Sausage Store

Technologies used

• Frontend – TypeScript, Angular.
• Backend – Java 16, Spring Boot, Spring Data.
• Database – H2.

Installation guide

Backend

Install Java 16 and maven and run:

cd backend
mvn package
cd target
java -jar sausage-store-0.0.1-SNAPSHOT.jar

Frontend

Install NodeJS and npm on your computer and run:

cd frontend
npm install
npm run build
npm install -g http-server
sudo http-server ./dist/frontend/ -p 80 --proxy http://localhost:8080

Then open your browser and go to http://localhost

Итоги

Пайплайн CI/CD

Автоматизированный процесс включает три основных этапа:

• Build & Push Docker Images (1 мин. 59 сек.) - сборка и публикация Docker-образов всех микросервисов в Docker Hub
• Package & Push Helm Chart (11 сек.) - упаковка Helm-чарта и загрузка в Nexus Repository
• Deploy to Kubernetes (20 сек.) - автоматическое развертывание приложения в целевой Kubernetes-кластер

Скриншот - Полный цикл CI/CD

Состояние компонентов в Kubernetes

Все компоненты приложения успешно развернуты и функционируют в namespace r-devops-magistracy-project-2sem-1853711172:

• mongodb-0 - база данных MongoDB (StatefulSet)
• postgres-0 - база данных PostgreSQL (StatefulSet)
• sausage-store-backend - основной API-сервис
• sausage-store-backend-report - сервис генерации отчетов
• sausage-store-frontend - веб-интерфейс приложения

Статус всех pod'ов: Running без единого рестарта, что подтверждает стабильность работы.

Скриншот - Работоспособность всех микросервисов

Сетевая конфигурация

Ingress-ресурс sausage-store-frontend-ingress настроен для обработки внешнего трафика:

• Домен: dmitryfedoroff.2sem.students-projects.ru
• Внешний IP: 158.160.176.69
• Порты: 80 (HTTP), 443 (HTTPS с автоматическим TLS)
• Класс: nginx

Конфигурация обеспечивает безопасный доступ к приложению через HTTPS с автоматическим перенаправлением с HTTP.

Скриншот - Ingress-контроллер и маршрутизация трафика

Автомасштабирование

VPA для backend-сервиса активен и предоставляет рекомендации по оптимизации ресурсов:

• Режим обновления: Auto
• Статус: RecommendationProvided
• Рекомендации для контейнера backend:
  • Target CPU: 100m, Memory: 256Mi
  • Uncapped Target CPU: 25m, Memory: 262144k
  • Upper Bound CPU: 100m, Memory: 589176862

VPA анализирует фактическое потребление ресурсов и предлагает оптимальные значения для повышения эффективности использования кластера.

Скриншот - Vertical Pod Autoscaler (VPA)

HPA для backend-report сервиса обеспечивает горизонтальное масштабирование:

• Метрика: CPU utilization (целевое значение 75%)
• Диапазон реплик: от 1 до 5
• Текущее состояние: 1 реплика при загрузке CPU 1%
• Статус масштабирования: DesiredWithinRange

HPA успешно рассчитывает количество реплик на основе загрузки CPU и поддерживает оптимальное количество экземпляров сервиса.

Скриншот - Horizontal Pod Autoscaler (HPA)

Контакты

• Автор: Дмитрий Федоров
• Эл. почта: fedoroffx@gmail.com
• Telegram: https://t.me/dmitryfedoroff