ساخت تصاویر ماشین خودکار با HashiCorp Packer
✅ سرفصل و جزئیات آموزش
در این دوره می آموزید که چگونه با استفاده از HashiCorp Packer، ایجاد تصویر ماشین را در چندین پلتفرم خودکار کنید.
آنچه یاد خواهید گرفت
- بروزترین دوره آموزشی HashiCorp Packer
- یاد می گیرید که ایجاد تصویر ماشین را به صورت خودکار انجام دهید.
- درک کامپوننت های اصلی و قابلیت Packer
- پیاده سازی راه حل های واقعی با Packer HCL2
- کسب تجربه عملی با Packer با استفاده از لابراتوارهای ارائه شده ما
- دسترسی به تمام محتوای دوره - اسلایدها، لابراتوارهای عملی، نقشه های ذهنی و راهنمای لابراتوارها
پیش نیازهای دوره
- بدون نیاز به تجربه در Packer - ما شما را با این دوره کاملاً آماده خواهیم کرد.
- درک اولیه یک یا چند پلتفرم زیرساخت (AWS، آژور، VMware و OpenStack و غیره)
- اسکریپت نویسی سیستم عامل لینوکس یا ویندوز یک مزیت است اما لازم نیست.
توضیحات دوره
این دوره شامل دروس عمیق در مورد تمام کامپوننت های اصلی HashiCorp Packer و هزاران لابراتوار موجود است.
فراتر از آشنایی با HashiCorp Packer، ما پا را فراتر گذاشته و به شما نشان می دهیم که چگونه HashiCorp Packer را با سایر ابزارهای اتوماسیون مانند HashiCorp Terraform و HashiCorp Vault و GitLab CI/CD یکپارچه کنید. ما ساخت تصاویر را در چندین پلتفرم ابر عمومی نشان داده و حتی به شما توضیح می دهیم که چگونه با استفاده از Packer تصاویر VMware بسازید.
ما مباحث مختلف را پوشش خواهیم داد، از جمله:
- معرفی HashiCorp Packer و مشکلاتی که حل می کند.
- استفاده از کیس ها و مثال ها
- نوشتن قالب های Packer با استفاده از HCL2 (استاندارد جدید برای +Packer 1.7)
- بیلدرهای مختلف
- استفاده از متغیرها
- Provisioners
- پس پردازشگرها
- سازماندهی کد
- یکپارچه سازی هایی مانند پایپ لاین های اتوماسیون، مدیریت secrets، مفهوم Terraform و موارد دیگر
این دوره برای چه کسانی مناسب است؟
- مهندسان دواپس که به دنبال ساده سازی مدیریت تصاویر در یک یا چند پلتفرم هستند.
- مهندسان اتوماسیون که به دنبال ایجاد فکتوری تصویر هستند.
- مهندسانی که به دنبال مدیریت آسان یک یا چند تصویر طلایی برای حجم کاری خود هستند.
- مدیران سیستم که مسئول نگهداری و پچینگ تصویر و سیستم عامل هستند.
ساخت تصاویر ماشین خودکار با HashiCorp Packer
-
مقدمه 12:57
-
آشنایی با Packer - بررسی بخش 01:28
-
چرا از Packer استفاده کنیم؟ 10:47
-
Hello, Packer 11:13
-
کامپوننت های اصلی Packer 14:47
-
نصب Packer 03:30
-
دمو - نصب Packer 08:41
-
خط فرمان Packer 12:18
-
لابراتوار عملی - خط فرمان Packer 06:51
-
گردش کار Packer 03:18
-
دمو - گردش کار Packer 04:13
-
آشنایی با Packer - جمع بندی بخش 01:22
-
نوشتن قالب های Packer 10:35
-
سینتکس HCL 09:21
-
لابراتوار عملی - تبدیل قالب های جی سان به HCL 05:48
-
کار با کامپوننت های اصلی Packer در HCL 10:41
-
لابراتوار عملی - نوشتن قالب های Packer 08:53
-
آشنایی با بیلدرها 06:13
-
دمو - ساخت AWS AMIs با Packer 17:16
-
دمو - ساخت تصاویر ماشین آژور با Packer 08:54
-
دمو - ساخت تصاویر ماشین Google Compute با Packer 11:01
-
دمو - ساخت قالب های VMware با Packer 11:20
-
لابراتوار عملی - ساخت تصاویر در چند منطقه 06:26
-
لابراتوار عملی - ساخت تصاویر برای سیستم عامل های مختلف 13:33
-
لابراتوار عملی - ساخت تصاویر در چند ابر 06:57
-
دمو - هدف گذاری ابرها و انواع بیلد با استفاده از Packer 04:11
-
آشنایی با متغیرها 06:24
-
اعلان متغیرهای Packer 05:09
-
استفاده از متغیرها در قالب های Packer 08:22
-
استفاده از متغیرهای محیطی 02:34
-
لابراتوار عملی - متغیرهای Packer 12:49
-
آشنایی با Provisioners 02:45
-
مثال هایی از Provisioners مختلف 05:11
-
ویژگی های مفید Provisioners 05:53
-
لابراتوار عملی - Provisioners 06:08
-
آشنایی با پس پردازشگرها 06:31
-
مثال هایی از پس پردازشگرها 07:20
-
لابراتوار عملی - پس پردازشگرها 04:34
-
سازماندهی کد 08:02
-
لابراتوار عملی - سازماندهی کد 10:24
-
لابراتوار عملی - هدف گذاری بیلدهای ابری 07:01
-
لابراتوار عملی - اشکال زدایی Packer 14:01
-
لابراتوار عملی - نقاط شکست Packer 14:52
-
لابراتوار عملی - یکپارچه سازی Packer با Red Hat Ansible 13:22
-
لابراتوار عملی - یکپارچه سازی Packer با HashiCorp Terraform 13:15
-
دمو - یکپارچه سازی Packer با HashiCorp Vault's KV v2 Secrets Engine 04:24
-
دمو - یکپارچه سازی Packer با HashiCorp Vault با استفاده از AWS Secrets Engine 13:06
-
دمو - یکپارچه سازی Packer با GitLab CI/CD 14:34
مشخصات آموزش
ساخت تصاویر ماشین خودکار با HashiCorp Packer
- تاریخ به روز رسانی: 1404/06/14
- سطح دوره:همه سطوح
- تعداد درس:48
- مدت زمان :06:54:54
- حجم :3.35GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy