Kubernetes - Produktion und Skalierung
Helm Charts, HPA/VPA, StatefulSets, PersistentVolumes, RBAC, GKE, Resource Limits, Prometheus/Grafana, Health Probes
1Was ist die Hauptaufgabe von Helm in einem Kubernetes-Ökosystem?
Was ist die Hauptaufgabe von Helm in einem Kubernetes-Ökosystem?
Antwort
Helm ist der Paketmanager für Kubernetes. Er ermöglicht das Definieren, Installieren und Aktualisieren komplexer Anwendungen über Charts, die Sammlungen von Template-YAML-Dateien sind. Helm vereinfacht das Deployment durch reproduzierbares Management von Abhängigkeiten, Versionen und Konfigurationen.
2Was ist der grundlegende Unterschied zwischen einem Deployment und einem StatefulSet?
Was ist der grundlegende Unterschied zwischen einem Deployment und einem StatefulSet?
Antwort
Ein StatefulSet garantiert eine stabile und persistente Identität für jeden Pod (Netzwerkname, Storage), während ein Deployment Pods als austauschbar behandelt. StatefulSets sind essenziell für stateful Anwendungen wie Datenbanken, bei denen jede Instanz ihre Identität und Daten über Neustarts hinweg beibehalten muss.
3Wie funktioniert der Horizontal Pod Autoscaler (HPA), um die Anzahl der Replicas anzupassen?
Wie funktioniert der Horizontal Pod Autoscaler (HPA), um die Anzahl der Replicas anzupassen?
Antwort
Der HPA überwacht Pod-Metriken (CPU, Speicher oder benutzerdefinierte Metriken) über den Metrics Server und passt die Anzahl der Replicas automatisch an, um die Zielauslastung zu halten. Er berechnet das Verhältnis zwischen aktueller und Ziel-Nutzung und skaliert entsprechend hoch oder runter mit Cooldown-Perioden, um Thrashing zu vermeiden.
Was ist der Unterschied zwischen HPA (Horizontal Pod Autoscaler) und VPA (Vertical Pod Autoscaler)?
Was ist die Rolle eines PersistentVolume (PV) und eines PersistentVolumeClaim (PVC) in Kubernetes?
+17 Interview-Fragen
Weitere Data Engineering-Interviewthemen
Linux & Shell - Grundlagen
Git & GitHub - Grundlagen
Fortgeschrittenes Python für Data Engineering
Docker - Grundlagen
Google Cloud Platform - Grundlagen
CI/CD und Codequalität
Docker Compose
FastAPI - Daten-APIs
Fortgeschrittenes SQL für Data Engineering
Data Lake - Architektur und Ingestion
BigQuery für Data Engineering
PostgreSQL - Administration
Data Modeling für Data Engineering
Fivetran & Airbyte - Daten-Ingestion
dbt - Grundlagen
Apache Airflow - Grundlagen
Kubernetes - Grundlagen
dbt - Erweiterte Funktionen
ETL- / ELT- / ETLT-Patterns
Apache Airflow - Fortgeschritten
Airflow + dbt - Pipeline-Orchestrierung
PySpark - Verarbeitung im großen Maßstab
Google Pub/Sub - Daten-Streaming
Apache Beam & Dataflow
Terraform - Infrastructure as Code
NoSQL-Datenbanken
Moderne Data Architecture
Monitoring und Observability
IAM und Datensicherheit
Meistere Data Engineering für dein nächstes Interview
Zugang zu allen Fragen, Flashcards, technischen Tests, Code-Review-Übungen und Interview-Simulatoren.
Kostenlos starten