如何通过 gradle 有效管理 ML 代码部署到多个 ML 集群环境
How to effectively manage the ML code deployment via gradle to multiple ML cluster enviorments
推荐的 MarkLogic 自动化是通过 Gradle。
我想知道哪里应该有一个专用的单一 VM 运行 那些 Gradle 任务来控制配置和部署到不同的 Prod / UAT / Test / Dev ML 集群环境。
我下面的理解对吗?
整体设计中应特别包含一个专用 VM,以针对不同的 ML 环境处理 ML 配置部署。
每个 ML 主机都不需要 - Gradle。 Gradle 应仅在该 ML 管理库中使用。
- 在每个 gradle 属性中,应使用每个 ML 环境集群的负载均衡器 IP。
https://i.imgur.com/AtNQZi6.png
[ML Management Depot] VM 的范围
- ML XQuery Git 部署管道
- 任何 post 部署任务,例如 postman 脚本执行或额外的 xquery 执行
- MLCP 任务
(a) 数据同步 Prod → UAT → Test → Dev
(b) 文档摄取(XML、PDF、HTML、其他)
(c) 将原始文件备份到 Azure Data Lake 的文档导出
- Corbs 任务 - 批量数据更新和报告
(所有这些都应配置为 gradle 任务。)
这绝对是一个好策略 - 一个单独的 machine/host/whatever 来处理部署 (Gradle) 和批处理 (MLCP/Corb) 任务。正如您所注意到的,您不需要在任何主机上提供 Gradle(也不需要 MLCP 或 Corb)。特别是对于 MLCP 和 Corb,最好 运行 将它们放在单独的机器上,这样它们就不会与任何 ML 主机竞争系统资源。
推荐的 MarkLogic 自动化是通过 Gradle。
我想知道哪里应该有一个专用的单一 VM 运行 那些 Gradle 任务来控制配置和部署到不同的 Prod / UAT / Test / Dev ML 集群环境。
我下面的理解对吗?
整体设计中应特别包含一个专用 VM,以针对不同的 ML 环境处理 ML 配置部署。
-
每个 ML 主机都不需要
- Gradle。 Gradle 应仅在该 ML 管理库中使用。
- 在每个 gradle 属性中,应使用每个 ML 环境集群的负载均衡器 IP。
https://i.imgur.com/AtNQZi6.png
[ML Management Depot] VM 的范围
- ML XQuery Git 部署管道
- 任何 post 部署任务,例如 postman 脚本执行或额外的 xquery 执行
- MLCP 任务
(a) 数据同步 Prod → UAT → Test → Dev
(b) 文档摄取(XML、PDF、HTML、其他) (c) 将原始文件备份到 Azure Data Lake 的文档导出 - Corbs 任务 - 批量数据更新和报告
(所有这些都应配置为 gradle 任务。)
这绝对是一个好策略 - 一个单独的 machine/host/whatever 来处理部署 (Gradle) 和批处理 (MLCP/Corb) 任务。正如您所注意到的,您不需要在任何主机上提供 Gradle(也不需要 MLCP 或 Corb)。特别是对于 MLCP 和 Corb,最好 运行 将它们放在单独的机器上,这样它们就不会与任何 ML 主机竞争系统资源。