加强容器镜像安全（比如：确保使用来自信任来源的基础容器镜像，审查基础镜像的内容和配置，避免使用未经验证或存在安全漏洞的镜像。 ）、容器运行时安全（比如：使用容器运行时的安全特性 cgroup，及最小化容器权限）、网络安全（networkpolicy，结合容器网络实现网络隔离）、资源访问控制（rbac，n...(more)

大数据平台进行容器化的主要驱动力是提高资源的弹性和利用率，简化运维流程，以及增强平台的可移植性和标准化。为了评估是否有必要做容器化，企业应该从以下几个角度进行考量：成本效益分析：计算容器化转型的直接和间接成本（包括技术培训、设备投资、软件许可等），与其带来的效益（如提...(more)

金融行业一般技术会选择比较稳定、成熟的，所以虚拟化、超融合这种应该会有广泛使用。如果没有很强烈的愿望，比如降本增效、方便运维与资源管理等、其实不建议改造，虽然容器云是一个趋势。目前，金融监管机构应该不会有对容器云有强制要求，对数据安全和隐私保护方面倒是有的。...(more)

加强容器镜像安全（比如：确保使用来自信任来源的基础容器镜像，审查基础镜像的内容和配置，避免使用未经验证或存在安全漏洞的镜像。 ）、容器运行时安全（比如：使用容器运行时的安全特性 cgroup，及最小化容器权限）、网络安全（networkpolicy，结合容器网络实现网络隔离）、资源访问控制（rbac，n...(more)

容器本质是线程，比虚机少了一层虚拟化开销，不需要虚机层的内核上下文切换，所以从性能上来说，容器是要优于虚机的。只是我们在涉及到有状态应用场景时，由于为了很好的保证高可用性，一般采用分布式存储，并实现多副本数据同步，其瓶颈在于网络存储的网络延时和带宽。如果不能很好的解...(more)

大数据采用容器化部署，对于namenode,resoucemanger等管理节点如何动态扩缩容？目前多的都是针对datanode或者是nodemanger的扩缩容。

通过资源隔离（比如采用K8S不同的namespace并分配不同的租户quota)、优先级和抢占（采用不同的PriorityClass ）、资源限制（不同的limit、request，quota等）、监控和自动化调整（如 Prometheus 和 Grafana ，结合HPA/VPA等）、队列和调度策略以及独立的存储和网络配置等手段，可以有效保障...(more)

为平衡成本和产出，是否存在改造容器云的体量？（比如大于多少物理节点以上，适合改造容器云）

容器弹性有HPA/VPA及集群的cluster autoscaler，对应Quota如何配置合理，我的建议如下：根据应用类型设置 Quota ：对于不同类型的应用（如离线批处理和在线服务），设置不同的 Quota。离线批处理任务可以设置较低的优先级和资源请求，而在线服务则需要更高的资源保障。逐步调整 ：新系统...(more)

题目是指：应用容器实现异构数据库之间海量数据的快速传输吧？如果是这样的话，1、容器可以采用K8S+docker/containerd/runc 等2、数据库传输采用：Apache NiFi + Kafka注意：在 NiFi 中配置数据传输流程，定义源数据库和目标数据库的连接、数据抽取和转换的逻辑，比如使用 GetData...(more)