Kubernetes - Grundlagen
Pods, Deployments, Services, Ingress, ConfigMaps, Secrets, Namespaces, kubectl, YAML-Manifeste
1Was ist die kleinste bereitstellbare Einheit in Kubernetes?
Was ist die kleinste bereitstellbare Einheit in Kubernetes?
Antwort
Der Pod ist die kleinste bereitstellbare Einheit in Kubernetes. Ein Pod repräsentiert einen oder mehrere Container, die sich dasselbe Netzwerk und denselben Speicher teilen. Er bildet den grundlegenden Baustein, auf dem alle anderen Kubernetes-Abstraktionen wie Deployments, ReplicaSets und Services aufbauen.
2Welche Kubernetes-Komponente ist dafür verantwortlich, eine bestimmte Anzahl von Pod-Replikaten am Laufen zu halten?
Welche Kubernetes-Komponente ist dafür verantwortlich, eine bestimmte Anzahl von Pod-Replikaten am Laufen zu halten?
Antwort
Ein Deployment verwaltet ReplicaSets, die die gewünschte Anzahl laufender Pods aufrechterhalten. Es bietet Rolling-Update-, Rollback- und Skalierungsfunktionen. Deployment ist die empfohlene Methode zur Bereitstellung von zustandslosen Anwendungen in Kubernetes.
3Welcher kubectl-Befehl listet alle Pods über alle Namespaces hinweg auf?
Welcher kubectl-Befehl listet alle Pods über alle Namespaces hinweg auf?
Antwort
Der Befehl kubectl get pods --all-namespaces (oder kurz -A) zeigt alle Pods aus allen Namespaces an. Standardmäßig arbeitet kubectl im default Namespace. Der --all-namespaces-Flag ermöglicht das Anzeigen von Systemressourcen in kube-system sowie denen in anderen Namespaces.
Welcher Kubernetes Service-Typ exponiert Pods nur innerhalb des Clusters?
Wie speichert man nicht-sensible Konfigurationsdaten 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
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
Kubernetes - Produktion und Skalierung
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