上午

1.“云原生”应运而生

1.1 “数智化”转型给 IT 系统带来的新挑战

1.2 “云原生”的概念和内涵

1.3 “云原生”落地典型案例

2. 微服务架构，释放开发生产力

2.1 从单体应用到微服务架构应用

2.2 微服务架构带来的收益和新问题

2.3 微服务治理框架和服务网格

3. 容器平台，赋能云上应用的全生命周期运维

3.1 IT 架构持续演进给运维带来的新挑战

3.2 Docker 和 Kubernetes 实现云上应用的敏捷部署和自动化运维

3.3 容器技术相关标准和 Docker 的替代方案

下午

4. DevOps，打通开发-运维，规范流程，提升效能

4.1 云原生应用的开发-运维-迭代全流程及其中的瓶颈

4.2 DevOps 打通开发与运维

4.3 DevOps 提升测试效率

5. 云原生体系的新技术新趋势

5.1 Serverless 无服务器架构

5.2 云边协同

5.3 支持 AI 的云原生技术

6. 技术之外

6.1 云原生技术落地对组织架构和组织能力的要求

6.2 “云原生计算基金会”（CNCF）简介

Day1

上午

1. 容器与容器编排技术概述

1.1 容器技术的发展与 Docker

1.2 事实标准的容器集群与容器编排平台 —— Kubernetes（K8s）

1.3 OCI 标准与 CRI 标准

2. Docker 简介

2.1 Docker 的原理

2.2 Docker 常用操作及应用

2.3 Docker 镜像及其构建

Day1

下午

3. K8s 的架构及安装部署

3.1 K8s 的架构

3.2 K8s 的自动化部署工具

3.3 单节点 K8s 环境安装

3.4 生产级别 K8s 集群的部署架构

4. K8s 的基本应用

4.1 Kubectl 命令行配置及使用

4.2 Yaml 资源编排文件

4.3 Pod 的概念及管理

4.4 重启策略+健康检查实现应用自修复

4.5 Pod 的调度

Day2

上午

5. K8s 中的工作负载

5.1 K8s 的控制器模型

5.2 Deployment

5.3 Stateful Set

5.4 Daemon Set

5.5 Job 和 Cron Job

6. Service 和 Ingress

6.1 Service 的概念和基本使用

6.2 Service 实现原理

6.3 部署和使用 Ingress Controller 能力

Day2

下午

7. K8s 的网络

7.1 K8s 的网络模型

7.2 K8s 的网络南向接口标准 CNI

7.3 典型的 K8s 网络方案：Calico、Flannel 及其他

7.4 实现虚机/物理机与 K8s 容器 IP 直通 —— 需求、问题及解决方法

8. K8s 的存储

8.1 K8s 中使用存储的几种模式和应用场景

8.2 PV、PVC 详解

8.3 K8s 的存储南向接口标准 CSI 及存储类别、存储动态供给

8.4 IaaS 上搭建 K8s 平台常见的存储问题及解决方法

Day1

上午

1. K8s 中的服务发现和配置管理

1.1 K8s 中服务名称解析及其实现原理

1.2 使用 ConfigMap 保存和管理应用的配置信息

1.3 使用 Secret 保存和管理应用的敏感信息

2. 在 K8s 中的弹性伸缩

2.1 Pod 水平扩缩及其自动化（HPA）

2.2 定义 HAP 的扩缩指标

2.3 K8s Node 自动扩容与下线（缩容）

3. 基于 K8s 部署和管理有状态服务

3.1 部署单实例有状态服务

3.2 基于 StatefulSet 部署和管理有状态服务

3.3 StatefulSet 的原理和注意事项

3.4 StatefulSet 的扩缩

Day1

下午

4. Helm 部署和管理一个复杂应用

4.1 为什么需要 Helm 及 Helm 的发展

4.2 Helm 基本应用

4.3 Helm Chart 模板编写基础

4.4 开发一个 Helm Chart

5. Oprator 模式及 K8s 扩展开发

5.1 K8s 自有 Controller 的不足及 Operator 模式的产生与发展

5.2 通过 CRD 扩展 K8s 的资源类型

5.3 基于 Kubebuilder 开发 Operator 实现自定义资源的操作与维护5.4 Kubebuilder 与其他 Operator 开发框架的比较

5.5 Operator 与 Helm 的比较和应用场景选择

Day2

上午

6. 为 K8s 配置企业级监控、日志与镜像仓库

6.1 基于 Prometheus 监控 K8s Pod、Node 等资源的各项指标

6.2 使用 Grafana 实现 K8s 监控指标的图形化展现

6.3 基于 ELK（Elastic Stack）收集容器标准输出日志

6.4 基于 ELK（Elastic Stack）收集容器内的日志文件

6.5 使用 Harbor 镜像仓库

6.6 使用 Harbor 作为 Helm Chart 仓库

Day2

下午

7. 案例实践：

模拟一个分布式应用（微服务架构）项目，实现在 K8s中的发布、部署、监控、运维和升级。

Day1

上午

1. K8s 中的服务发现和配置管理

1.1 K8s 中服务名称解析及其实现原理

1.2 使用 ConfigMap 保存和管理应用的配置信息

1.3 使用 Secret 保存和管理应用的敏感信息

2. 在 K8s 中的弹性伸缩

2.1 Pod 水平扩缩及其自动化（HPA）

2.2 定义 HAP 的扩缩指标

2.3 K8s Node 自动扩容与下线（缩容）

3. 基于 K8s 部署和管理有状态服务

3.1 部署单实例有状态服务

3.2 基于 StatefulSet 部署和管理有状态服务

3.3 StatefulSet 的原理和注意事项

3.4 StatefulSet 的扩缩

Day1

下午

4. Helm 部署和管理一个复杂应用

4.1 为什么需要 Helm 及 Helm 的发展

4.2 Helm 基本应用

4.3 Helm Chart 模板编写基础

4.4 开发一个 Helm Chart

5. Oprator 模式及 K8s 扩展开发

5.1 K8s 自有 Controller 的不足及 Operator 模式的产生与发展

5.2 通过 CRD 扩展 K8s 的资源类型

5.3 基于 Kubebuilder 开发 Operator 实现自定义资源的操作与维护5.4 Kubebuilder 与其他 Operator 开发框架的比较

5.5 Operator 与 Helm 的比较和应用场景选择

Day2

上午

6. 为 K8s 配置企业级监控、日志与镜像仓库

6.1 基于 Prometheus 监控 K8s Pod、Node 等资源的各项指标

6.2 使用 Grafana 实现 K8s 监控指标的图形化展现

6.3 基于 ELK（Elastic Stack）收集容器标准输出日志

6.4 基于 ELK（Elastic Stack）收集容器内的日志文件

6.5 使用 Harbor 镜像仓库

6.6 使用 Harbor 作为 Helm Chart 仓库

Day2

下午

7. 案例实践：

模拟一个分布式应用（微服务架构）项目，实现在 K8s中的发布、部署、监控、运维和升级。

上午

1. 边缘计算以及为什么需要云原生能力

1.1 边缘计算的概念和分类

1.2 云-边协同的应用场景和技术需求

1.3 为什么要“将云原生能力延伸到边缘”

1.4 在边缘提供云原生能力的两类典型技术路径

2. 基于 K8s Node 拉远的方案

2.1 K8s Node 拉远方案的需求和实现原理分析

2.2 K8s Node 拉远方案的典型实现 —— KubeEdge 概述

2.3 KubeEdge 的云端组件架构与云边协同原理

2.4 KubeEdge 的边缘组件架构与边缘自治原理

2.5 KubeEdge 中的设备管理与编程

2.6 KubeEdge EdgeMesh 将服务网格延伸到边缘

下午

3. 基于 K8s 集群小型化的方案

3.1 K3s 的架构和原理

3.2 K3s 的部署与应用

3.3 K3s 与 K8s 集群串联

3.4 大量 K8s（K3s）集群的管理

4. 进阶话题

4.1 两类技术方案的对比和未来演进

4.2 StarlingX 等其他边缘云/分布式云方案

4.3 5G 发展给边缘云/分布式云带来的新产业空间

上午

1. 人工智能与机器学习

1.1 我们正处于人工智能的第三次浪潮中

1.2 人工智能 - 机器学习 - 深度学习

1.3 中国人工智能产业现状

1.4 数据-算法-算力是现代人工智能的三大关键要素

2. 深度神经网络的原理与应用概述

2.1 神经网络及其训练的基本原理

2.2 卷积神经网络

2.3 神经网络应用的编程框架 —— TensorFlow、Keras 及其他

2.4 机器学习分布式训练原理与实操  

3. 基于 K8s 解决分布式训练场景中的实际问题

3.1 TensorFlow 多业务分布式训练面对的问题分析

3.2 基于 TFjob / tf-operator 在 K8s 上实现多业务共享资源分布式学习

下午

4. 基于 KubeFlow 以云原生的方式开发和交付 AI 应用

4.1 AI 模型从研发到上线再到迭代的全流程

4.2 云原生技术简化 AI 应用开发和交付

4.3 KubeFlow 的组件和整体架构

4.4 KubeFlow 的安装部署

4.5 KubeFlow Notebook Server

4.6 基于 KubeFlow Katib 实现超参数和模型结构的搜索和优化

4.7 使用 KubeFlow Pipeline 实现 AI 应用的持续迭代研发和部署

4.8 使用 KubeFlow KFServing 实现 AI 应用的上线交付