Google – Kubernetes : des jonctions entre sécurité et machine learning

Déjà utilisé chez Google en tant qu’alternative aux machines virtuelles pour l’exécution sécurisée de conteneurs, le voilà reversé en open source.

Lui, c’est gVisor. Il s’intègre avec Docker et Kubernetes, jouant le rôle d’un bac à sable qui permet de contrôler les ressources accessibles aux applications.

Initialisé, selon Google, en 150 ms, le runtime présente l’avantage de ne pas demander, au contraire des VM, une allocation stricte de ressources. Il impose néanmoins une charge plus élevée par appel système… et ne gère pas encore tous ceux de l’API Linux.

La mise en open source de gVisor a été officialisée dans le cadre de la conférence Kubecon, qui s’est déroulée du 2 au 4 mai à Copenhague.

Opération sécurité…

L’orchestrateur de conteneurs Kubernetes, auquel était dédié l’événement, a fait l’objet d’autres annonces de la part de Google. Notamment le lancement, en bêta, de Stackdriver Kubernetes Monitoring.

L’outil permet d’analyser les applications déployées via Kubernetes. La connexion est assurée avec la solution de monitoring Prometheus, ainsi qu’avec d’autres briques de la pile Stackdriver ; entre autres, Stackdriver Logging, qui permet l’export de journaux vers BigQuery pour une analyse approfondie.

Stackdriver Kubernetes Monitoring fonctionne avec tout déploiement, mais fait l’objet d’une intégration spécifique avec Google Kubernetes Engine. La disponibilité pour les clusters de production sera effective une fois Kubernetes 1.10 intégré.

Google établit une autre passerelle, avec son Cloud Security Command Center, pour la gestion des alertes de sécurité relatives aux conteneurs.

Les capacités de suivi des vulnérabilités, de gestion des politiques de sécurité, etc. sont fournies par cinq entreprises spécialisées : Aqua Security, Capsule8, Stackrox, Sysdig Secure et Twistlock.

… et machine learning

Il y a également du nouveau en matière de déploiement d’algorithmes de machine learning sur Kubernetes.

La version 0.1 de l’outil Kubeflow, annoncé fin 2017, fait son entrée. Elle inclut un module d’entraînement sur TensorFlow et un conteneur d’exportation.

Pour la gestion collaborative de l’entraînement des algorithmes, Google a intégré Jupyter Hub. Cette application web transforme les navigateurs en interpréteurs interactifs. Dans le domaine de la data science, elle permet de créer des « notebooks », interfaces web utilisées pour explorer et analyser des données.

La version 0.2 de Kuberflow est prévue pour cet été. Google vise notamment la prise en charge d’autres frameworks d’apprentissage automatique, tels que PyTorch, XGBoost et scikit-learn.