj96vzTvzvLD80XFqVig.png" /><figcaption>Bu metrik, container tarafından kullanılan mevcut çalışma seti belleğini (baskı altında geri kazanılamayan bellek) ölçer. Çalışma seti sınırı aşarsa OOM Killer devreye girer. En ayrıntılı agregasyon düzeyi iş yüküdür.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/913/1*tUU9-nEIyLtVfJQx8eTp3w.png" /><figcaption>Bu metrik, istenen pod sayısını ölçer. En ayrıntılı agregasyon düzeyi iş yüküdür. Değer, bir dağıtım kaynağında tanımlanan ‘replicas’ ile bir daemon set kaynağının durumundaki ‘desiredNumberScheduled’ karşılık gelir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/923/1*ZCaQSg19AggBv7cecYqwEA.png" /><figcaption>Bu metrik, cpu isteklerini ölçer. En ayrıntılı agregasyon düzeyi iş yüküdür. Değer, bir pod’un tüm uygulama container’larının cpu isteklerinin toplamıdır.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/917/1*yIlcMxpULnJMgUj_bSf02Q.png" /><figcaption>Bu metrik, bellek isteklerini ölçer. En ayrıntılı agregasyon düzeyi iş yüküdür. Değer, bir pod’un tüm uygulama container’larının bellek isteklerinin toplamıdır.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/929/1*uaWB3-oQOm0xoebufZHHIQ.png" /><figcaption>Bu metrik, container sayısını ölçer. En ayrıntılı agregasyon düzeyi iş yüküdür. Metrik, tüm container’ların sayısını sayar.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/914/1*W-j2CpQVNxAHQBbzR_votA.png" /><figcaption>Bu metrik, Kubernetes olaylarını sayar. En ayrıntılı agregasyon düzeyi olay nedenidir. Değer, Kubernetes olayları endpointi tarafından döndürülen olayların sayısına karşılık gelir. Bu metrik, Kubernetes olay izlemeye bağlıdır. Olay izleme devre dışı bırakıldığında herhangi bir veri noktası göstermez.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/926/1*j1OKLe9HL2TSVD7d1e3pJA.png" /><figcaption>Bu metrik, node sayısını ölçer. En ayrıntılı agregasyon düzeyi cluster’dır. Değer, tüm node’ların sayısına karşılık gelir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/909/1*oyddMLOLZITimN6u6sZhRw.png" /><figcaption>Bu metrik, pod sayısını (iş yüküne göre) ölçer. En ayrıntılı agregasyon düzeyi iş yüküdür. Değer, tüm pod’ların sayısına karşılık gelir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/904/1*wyIJzwcASfaTmowe3mHMRw.png" /><figcaption>Bu metrik, iş yükü sayısını ölçer. En ayrıntılı agregasyon düzeyi namespace’tir. Değer, tüm iş yüklerinin sayısına karşılık gelir.</figcaption></figure><h3>Container kısmı ise şu şekilde ;</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/803/1*BGWrWgiFN8zt2PtAtCdJnA.png" /><figcaption>Bu metrik, container’ların CPU kullanım limitlerini izlemek için kullanılır.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/790/1*0niwPC_qPmWJjWTRdJ0TXg.png" /><figcaption>Bu metrik, ana bilgisayarın mantıksal CPU çekirdeklerinin sayısını belirtir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/779/1*7EfjWr5shfRqxNUfeKSBMQ.png" /><figcaption>Bu metrik, her container’a ayrılan CPU paylarının sayısını belirtir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/784/1*xN-awP_odbv6SLa3L1wVVw.png" /><figcaption>Bu metrik, her container için CPU kısıtlamasını milicore cinsinden belirtir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/790/1*JulBYLe2JHeiGgN_B65S0w.png" /><figcaption>Bu metrik, bir container’ın kısıtlandığı toplam süreyi, nanosaniye/dakika cinsinden belirtir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/796/1*_TM2yCpHSmYj1faUSySsYw.png" /><figcaption>Bu metrik, her container için CPU kullanımını milicore cinsinden belirtir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/786/1*ca9Y7LC5CAPCbS-JyVRj2A.png" /><figcaption>Bu metrik, her container’ın CPU kaynak sınırına göre CPU kullanım yüzdesini belirtir. CPU sınırı ayarlanmadıysa mantıksal çekirdekler kullanılır.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/796/1*34LWLpPyKxQF4b1M6epYrw.png" /><figcaption>Bu metrik, her container için sistem tarafından kullanılan CPU miktarını milicore cinsinden belirtir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/786/1*4R-Dl6tJEU8RRFXDkuwC5A.png" /><figcaption>Bu metrik, her container için kullanılan sistem süresini nanosaniye/dakika cinsinden belirtir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/798/1*t5XWvWsxRkT5CNZZbPv7dg.png" /><figcaption>Bu metrik, her container için kullanılan sistem ve kullanıcı süresinin toplamını nanosaniye/dakika cinsinden belirtir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/795/1*pSD-YBupq-kqjLRhW-sXtQ.png" /><figcaption>Bu metrik, her container için kullanıcı tarafından kullanılan CPU miktarını milicore cinsinden belirtir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/781/1*hORer0OOG9R4WrRYQUN7-g.png" /><figcaption>Bu metrik, her container için kullanıcı tarafından kullanılan süreyi nanosaniye/dakika cinsinden belirtir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/695/1*IQoKH9kHObgn3JiTRMrecw.png" /><figcaption>Bu metrik, her container için sayfa önbelleği belleğini byte cinsinden belirtir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/698/1*29-4oviTPhozqGiCii3R4A.png" /><figcaption>Bu metrik, her container için bellek sınırını byte cinsinden belirtir. Eğer sınır belirlenmemişse, bu değer boş olur.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/687/1*1o6BshG8frKsorxHoQB66w.png" /><figcaption>Bu metrik, her container’ın toplam fiziksel belleğe göre bellek sınırının yüzdesini belirtir. Eğer sınır belirlenmemişse, bu değer boş olur.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/680/1*WJgRO4xGBBEIUoq8rG2FMg.png" /><figcaption>Bu metrik, her container için bellek yetersizliği nedeniyle meydana gelen öldürme olaylarının sayısını belirtir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/679/1*8CCR4QG5FhsxvSzEyNTffA.png" /><figcaption>Bu metrik, host üzerinde bulunan toplam fiziksel bellek miktarını byte cinsinden belirtir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/681/1*PWTB-fsygI1Ll6ziMF4E7Q.png" /><figcaption>Bu metrik, her container için kullanılan belleği byte cinsinden belirtir. (Linux’ta yerleşik set boyutu veya Windows’ta özel çalışma seti boyutu)</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/691/1*kCcw4bphO8Wpwg0Wpp5Yvw.png" /><figcaption>Bu metrik, her container için kullanılan belleğin sınırına göre yüzdesini belirtir. Eğer sınır belirlenmemişse, bu toplam fiziksel belleğe eşittir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/830/1*Yoc7KOZ8q1IFb0xaS8ht6A.png" /><figcaption>Container tarafından alınan baytları belirtir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/825/1*uyJrrhYDVx-C4XLzAhxfzA.png" /><figcaption>Container tarafından iletilen baytları belirtir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/827/1*CCD3Gsv-49B6ocgC2nim9A.png" /><figcaption>Container CPU kullanımını belirtir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/828/1*q5WamzgH70ZGUlWgQdTb4g.png" /><figcaption>Devicemapper veri alanının kullanılabilirliğini belirtir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/830/1*qxoggIrRrMZB64V7mg3umA.png" /><figcaption>Devicemapper veri alanının kullanımını belirtir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/826/1*X5XB9RdD0UOgWVMilPGZBg.png" /><figcaption>Devicemapper meta-veri alanının kullanılabilirliğini belirtir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/825/1*aoqgGTdiL7PWPkZYDO71_Q.png" /><figcaption>Devicemapper meta-veri alanının kullanımını belirtir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/831/1*Ca4bRo_jW00Boasg4AfWqg.png" /><figcaption>Bellek yüzdesini belirtir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/814/1*xu8lMvLgo6325vWjdKOL9g.png" /><figcaption>Container bellek kullanımını belirtir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/825/1*seZUytWQvkdkBLum88H2aA.png" /><figcaption>Başlatılan container sayısını belirtir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/827/1*OIgRa-jW7RoH4ryqvtmMqg.png" /><figcaption>Çalışan container sayısını belirtir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/827/1*TXhM37mLoeLT3d4va1gcrQ.png" /><figcaption>Çalışan container sayısını belirtir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/829/1*w1pjYmk0d8h1LB02r1Zhlw.png" /><figcaption>Sonlandırılan container sayısını belirtir.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/822/1*4Fd-okzMD8gLq2Pw_7KpeQ.png" /><figcaption>Container kısıtlama süresini belirtir.</figcaption></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a6494f79d9d2" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Harvester Part2]]></title>
            <link>https://medium.com/@mtolgatekin/harvester-part2-d7c93fcba318?source=rss-600b587569b3------2</link>
            <guid isPermaLink="false">https://medium.com/p/d7c93fcba318</guid>
            <category><![CDATA[kubernetes]]></category>
            <category><![CDATA[harvesters]]></category>
            <category><![CDATA[virtualization]]></category>
            <dc:creator><![CDATA[Tolga Tekin]]></dc:creator>
            <pubDate>Thu, 30 May 2024 16:05:31 GMT</pubDate>
            <atom:updated>2024-05-30T16:05:31.145Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/820/1*EpDz2S5gJoGhIjl7I8V7bA.png" /></figure><h3>Harvester Cluster Üzerinde Microsoft Windows VM oluşturma</h3><p>Öncelikle Windows VM Oluşturmayı deneyeceğiz.</p><p>İlk yapmamız gereken bir windows iso download etmemiz gerekiyor.Bunun için google “ windows server 2019 iso download “ yazıp ilk gelen sayfadaki <a href="https://www.google.com/url?sa=t&amp;source=web&amp;rct=j&amp;opi=89978449&amp;url=http://www.microsoft.com/en-us/evalcenter/download-windows-server-2019&amp;ved=2ahUKEwibob33gbOGAxVOQ_EDHYHSDZ4QFnoECAgQAQ&amp;usg=AOvVaw3tzqZ1OdYOV5hoT6rqS6C_">Windows Server 2019 | Microsoft Evaluation Center</a> gitmeniz yeterli.</p><p>Link : <a href="https://www.microsoft.com/en-us/evalcenter/download-windows-server-2019">https://www.microsoft.com/en-us/evalcenter/download-windows-server-2019</a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*CVENBIHabcmGcfZsKtT7zA.png" /></figure><p>Gelen sayfadan ISO downloads kısmından 64-bit-edition kısmına tıkladığınızda otomatik olarak iso local pc ‘nize download olacaktır</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/540/1*q9HT-hZ-No6KUYAm2tFrOQ.png" /></figure><p>Daha önceden indirdiğiniz farklı bir iso da kullanabilirsiniz.</p><p>Yazının ilerleyen kısımların da nerede ve neden kullanacağımız konusunda bilgi vereceğim , bir download işlemi daha yapmamız gerekiyor oda virtio</p><p>Download link : <a href="https://fedorapeople.org/groups/virt/virtio-win/direct-downloads/archive-virtio/virtio-win-0.1.248-1/">https://fedorapeople.org/groups/virt/virtio-win/direct-downloads/archive-virtio/virtio-win-0.1.248-1/</a></p><p>Version : <a href="https://fedorapeople.org/groups/virt/virtio-win/direct-downloads/archive-virtio/virtio-win-0.1.248-1/">virtio-win-0.1.248–1/</a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/836/1*uG7HNcTBLOtkHfey-N4Vrg.png" /></figure><h3>Devam edelim</h3><p>ilgili windows server 2019 iso download ettikten sonra ;</p><p>Harvester Cluster ‘ın yönetim URL’si olarak “https://192.168.1.157” vermişti bize <em>( https://medium.com/@mtolgatekin/harvester-kurulumu-part1-23a1a5aa3350 makalemizde harvester kurulumuna bkz.)</em></p><p>Şimdi ilgili IP ‘i browsera yazıp Harvester Dashboard giriyoruz.</p><p>Login kısmına : admin</p><p>Password kısmına: kurulum sırasında verdiğiniz password giriyorsunuz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*RJmxsWM1wqp_yQr7GSm24g.gif" /></figure><p>Giriş yaptıktan sonra ilk yapacağımız işlem indirdiğimiz windows kurulum iso ve virtio iso ‘u harvester image reposuna yüklemek olacak.</p><p>Bunun için ilgili dashboard ‘dan Sol menüde yer alan “Images“ kısmına geliyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/227/1*yu2U4C5wH11HpcQelnORFg.png" /></figure><p>Gene aynı dashboard ‘dan sağ üst köşede yer alan “ Create “ butonuna tıklıyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*RzO0NPqPln_COJCNA1HhWA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*MeCO9B0ByxDw_wVUTsAOEg.png" /></figure><p>Name kısmında upload edeceğimiz image ‘a bir isim veriyoruz. Örneğin winserver2019 olsun.</p><p>“ UploadFile” kısmında indirdiğimiz iso dosyasını local pc ‘deki path giderek gösteriyoruz ve ekliyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*QGL4ye8ouiw5N6osj83Y-A.png" /></figure><p>Sonrasında sağ alt köşede bulunan “ Create “ butonuna tıklayıp ilgili ise ‘un Harvester ‘a upload olmasını sağlıyoruz. Uploading kısmında işlemim % kaçının tamamlandığını görebiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*A6qCPJs5HwiyYe5H0ohi2A.png" /></figure><p>Gene aynı şekilde yukarıdaki adımları tekrarlayıp indirdiğimiz virtio iso dosyasınıda Harvester ‘a upload ediyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2etbjEKxDXY396zXOUfGhA.gif" /></figure><p>ilgili iso lar başarılı bir şekilde Harvester upload olduktan sonra diğer adıma geçebiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*4NpEShi9G7ZlpMg2437uwQ.png" /></figure><h3>Devam ediyoruz</h3><p>Sol menüden “ Virtual Machines “ kısmına tıklıyoruz gelen ekranda sağ köşede yer alan “Create” butonuna tıklıyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*s3G82BRS1eBD1cOYpptMRw.png" /></figure><p>Basic sekmesinde oluşturacağımız VM ile ilgili bir takım ayrıntılar ve vermemiz gereken değerler var. Basit bir şekilde bu değerlerden bahsedecek olursak ;</p><p>Name : VM’e vereceğiniz isim</p><p>CPU : VM ‘e vereceğimiz CPU miktarı</p><p>Memory : VM ‘e vereceğimiz RAM mikrası GB cinsinden</p><p>SSHKey : Oluşturduğunuz bir ssh var ise ya da oluşturmak istiyorsanız bu seçeneği kullanıyoruz ( Linux kurulumu demosu yapacağım zaman ayrıntılı üzerinde duracağız.)</p><p>Description : VM ‘e vereceğiniz açıklama kısmı</p><p>Single Instance ve Multiple Instance Kısımlarından daha sonra ayrıntılı bahsetmet istiyorum. Bu demo sürecinde Single Instance kullanacağız şimdilik.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*sme-qIDSQyrqo5lOnIeG_g.png" /></figure><p>Aynı ekranda gene solda yer alan menüden “ Volumes” kısmına geliyoruz. Basit bir şekilde bu değerlerden bahsedecek olursak ;</p><p>name : Vm ‘e eklenecek o Volume ‘ın ismini belirtilir yani Vm ‘e ekleyeceğimiz disk olarak düşünebilirsiniz.</p><p>type :Eklenecek olan volume türünü seçmenizi sağlar. Disk (disk) veya cd-rom gibi seçenekler vardır. VM başladığında sıralama olarak bu disk ‘leri görerek boot olacak o yüzden ilk eklediğimiz volume type cd-rom.Aslında şuan VM ‘e eskiden olduğu gibi bir fiziksel cd-rom taktığımızı ve o cd-rom içinde windows server 2019 kurulum cd varmış gibi davranmasını sağlıyoruz. Vm başlatıldığında otomatik olarak ilk windows server 2019 iso görecek ve süreci ilerletecek.</p><p>size : burayı iso size kadar ya da bi tık fazlasını veriyoruz.</p><p>Image : Bu kısımda zaten ilk type cd-rom yapıp başlangıçta ilgili iso göreceği icin ve biz winserver 2019 iso ile başlatılsın istediğimiz için daha önce yukarıda Harvester ‘a upload ettiğimiz ise ‘yu göstermemiz lazım. Zaten bu kısıma dikkat ederseniz upload ettiğiniz ise ‘ları sadece size gösterecektir farklı bir seçenek yoktur.</p><p>Bus : bağlantı yapılacak veri yolunu belirmemiz lazım cd-rom type seçeneği olacağından default sata olarak bırakıyoruz.</p><p>Add Volume butonuna tıklayarak ilk volumes oluşturuyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*zQN5PAFxw3eye13cNGo5oQ.png" /></figure><p>Şimdi ilk volume olarak yukarıdaki gibi iso muzu type seçeneği ile cd-rom olarak gösterdik. Sıra geldi işletim sisteminin kurulacağı disk alanını belirlemeye</p><p>Name : Otomatik olarak Harvester sıralamaya göre bir isim atadı ve Disk-1 dedi.</p><p>type : bu sefer değeri disk olarak seçiyoruz bir cd-rom ya da farklı bir disk alanı takmıyoruz işletim sisteminin kuralacağı disk alanı belirlediğimizden dolayı type kısmı disk olmalı</p><p>bus : Diskin bağlanacağı veri yolu türü olarak virtio seçiyoruz ( yukarıda virtio windows Driver ‘nı bu yüzden download edip Harvester ‘a iso olarak bu yüzden upload ettik) KVM tabanlı sanallaştırma kullanıyoruz Harvester Architecture ‘da KVM vardır. Ufak bu konuyuda açıklamak isterim ;</p><p><strong>Windows’un Varsayılan Sürücüleri ; </strong>Windows işletim sistemleri, varsayılan olarak virtio sürücülerini içermez. Bu nedenle, KVM üzerinde virtio ile oluşturulan diskleri tanıyabilmesi için bu sürücülerin manuel olarak yüklenmesi gerekir.</p><p>• <strong>Performans ve Verimlilik</strong>: Yukarıda bahsedildiği gibi, virtio sürücüleri kullanmak performansı artırır ve sanal makinenin daha verimli çalışmasını sağlar.</p><p>Özetle, KVM tabanlı sanallaştırma ortamında virtio disk bus kullanırken, Windows işletim sistemi için virtio sürücülerini yüklemek, yüksek performans, düşük gecikme ve daha iyi sistem entegrasyonu sağlamak amacıyla yapılır. Bu işlem, sanal makinenizin en verimli şekilde çalışması için gereklidir.</p><p>Size : İşletim sistemin kurulacağı disk ‘in aslında boyutunu GB cinsinden belirliyoruz.</p><p>StorageClass : Bu kısmı diğer ileri seviye paylaşacağım makalelerde özel olarak anlatmak istediğim bir bölüm.</p><p>Şimdi default olarak “ harvester-longhorn” olarak bırakıyoruz</p><blockquote>Harvester Architecture da yer alan en önemli bileşenlerden biri olan yüksek erişilebilirlik ve veri bütünlüğü sağlayan bir depolama altyapısı sunan longhorn teknolojisi <a href="https://longhorn.io/">https://longhorn.io/</a></blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/967/1*rJ2Xjc7GAF4C7Iv-aDp7QQ.png" /></figure><h3>Devam edelim</h3><p>Yukarıda ayrıntılardan birazcık bahsederek işletim sistemin kurulacağı Volumes kısmını resimdeki gibi tamamlıyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*oNMmPrPLTHhvQfnEZ82yPA.png" /></figure><p>Son bir volumes daha eklememiz lazım oda şu olacak. “ Add VM Image “ butonuna tıklayarak</p><p>Name: Disk3 ( Otomatik kendi beliryeceçektir)</p><p>Type : cd-rom</p><p>Image : virtioiso iso gösteriyoruz</p><p>Bus : SATA</p><p>Size : 10 Gib</p><p>bilgileri girip vir volume daha yaratıyoruz.</p><p>Amaç şu windows server 2019 iso ile boot olacağını , sonrasında işletim sisteminin kurulması için 200 GB bir diski olduğunu ve bu 200GB ‘lık diskin Bus ‘a Virtio olduğundan dolayı yukarıda ayrıca acıkladığım gibi bu disk tipini windows görebilmesi için son eklediğimiz volume içindeki virtio ise ‘dan ilgili disk ‘in driverlarını göstereceğiz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*rSDXzwiLKZ2D3VtLN5FI0g.png" /></figure><h3>Devam edelim</h3><p>VM ‘e ait Volumes bilgilerini vermiş olduk.</p><p>Sıra geldi Network sekmesine. Default bir şekilde bırakıyoruz. Bu kısımlada ilgili ilerleyen makale serisinde ayrıntılı olarak bahsetmek istiyorum.</p><p>Şunu duyar gibiyim :)</p><p>“ Ya sürekli ayrıntılı sonraki yazıya attın ! ayrıntı vermiyorsun Next Next diye geçiyorsun “</p><p>Tüm ayrıntıları ekleyebilirim ama bu başlıklar aslında öyle basitce hızlı bir şekilde üstünden geçilecek maddeler değil , her biri ciddi mikro seviyede ayrıntılara sahipler , ölyecek kısa kısa anlatmak istemediğinden ayrı basic olmayan senaryolarda bu seçeneği kullanmak istiyorum.</p><p>O yüzden devammm ediyoruzzz :)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*YpLqtYY8s0DJZpmpVeuBfQ.png" /></figure><p>Diğer bir sekme olan Node Scheduling</p><p>Bize üç tane seçenek sunuyor şimdi bunlara ayrıntılı bakalım ;</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*0YSNX1PKGwC6e4QxeAC6nA.png" /></figure><p><strong>Node Scheduling Seçenekleri</strong></p><p>1. <strong>Run VM on any available node : VM’yi herhangi bir uygun Node çalıştır</strong></p><p>Bu seçenek, sanal makinenizin (VM) mevcut herhangi bir uygun node( çalışmasını sağlar. Cluster sanallaştırma ortamınızda, VM’yi başlatmak için en uygun node otomatik olarak seçer.</p><p>• <strong>Avantajları</strong>:</p><p>• Yük dengeleme: VM’ler otomatik olarak en uygun node yerleştirilir, bu da yük dağılımını optimize eder.</p><p>• Esneklik: Node’lardan biri arızalanırsa, VM’ler diğer uygun node taşınabilir.</p><p>• <strong>Kullanım Durumları</strong>: Esnek bir yapılandırma gerektiren durumlar, yüksek kullanılabilirlik gerektiren senaryolar diyebiliriz.</p><p>2. <strong>Run VM on specific node : Belirli bir Node’da VM’yi çalıştır</strong></p><p>• <strong>Açıklama</strong>: Bu seçenek, sanal makinenizin belirli bir node çalışmasını sağlar. Ancak, canlı taşıma (live migration) desteği yoktur, yani bu VM’yi çalışırken başka bir node taşıyamazsınız.</p><p>• <strong>Avantajları</strong>:</p><p>• Kontrol: VM’nin belirli bir düğümde çalışmasını sağlayarak kaynak yönetimi üzerinde daha fazla kontrol sağlar.</p><p>• Özel Gereksinimler: Belirli donanım özelliklerine ihtiyaç duyan uygulamalar için idealdir.</p><p>• <strong>Dezavantajları</strong>:</p><p>• Canlı Taşıma Yok: VM’yi çalışırken başka bir node taşıyamazsınız, bu da esnekliği azaltır.</p><p>• <strong>Kullanım Durumları</strong>: Belirli bir node çalışması gereken özel uygulamalar veya test ortamları.</p><p>3. <strong>Run VM on node(s) matching scheduling rules : Zamanlama kurallarıyla eşleşen node larda VM’yi çalıştır</strong></p><p>• <strong>Açıklama</strong>: Bu seçenek, sanal makinenizin yalnızca belirli zamanlama kurallarıyla eşleşen nodelarda çalışmasını sağlar. Zamanlama kuralları, belirli etiketlere, donanım özelliklerine veya diğer kriterlere dayanabilir.</p><p>• <strong>Avantajları</strong>:</p><p>• Özelleştirme: VM’lerin belirli kriterlere göre belirli node larda çalışmasını sağlayarak daha spesifik bir kaynak yönetimi sağlar.</p><p>• Esneklik ve Kontrol: Farklı uygulama ve iş yüklerine göre özelleştirilmiş kurallar tanımlayarak esnek bir yönetim sağlar.</p><p>• <strong>Kullanım Durumları</strong>:</p><p>• Kaynak Optimizasyonu: Belirli kaynak ihtiyaçlarına sahip uygulamalar için optimize edilmiş node larda çalıştırma.</p><p>• Politika Tabanlı Yönetim: Güvenlik, performans veya diğer politikalar doğrultusunda VM yerleştirme.</p><p>Bu üç seçenek, KVM tabanlı sanallaştırma ortamınızda VM’lerinizi en uygun şekilde yönetmemizi sağlar. Her birinin avantajları ve kullanım durumları farklıdır ve ihtiyaçlarınıza göre en uygun seçeneği belirleyebilirsiniz.</p><p><strong>Run VM on any available node diyerek devam ediyorum.</strong></p><p>Şimdi bakacağımız kısım ise “ Advanced Options “</p><p><strong>Advanced Options Sekmesi</strong></p><p>Bu sekme, sanal makinenizin (VM) çalıştırma stratejilerini, kullanıcı verilerini (User Data), ağ yapılandırma verilerini (Network Data) ve işletim sistemi türünü ayarlamanıza olanak tanır. Bu ayarlar, VM’nin nasıl çalışacağını, başlangıçta hangi konfigürasyonların uygulanacağını ve ağ yapılandırmalarının nasıl olacağını belirler.</p><p>1. <strong>Run Strategy (Çalıştırma Stratejisi)</strong></p><p>• <strong>Seçenekler</strong>:</p><p>• <strong>RerunOnFailure (Başarısızlıkta Tekrar Çalıştır)</strong>: VM’nin başarısızlık durumunda otomatik olarak yeniden başlatılmasını sağlar.</p><p>• <strong>Halt (Durdur)</strong>: VM’nin bir hatayla karşılaştığında durmasını sağlar, manuel müdahale gerektirir.</p><p>• <strong>Always (Her Zaman)</strong>: VM’nin her zaman çalışmasını sağlar, herhangi bir durumda otomatik olarak yeniden başlatılır.</p><p>• <strong>Manual (Manuel)</strong>: VM’nin sadece manuel olarak başlatılmasını sağlar.</p><p>• <strong>Kullanım Durumları</strong>: Bu ayar, VM’nin hata toleransı ve otomatik iyileşme stratejilerini belirler. Örneğin, kritik bir uygulama çalıştıran VM’nin hata durumunda otomatik olarak yeniden başlatılması gerekebilir.</p><p>2. <strong>OS Type (İşletim Sistemi Türü)</strong></p><p>• <strong>Seçenekler</strong>: Windows, Linux, SUSE Linux Enterprise, Debian, Fedora, Gentoo, Oracle, Red Hat, openSUSE, Ubuntu, Other Linux</p><p>• <strong>Kullanım Durumları</strong>: Bu ayar, VM’nin hangi işletim sistemini kullanacağını belirtir. Doğru işletim sistemi türünü seçmek, VM’nin uygun sürücüler ve optimizasyonlarla çalışmasını sağlar.</p><p>3. <strong>Cloud Config (Bulut Yapılandırma)</strong></p><ul><li><strong>User Data (Kullanıcı Verisi)</strong>: Bu alan, VM’nin ilk başlatılmasında çalıştırılacak özel konfigürasyonları içerir. Örnekte, cloud-config formatında bir yapılandırma verilmiş:</li><li>• <strong>Kullanım Durumları</strong>: Kullanıcı verisi, VM başlatıldığında belirli yazılımların yüklenmesi, servislerin başlatılması ve diğer başlangıç konfigürasyonları için kullanılır. Bu, VM’nin otomatik olarak belirli bir durumda yapılandırılmasını sağlar.</li></ul><p>4. <strong>Network Data (Ağ Verisi)</strong></p><ul><li>• <strong>Network Data Template </strong>: Ağ yapılandırma verileri, VM’nin ağ arayüzlerini özelleştirmenizi sağlar. Bu, alt ağ yapılandırması, sanal cihaz oluşturma (bağlar, köprüler, VLAN’lar), yönlendirme ve DNS yapılandırması gibi ağ ayarlarını içerir.</li><li>• <strong>Kullanım Durumları</strong>: VM’nin ağ yapılandırmasını özelleştirmek, belirli ağ gereksinimlerine uygun olmasını sağlar. Örneğin, belirli bir VLAN’a atanmış olması gereken bir VM veya belirli DNS ayarları gerektiren bir VM için kullanılır.</li></ul><p><strong>Genel Kullanım</strong></p><p>Bu gelişmiş seçenekler, VM’nizin başlangıçta nasıl yapılandırılacağını ve çalıştırılacağını belirlemenize olanak tanır. Özellikle büyük ölçekli veya karmaşık ortamlarda, bu ayarlarla VM’lerinizi optimize edebilir, yönetimi kolaylaştırabilir ve otomatikleştirebilirsiniz. Bu sayede, VM’lerinizin ihtiyaçlarınıza en uygun şekilde çalışmasını sağlayabilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*rqN6sJLWBgZTaTF8N3-jLg.png" /></figure><p>default şekilde bırak sadece OS type kısmında Windows seçiyorum ve diğer sekmeye geçiyorum</p><h3>Instance Labels</h3><p>Instance Labels, sanal makinelerinizi (VM’leri) daha iyi organize etmek ve yönetmek için kullanılan anahtar-değer (key-value) çiftleridir. Bu etiketler, belirli VM’leri tanımlamak, sınıflandırmak ve aramak için kullanılır. Büyük sanallaştırma ortamlarında, yüzlerce veya binlerce VM’yi yönetmek zor olabilir, bu yüzden etiketler yönetimi kolaylaştırır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*1ly8OQk97lNNFqIsjCbh8g.png" /></figure><p>1. <strong>Key</strong></p><p>• <strong>Açıklama</strong>: Anahtar, etiketin türünü veya kategorisini belirtir. Bu, bir dizi önceden tanımlanmış veya kullanıcı tarafından belirlenmiş anahtar olabilir. Örneğin, “ortam, “uygulama” , “sahip” gibi anahtarlar kullanılabilir.</p><p>• <strong>Örnek</strong>: Resimde “harvesterhci.io/vmName” anahtarı kullanılmış.</p><p>2. <strong>Value</strong></p><p>• <strong>Açıklama</strong>: Değer, anahtarın belirttiği kategorinin değerini belirtir. Bu, ilgili anahtar için spesifik bir bilgi sağlar.</p><p>• <strong>Örnek</strong>: Anahtar “environment” ise, değer üretim veya geliştirme olabilir.</p><p>3. <strong>Add Label</strong></p><p>• <strong>Açıklama</strong>: Yeni bir anahtar-değer çifti eklemek için kullanılır. Bu butona tıkladığınızda, yeni bir etiket ekleyerek VM’nizin farklı bir özelliğini tanımlayabilirsiniz.</p><p>• <strong>Açıklama</strong>: Mevcut bir etiketi kaldırmak için kullanılır. Bu, yanlış girilmiş veya artık gerekli olmayan etiketlerin silinmesini sağlar.</p><p>Etiketler, VM’lerinizi gruplandırmak ve organize etmek için kullanılır. Farklı projeler, departmanlar veya ortamlar için etiketler tanımlayarak VM’lerinizi daha düzenli bir şekilde yönetebilirsiniz.“sensitivity=high” etiketi ile yüksek hassasiyete sahip verileri içeren VM’lere daha sıkı güvenlik politikaları uygulayabilirsiniz.</p><p>Instance Labels, sanal makine yönetimini daha etkili ve verimli hale getirir. Anahtar-değer çiftleri şeklinde tanımlanan bu etiketler, VM’lerinizi organize etmek, aramak, izlemek ve yönetmek için güçlü bir araçtır. Büyük ölçekli sanallaştırma ortamlarında, etiketler kullanılarak yönetim süreçleri kolaylaştırılır ve optimize edilir.</p><p>default şekilde bırakıyorum</p><p>Son şekilde uygulamadığımız ayarlar bu şekilde olmalı</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*mvDzsgY5luSF4lTCRCmBxQ.gif" /></figure><p>son olarak sağ alt köşede bulunan “ Create “ butonuna tıklıyoruz.</p><p>Yaptığınız ayarlarda bir sorun olmaması durumunda sol menüden Virtual Machine sekmesine tıkladığınızda ;</p><p>bu şekilde oluşturduğumuz vm ‘i Unschedulable modda oluştura süreci başlatılıyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*u0e7sSTxyW9g75-tXma-SQ.png" /></figure><p>bir süre bekliyoruz ve oluşturduğumuz VM Running duruma geçiyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2CKGJgX8L4d3ljbShXxKgw.png" /></figure><p>Diğer adımlara geçmeden aslında görmenizi istediğim bir kısım var .</p><p>Harvester aslında architecture de daha öncedeki makalemde ( <a href="https://www.linkedin.com/posts/activity-7200757802804428800-jvVr?utm_source=share&amp;utm_medium=member_desktop">https://www.linkedin.com/posts/activity-7200757802804428800-jvVr?utm_source=share&amp;utm_medium=member_desktop</a>” KubeVirt teknolojisi kullanarak bir VM ‘i kubernetes ortamında çalıştırmayı sağlıyor , doğal olarak bir kuberntes cluster ‘na kubevirt kurarak da bir sanal makinayı çalıştırabilirsiniz ama biraz uğraşmanız gerekli , harvester aslında bu işlemi GUI aracılığı ile kolay karmaşıksız bir şekilde yapmanızı sağlıyor. Create VM sekmelerinde sizden aldığı bilgilere göre aslında arka planda Kubevirt ‘e bir YAML hazırlıyor. :)</p><p>bizim bu örneğimizdeki VM ‘e ait arka planda oluşturduğu YAML Dosyasını görmek için Vm işaretleyip sağında bulunan üç nokta butonundan “ Edir YAML “ yeterli. VM create ederken girdiğimiz tüm bilgiler bura da :)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*62fOxpaVlRS7d0AW1eez0g.gif" /></figure><p>Şimdi VM kurmaya devam edelim.</p><p>İlgili VM seçip “ Console “ butonuna tıkladığımızda arkada aslında VNC ile vm ulaşmamızı sağlıyor. :)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*y8a29-OmPhK96pG-v0AzNw.gif" /></figure><p>VM ‘in kurulumuna devam ediyoruz.</p><p>Klasik bildiğimiz windows kurulumu sürecini tamamlıyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/955/1*W0E1wyF9Fz-7hPfD3sF1vQ.png" /></figure><p>Şimdi Next Next ‘e geçtik :)</p><p>GUI versionu kurmasını istiyorum ve Next diyorum.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*6kbD7t1kdMMUlKrQbDbsLw.png" /></figure><p>kabul edip Next diyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*4S-CmdxcC5bsZiGAqwqOAw.png" /></figure><p>Custom Install Windows only seçerek next diyorum</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*UDHwVzeyIEZ9OSCy-SgSbA.png" /></figure><p>Ve geldik yazının üst kısımlarında bahsettiğimiz disk bölümüne.</p><p>Dikkat ederseniz her hangi bir disk ‘i şuan göremiyoruz.</p><p>Görmesini sağlamak adına kullanacağı disk ile ilgili Driver ‘ları göstermemiz gerekli. Bunun için Load driver seçeneği tıklıyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*sCKnrlw-hDN5WlB7Bbc9Yw.png" /></figure><p>Browse diyoruz</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*SthH0xk5JyOWr_JJ9UDC0w.png" /></figure><p>Dikkat edersek VM ‘e tepe ‘ı cd-rom olarak belirtiğimiz volumes bura da görebiliyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*kp7tnNYBjZqOqTLPoNuuVg.png" /></figure><p>ve cd Drive E: altında amd64 altında 2k19 klasörünü gösteriyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*vDc72i9IRAYfYvA8WZmFuA.png" /></figure><p>ve disk ile ilgili driver görüyor.Next diyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*5JKy709K5jX96qgW-MDYmQ.png" /></figure><p>Ve artık volume sekmesinde belirtiğimiz 200 GB işletim sisteminin kurulacağı disk ‘i görüyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*bBObe3uY1g-Kgs0fMl9WEw.png" /></figure><p>bu disk ‘i seçip devam ediyoruz kendi otomatik olarak zatne buraya kurulumu yapacak</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*qMA8CRJo5aYZ2oBDX3v5GA.png" /></figure><p>kurulum yapacağımız alanı seçip devam ediyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*zH77j2nsD4U5DC3mGUhDIA.png" /></figure><p>ve kurulum süreci başladı. VM verdiğiniz kaynaklara , demo uyguladığınız sunucunun yapısına özelikle disk tipi hızı vb göre bu kurulum süresi değişebilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*G3oW06dhEQsM-aleseVG9A.png" /></figure><p>ve bir şifre verip kurulumu tamamlıyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*8KLO3nE-08HiXng-gwo0Rg.png" /></figure><p>Kurulum bitti. Şimdi sol taraftan Shortcut Key tıklayarak klasik ctrl + alt + del yapıp şifremizi giriyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/596/1*eS86Z0DEEH1EzogarOBQ3g.png" /></figure><p>Şifremizi giriyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*U928G3ZaX5wuYATQu-ErdA.png" /></figure><p>Ve windows server hazır</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/875/1*EKk0FnL2xoSkvz_AebsDNQ.png" /></figure><p>Şimdi ufak bir sorunumuz gözüküyor ilgili vm network kartı yok</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*oezxYQsQdYICorPeaTO89w.png" /></figure><p>Daha doğrusu şöyle açıklamak gerekli.VM create ederken hatırlarsanız network tabında Model olarak virio seçtik. Ve windows şuan ilgili network kartının driver bilmediğinden dolayı netwotk kartı yok gibi düşünüyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Yn0WUfBVZYJf91zVDiTJ8A.png" /></figure><p>İlgili netwotk kartını yüklemek ve vm ‘de KVM daha performanslı olması açısından vm ‘e hala takılı olan virtio cd-rom giriyoruz ve “ virtio-win-gt-x64” adlı msi paketini kuruyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/898/1*SX3DFJ9ujO0BcvFfPVP7dQ.png" /></figure><p>basit bir kurulumu var zaten gene next next diyeceğiz :)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/894/1*bM5lnnIjnL329MzjZgbliA.gif" /></figure><p>Evet şimdi network kartının geldiğini ve IP aldığını görebiliriz</p><p>Aldığı Ip : 10.0.2.2 ( Dediğim gibi network senaryolarına sonra daha ayrıntılı bir senaryoda yer vereceğim)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*zZZ9lFScCawHKErVerAoAg.png" /></figure><p>ve gene aynı şekilde ilgili vm ‘in internete çıktığını görebiliyoruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*4Rc5YsgkjPKRJt92HThNUQ.png" /></figure><p>Evet harvester üzerinde windows sever 2019 işletim sistemini kurup çalışmasını sağladık.</p><p>Bu oluşturduğumuz VM aslında kubernetes üzerinde :) kontrol edelim.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*it5zXXFsKTOBbhIpYQs-Xg.gif" /></figure><p>Harvester Part2 makalesinin sonuna geldik. Harvester ile ilgili daha gelişmiş senaryolar içeren makaleleri zaman buldukça paylaşacağım. :)</p><p>Kaynak : <a href="https://harvesterhci.io/">https://harvesterhci.io/</a></p><p>Tolga Tekin.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d7c93fcba318" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Basic Kubernetes Architecture]]></title>
            <link>https://medium.com/@mtolgatekin/basic-kubernetes-architecture-625c7907c5e9?source=rss-600b587569b3------2</link>
            <guid isPermaLink="false">https://medium.com/p/625c7907c5e9</guid>
            <category><![CDATA[kubernetes]]></category>
            <dc:creator><![CDATA[Tolga Tekin]]></dc:creator>
            <pubDate>Tue, 28 May 2024 09:44:31 GMT</pubDate>
            <atom:updated>2024-05-28T09:44:31.764Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*kPJMMb3zYlqQ7FFdnTGPOA.jpeg" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=625c7907c5e9" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>