全面解析平台工程与 DevOps 的区别与联系

在这里插入图片描述
平台工程的概念非常流行,但很多开发人员仍然不清楚它是如何实际运作的,这是非常正常的。
平台工程是与 DevOps 并行吗?还是可以相互替代?或者 DevOps 和平台工程是两个完全不同的概念?

一种比较容易将两者区分开来的方法是将 DevOps 视为一种推动技术决策工作场所文化。而平台工程则是一种统一技术的方式,使得 DevOps 能够快速将这一愿景变为现实。

如果说 DevOps 流程就像 Beyoncé 和 Kendrick Lamar 在录音室里精心打磨一首新曲,那么平台工程师就是录音室里的天才。他负责调整音量,混合声音,想出如何创造 Beyoncé 和 Kendrick 想要实现的效果,这样他们就可以专注于表演,而不必担心发生在幕后的事情。

所以,平台工程师并不取代开发人员或 DevOps 团队。他们不是为 Beyoncé 唱歌,也不是为 Kendrick 说唱。

相反,他们创建自助应用程序并设计内部开发平台(IDP),以便 DevOps 工程师无需自己工程化和管理所有这些工具,直接取用即可。

DevOps 是什么?

顾名思义,DevOps 结合了软件开发和运维。其理念是通过在开发和交付过程中实现更好的沟通和协作,优化这两个领域。

DevOps 的一些关键特性包括:

协作

DevOps 的核心是团队合作。其目标是打破不同职能团队之间的障碍,使它们更有效地进行合作,从而使组织能够更快速、更高效地创建、维护和交付软件和应用程序。

自动化

理想情况下,DevOps 还应该智能地利用自动化。基本上,任何可以减少团队成员手动介入测试、部署和发布管理等过程的需求的东西都是有利的。

持续集成

这一点十分重要。持续集成和持续交付/部署(CI/CD)对于简化和加速软件开发生命周期变得越来越重要,特别是当开发人员在维护“始终运行”的应用程序时。通过 CI,可以自动将源代码集成到共享存储库中,包括更新、修复、补丁和版本。

持续交付/部署

然后,还有 CI/CD 管道的“CD”部分。CD 意味着集成、测试和交付代码,或者持续部署,这些更新部署可以被自动地部署到生产环境中。

如果正确操作,这应该可以减少错误和失败,并使整个工作流程更加顺畅和简单。

监控和日志记录

弄清事情发生的本源通常是解决问题和下次避免重复问题的最大障碍。因为 DevOps 建立在沟通和协作的基础上,团队更容易监控流程并保留关键信息,包括通过开发、发布和更新日志。

基础设施即代码

这是通过代码本身创建、设置和管理对计算资源的系统访问权限的过程,而不是通过硬件配置或工具。当开发人员管理云原生应用程序、基于服务的架构或大规模分布式系统时,这种方法特别有用。通过自动化云基础设施的管理和配置,开发过程可以减少人为错误,更有效地提供资源,加快部署速度,并为工程师节省更多宝贵的时间。

可扩展性和灵活性

DevOps 被正确的操作执行,开发团队将在问题出现时更加灵活和响应。他们将能够迅速沟通,找到意外更改或操作问题的解决方案。当然,这意味着他们将能够在长期内更有效地扩展。

反馈循环

最后,DevOps 是关于学习和改进的。它不是反复的被动消防,而是创建了一个连续的反馈循环。您可以迅速获得反馈,可以迅速作出回应,可以尽快解决问题,并可以将所有经验融入工作流程中,以避免重复相同的错误。

平台工程是什么?

基本上,平台工程师的工作是设计 IDP,为开发人员提供他们需要继续开发和改进应用程序的工具和工作流程,而不必担心维护他们的技术栈所需的所有后端工作。

随着软件开发变得越来越复杂,工程师花费越来越多的时间管理 CI/CD 管道、DevOps 工具、云资源和其他工具,平台工程越来越受欢迎。

让我们来详细了解一下开发团队配置平台工程师的一些好处。

开发人员生产力提高

开发人员一天只能做那么多事情。如果他们完全忙于管理庞大的代码库、维护现有工具,并担心这些工具之间的适配和集成,那么就没有太多的余地了。一个设计良好的 IDP 可以减轻开发人员的压力。

与其为了让工具链正常工作而苦恼,开发人员可以专注于获取加速开发所需的工具,这意味着更快地完成更多工作。

自助服务功能

平台工程是关于为开发人员和软件工程师创建自助服务功能的。他们无需管理不断增长的工具链(包括 CI/CD 管道、DevOps 工具、版本管理、云资源、加速工具等等),只需在需要时使用 IDP 访问所需的工具即可。

安全性和合规性

平台工程的另一个核心目标是增强安全性和合规性。有了一个平台工程师在团队中,工程师可以访问一个符合监管要求的单一平台;实施行业最佳实践,并融合全面的安全控制、加密机制等等。与保持一打受单独管理的工具安全和最新相比,这极大地降低了人为错误和安全问题的可能性。

可扩展性和可靠性

通过减少工程师管理工具的时间,平台工程师可以简化您的流程,降低成本,使您的组织更具敏捷性,减少由于人为错误而导致错误发生的可能性,并加快上市时间。所有这些都意味着您可以更大胆、更快速、更自信地扩展规模。

协作机会

最好的 IDP 还可以包括协作和知识共享工具,如聊天系统和代码存储库。这使工程师更容易地交流想法并尝试新方法。共同努力创新和改进产品,而不会被技术挑战所困扰。
它还使得与组织外的团队合作变得不那么可怕,打开了大量新的可能性。

更好的结果

最终,平台工程最有说服力的论点是,它旨在帮助开发人员更快地、更少地制造更好的产品。因此,他们可以更快地推出应用程序并运行构建,而且更可靠。如果做得正确,它应该会在整个链条上都产生改进,从入职到创新和交付。

平台工程与 DevOps 之间的联系

理解两者之间联系的关键是平台工程与 DevOps 彼此不互相替代!

开发团队中配置有工程师并不意味着不再需要 DevOps 团队,反之亦然。团队中仍然需要一位 DevOps 平台工程师。这些是互补的学科。平台工程师可以构建基础设施、技术栈和开发人员和 DevOps 团队所需的基本基础。与此同时,DevOps 是关于制定流程和想法,使这些工具得到最佳利用,充分利用开发周期。

DevOps 和平台工程并行更佳

近年来,“平台工程”以十分合理充分的理由引起了很多关注。与其将平台工程和 DevOps 视为竞争性领域,考虑工程平台如何增强 DevOps 对开发团队来说更为有益。 一个好的 IDP 可以帮助开发团队专注于简化流程,帮助开发者识别和修复错误,改进构建过程,并为开发团队提供创造更具竞争性的软件应用产品。

点击了解 Incredibuild 加速 CI/CD 的解决方案,并获取试用 License!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mfbz.cn/a/577438.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

Feign负载均衡

Feign负载均衡 概念总结 工程构建Feign通过接口的方法调用Rest服务(之前是Ribbon——RestTemplate) 概念 官网解释: http://projects.spring.io/spring-cloud/spring-cloud.html#spring-cloud-feign Feign是一个声明式WebService客户端。使用Feign能让…

AI大模型探索之路-训练篇5:大语言模型预训练数据准备-词元化

系列文章目录🚩 AI大模型探索之路-训练篇1:大语言模型微调基础认知 AI大模型探索之路-训练篇2:大语言模型预训练基础认知 AI大模型探索之路-训练篇3:大语言模型全景解读 AI大模型探索之路-训练篇4:大语言模型训练数据…

法律知识学习考试系统 C#+uniapp+asp.net微信小程序

技术要求:后端C#,安卓app,mysql数据库 系统分为管理员、教师端和学生端: 管理员端实现管理员的注册登录以及教师和学生的注册、法律法规内容的发布与更新、法律法规页面的评论的添加与删除、内容查询、知识小测的内容发布与删除、问卷调查的发…

云计算和边缘计算究竟有什么不同

在数据时代,无论是人的活动还是机器的运作都会产生各种各样海量的数据。在对数据梳理和筛选过程中,计算机的运算处理必不可少。为了减少本地计算机算力成本等限制,越来越多的企业选择了云计算和边缘计算。今天,德迅云安全就带您来…

SpikingJelly笔记之梯度替代

文章目录 前言一、梯度替代二、网络结构三、MNIST分类1、单步模式2、多步模式 总结 前言 在SpikingJelly使用梯度替代训练SNN,构建单层全连接SNN实现MNIST分类任务。 一、梯度替代 1、梯度替代: 阶跃函数不可微,无法进行反向传播 g ( x ) …

miniTry:Python实现web搜索(全自动+程序操控)

声明:本问给出了全部代码--可以复现--亲测有效 :) [ 代码为图片--> 强制自己去敲一次 又不多] 1.打开网站: 2.利用id去定位到我们要进行输入的内容(bing可以直接进行搜索,而csdn需要登录,所以我们用csdn做演示&…

HODL、FUD、FOMO 等其他比特币俚语是什么意思?

作者:Paxful Team 1、FOMO(惧怕错失机会) FOMO 是惧怕错失机会的缩写,可用于日常生活。它指的是当其他人都在谈论比特币时,产生的购买比特币的紧迫感。 2、Shill(不断推广吹捧) Shilling 是指…

linux支持vGPU方案

1,查询gpu型号:lspci | grep "NVIDIA\|VGA" PCI Devices 2,下载驱动 官方驱动 | NVIDIA 3,安装 sudo sh NVIDIA-Linux-x86_64-440.118.02.run -no-x-check -no-nouveau-check -no-opengl-files参数说明: …

自定义View-旋转变色圆角三角形的绘制

本文字数:3151字 预计阅读时间:20分钟 在现代设计中,动效图在APP的UI界面中所起到的作用无疑是显著的。相比于静态的界面,动效更符合人类的自然认知体系,它有效地降低了用户的认知负载,UI动效俨然已经成为了…

汽车新四化,会发生什么?

北京国际汽车展览会正如火如荼地进行中,作为国内外汽车行业瞩目的盛会,众多车企纷纷亮出了自家的“杀手锏”。 这场汽车的盛宴不仅集中展示了众多汽车品牌的最新技术和产品,更深刻体现了汽车新四化的发展趋势。汽车新四化,即电动化、网联化、…

DS进阶:AVL树和红黑树

一、AVL树 1.1 AVL树的概念 二叉搜索树(BST)虽可以缩短查找的效率,但如果数据有序或接近有序二叉搜索树将退化为单支树,查找元素相当于在顺序表中搜索元素,效率低下。因此,两位俄罗斯的数学家G.M.Adelson-…

使用Keil移植工程时修改单片机型号参数

系列文章目录 STM32单片机系列专栏 C语言术语和结构总结专栏 当使用Keil对STM32系列单片机开发时,如果使用的是库函数,那么不同型号单片机的工程项目文件是可以直接移植的。只需要按照下面的步骤修改对应的芯片,就可以直接将工程移植过去&a…

JVM垃圾收集器--分区收集器

G1收集器 属性 G1(Garbage-First Garbage Collector)在 JDK 1.7 时引入,在 JDK 9 时取代 CMS 成为了默认的垃圾收集器。G1 有五个属性:分代、增量、并行、标记整理、STW。 分代 G1收集器 将内部分为多个大小相等的区域&#x…

Java8 Stream常见用法

Stream流的常见用法&#xff1a; 1.利用stream流特性把数组转list集合 //定义一个数组Integer[] array {5,2,1,6,4,3};//通过stream特性把数组转list集合List<Integer> list Arrays.stream(array).collect(Collectors.toList());//打印结果System.out.println(list);…

全球数据爬取的解决方案-国外数据爬取

引言 随着经济的持续低迷和对外贸易的需求扩大&#xff0c;各个公司为了更好的了解海外客户情况&#xff0c;最简单直接的办法就是从全球收集公共的网络数据。 无论是海外电商用户的消费习惯还是训练自己的通用人工智能chatgpt&#xff0c;都是需要海量和多种类型数据的支持。…

【Linux】进程间通信(共享内存、消息队列、信号量)

一、System V —— 共享内存&#xff08;详解&#xff09; 共享内存区是最快的 IPC 形式。一旦这样的内存映射到共享它的进程的地址空间&#xff0c;这些进程间数据传递不再涉及到内核&#xff0c;换句话说&#xff0c;就是进程不再通过执行进入内核的系统调用来传递彼此的数…

[NSSCTF]prize_p5

前言 之前就学过反序列化的字符串逃逸 但是没怎么做题 补一下窟窿 题目 <?phperror_reporting(0);class catalogue{public $class;public $data;public function __construct(){$this->class "error";$this->data "hacker";}public functi…

HTTP网络协议的请求方法,具体详解(2024-04-26)

1、HTTP 即超文本传输协议&#xff0c;是一种实现客户端和服务器之间通信的响应协议&#xff0c;它是用作客户端和服务器之间的请求 根据 HTTP 标准&#xff0c;HTTP 请求可以使用多种请求方法。 2、方法分类 HTTP1.0 定义了三种请求方法&#xff1a; GET, POST 和 HEAD 方…

表情识别 | 卷积神经网络(CNN)人脸表情识别(Matlab)

表情识别 | 卷积神经网络(CNN)人脸表情识别&#xff08;Matlab&#xff09; 目录 表情识别 | 卷积神经网络(CNN)人脸表情识别&#xff08;Matlab&#xff09;预测效果基本介绍程序设计参考资料 预测效果 基本介绍 Matlab使用卷积神经网络(CNN)&#xff0c;进行人脸表情情绪识别…

论文解读:(CAVPT)Dual Modality Prompt Tuning for Vision-Language Pre-Trained Model

v1文章名字&#xff1a;Dual Modality Prompt Tuning for Vision-Language Pre-Trained Model v2文章名字&#xff1a;Class-Aware Visual Prompt Tuning for Vision-Language Pre-Trained Model 文章汇总 对该文的改进&#xff1a;论文解读&#xff1a;(VPT)Visual Prompt …
最新文章