Plan du cours

Détails sur la virtualisation

  1. Aperçu des concepts du système d'exploitation : CPU, mémoire, réseau, stockage
  2. Hyperviseur
    1. Superviseur des superviseurs
    2. Machine « hôte » et système d'exploitation « invité »
    3. Hyperviseur de type 1 et hyperviseur de type 2
    4. Citrix XEN, VMware ESX/ESXi, MS Hyper-V, IBM LPAR.
  3. Virtualisation du réseau
    1. Introduction succincte au modèle OSI à 7 couches
    2. Focus sur la couche réseau
    3. Modèle TCP/IP ou protocole Internet
  4. Focus sur une seule verticale
    1. Couche application : SSL
    2. Couche réseau : TCP
    3. Couche Internet : IPv4/IPv6
    4. Couche de liaison : Ethernet
  5. Structure des paquets
    1. Adresses : adresse IP et noms de domaine
    2. Pare-feu, équilibreur de charge, routeur, adaptateur
    3. Réseau virtualisé
    4. Abstractions d'ordre supérieur : sous-réseaux, zones.
  6. Exercice pratique :
    1. Familiarisation avec le cluster ESXi et le client vSphere.
    2. Créer/mettre à jour des réseaux dans le cluster ESXi, déployer des invités à partir de packages VMDK, activer l'interconnexion entre les invités dans un cluster ESXi.
    3. Apporter des modifications à une instance VM en cours d'exécution et capturer un instantané.
    4. Mettre à jour les règles de pare-feu dans ESXi en utilisant le client vSphere.

2. Le cloud computing : un changement de paradigme

  1. Une rampe de lancement rapide et peu coûteuse pour rendre disponible un produit/solution au monde entier
  2. Partage des ressources
    1. Virtualisation d'un environnement virtualisé
  3. Principaux avantages :
    1. Élasticité des ressources à la demande
      1. Idée -> Code -> Déploiement sans nécessiter d'infrastructure
      2. Pipelines CI/CD rapides
    2. Isolation de l'environnement et autonomie verticale
    3. Sécurité par les couches
    4. Optimisation des coûts
  4. Cloud sur site et fournisseurs de cloud
  5. Le cloud comme abstraction conceptuelle efficace pour le calcul distribué

3. Introduction aux couches de solutions cloud :

  1. IaaS (Infrastructure as a Service)
    1. AWS, Azure, Google
    2. Choisir un fournisseur pour continuer ultérieurement. AWS est recommandé.
      1. Introduction à AWS VPC, AWS EC2 etc.
  2. PaaS (Platform as a Service)
    1. AWS, Azure, Google, CloudFoundry, Heroku
    2. Introduction à AWS DynamoDB, AWS Kinesis etc.
  3. SaaS (Software as a Service)
    1. Aperçu très bref
    2. Microsoft Office, Confluence, SalesForce, Slack
  4. Le SaaS repose sur le PaaS qui repose sur l'IaaS qui repose sur la virtualisation

4. Projet pratique IaaS Cloud

  1. Le projet utilise AWS en tant que fournisseur de cloud IaaS.
  2. Utiliser CentOS/RHEL comme système d'exploitation pour le reste de l'exercice
    1. Alternativement, Ubuntu conviendra également, mais RHEL/CentOS sont préférés.
  3. Obtenir des comptes AWS IAM individuels de votre administrateur cloud
  4. Chaque étudiant doit effectuer ces étapes indépendamment
    1. La capacité de créer toute son infrastructure à la demande est la meilleure démonstration du pouvoir du cloud computing.
    2. Utiliser les assistants AWS -- consoles en ligne AWS -- pour accomplir ces tâches sauf mention contraire.
  5. Créer un VPC public dans la région us-east-1
    1. Deux sous-réseaux (Subnet-1 et Subnet-2) dans deux zones de disponibilité différentes
      1. Voir https://docs.aws.amazon.com/AmazonVPC/latest/UserGuide/VPC_Scenarios.html pour référence.
    2. Créer trois groupes de sécurité distincts
      1. SG-Internet
        1. Autorise le trafic entrant depuis Internet sur https 443 et http 80.
        2. Aucune autre connexion entrante autorisée.
      2. SG-Service
        1. Autorise le trafic entrant uniquement depuis le groupe de sécurité SG-Internet sur https 443 et http 80.
        2. Autorise l'ICMP uniquement depuis SG-Internet.
        3. Aucune autre connexion entrante autorisée.
      3. SG-SSH:
        1. Autorise la connexion SSH:22 uniquement depuis une seule IP correspondant à l'IP publique de la machine de labo de l'étudiant. Si la machine de labo est derrière un proxy, alors l'IP publique du proxy.
  6. Déployer une instance d'un AMI correspondant à votre système d'exploitation choisi -- préférez les versions RHEL/CentOS les plus récentes disponibles dans les AMIs -- et héberger l'instance sur Subnet-1. Attacher l'instance aux groupes SG-Service et SG-SSH.
  7. Accéder à l'instance en utilisant SSH depuis votre machine de labo.
  8. Installer le serveur NGINX sur cette instance
  9. Mettre des contenus statiques de votre choix -- pages HTML, images -- à être servis par NGINX (sur le port 80 via HTTP) et définir des URLs pour eux.
  10. Tester l'URL depuis cette machine même.
  11. Créer une image AMI à partir de cette instance en cours d'exécution.
  12. Déployer cette nouvelle AMI et héberger l'instance sur Subnet-2. Attacher l'instance aux groupes SG-Service et SG-SSH.
  13. Exécuter le serveur NGINX et vérifier que l'URL d'accès pour le contenu statique créée à l'étape (i) fonctionne.
  14. Créer un équilibreur de charge élastique « classique » et l'attacher au groupe SG-Internet.
    1. Noter la différence avec l'équilibreur de charge d'application et l'équilibreur de charge réseau.
  15. Créer une règle de routage pour rediriger tout le trafic http 80 et https 443 vers un groupe d'instances composé des deux instances créées précédemment.
  16. Utiliser un outil de gestion de certificats -- java keytool etc. -- pour créer une paire de clés et un certificat auto-signé, puis importer le certificat dans AWS Certificate Manager (ACM).

5. Surveillance cloud : introduction et projet pratique

  1. Métriques AWS CloudWatch
  2. Aller au tableau de bord AWS CloudWatch pour les instances
    1. Récupérer les métriques pertinentes et expliquer leur variabilité dans le temps.
      1. https://docs.aws.amazon.com/AWSEC2/latest/UserGuide/viewing_metrics_with_cloudwatch.html
  3. Aller au tableau de bord AWS CloudWatch pour l'ELB
    1. Observer les métriques de l'ELB et expliquer leur variabilité dans le temps.
    2. https://docs.aws.amazon.com/elasticloadbalancing/latest/classic/elb-cloudwatch-metrics.html

6. Concepts avancés pour un apprentissage ultérieur

  1. Cloud hybride -- sur site et cloud public
  2. Migration : sur site vers cloud public
    1. Migration du code d'application
    2. Migration de la base de données
  3. DevOps
    1. Infrastructure as a code
    2. Modèle AWS CloudFormation
  4. Auto-scaling
    1. Utiliser les métriques AWS CloudWatch pour déterminer la santé du système

Pré requis

Il n'y a pas de prérequis spécifiques pour suivre ce cours.

 21 Heures

Nombre de participants


Prix ​​par Participant

Les formations ouvertes requièrent plus de 3 participants.

Nos clients témoignent (1)

Le formateur vous explique très bien.

Cosmin Simota - Serviciul de Telecomunicatii Speciale
Formation - Cloud computing essentials for managers / software engineers

Traduction automatique

Cours à venir

Essentials du cloud computing pour les gestionnaires et ingénieurs logiciels

2025-12-22 09:30
21 Heures
Limoges, City Center
3750 EUR (En ligne)
4350 EUR (Salle de Classe)

Essentials du cloud computing pour les gestionnaires et ingénieurs logiciels

2026-01-05 09:30
21 Heures
Paris, Opera Bourse
3750 EUR (En ligne)
4350 EUR (Salle de Classe)

Essentials du cloud computing pour les gestionnaires et ingénieurs logiciels

2026-01-19 09:30
21 Heures
Lyon, Swisslife Tower
3750 EUR (En ligne)
4350 EUR (Salle de Classe)

Essentials du cloud computing pour les gestionnaires et ingénieurs logiciels

2026-02-02 09:30
21 Heures
Lille, Gare Flandres
3750 EUR (En ligne)
4350 EUR (Salle de Classe)

Cours Similaires

Modèles avancés Machine Learning avec Google Colab

 21 Heures

Ce cours en direct, dispensé par un formateur (en ligne ou sur site) s'adresse aux professionnels avancés qui souhaitent renforcer leurs connaissances des modèles d'apprentissage automatique, améliorer leurs compétences en réglage hyperparamétrique et apprendre à déployer efficacement les modèles grâce à Google Colab.

À la fin de ce cours, les participants seront capables de :

  • Mettre en œuvre des modèles avancés d'apprentissage automatique en utilisant des frameworks populaires comme Scikit-learn et TensorFlow.
  • Optimiser la performance du modèle grâce au réglage hyperparamétrique.
  • Déployer les modèles d'apprentissage automatique dans des applications réelles en utilisant Google Colab.
  • Collaborer et gérer de grands projets d'apprentissage automatique avec Google Colab.
En savoir plus...

AWS IoT Core

14 Heures

Cette formation en direct avec instructeur en France (sur site ou à distance) est destinée aux ingénieurs qui souhaitent déployer et gérer des appareils IoT sur AWS.

À la fin de cette formation, les participants seront en mesure de construire une plateforme IoT qui comprend le déploiement et la gestion d'un backend, d'une passerelle et d'appareils sur AWS.

En savoir plus...

Amazon Web Services (AWS) IoT Greengrass

21 Heures

Cette formation en direct avec instructeur à France (en ligne ou sur site) s'adresse aux développeurs qui souhaitent installer, configurer et gérer les capacités de AWS IoT Greengrass afin de créer des applications pour divers appareils.

À l'issue de cette formation, les participants seront en mesure d'utiliser AWS IoT Greengrass pour créer, déployer, gérer, sécuriser et surveiller des applications sur des appareils intelligents.

En savoir plus...

AWS Lambda pour les développeurs

14 Heures

Cette formation en direct avec instructeur dans France (sur site ou à distance) est destinée aux développeurs qui souhaitent utiliser AWS Lambda pour construire et déployer des services et des applications dans le cloud, sans avoir à se soucier du provisionnement de l'environnement d'exécution (serveurs, VM et conteneurs, disponibilité, évolutivité, stockage, etc.)

A l'issue de cette formation, les participants seront capables de :

  • Configurer AWS Lambda pour exécuter une fonction.
  • Comprendre le FaaS (Functions as a Service) et les avantages du développement sans serveur.
  • Construire, télécharger et exécuter des fonctions AWS Lambda.
  • Intégrer les fonctions Lambda avec différentes sources d'événements.
  • Packager, déployer, surveiller et dépanner les applications basées sur Lambda.
En savoir plus...

Introduction à Google Colab pour Data Science

 14 Heures

Ce cours en direct, dirigé par un formateur (en ligne ou sur site), est destiné aux scientifiques des données débutants et aux professionnels de l'informatique qui souhaitent apprendre les bases de la science des données à l'aide de Google Colab.

À la fin de ce cours, les participants seront capables de :

  • Configurer et naviguer dans Google Colab.
  • Écrire et exécuter un code Python de base.
  • Importer et gérer des ensembles de données.
  • Créer des visualisations à l'aide des bibliothèques Python.
En savoir plus...

Vision par ordinateur avec Google Colab et TensorFlow

 21 Heures

Ce entraînement en direct dirigé par un formateur (en ligne ou sur site) s'adresse aux professionnels avancés souhaitant approfondir leur compréhension de la vision par ordinateur et explorer les capacités de TensorFlow pour développer des modèles de vision sophistiqués en utilisant Google Colab.

À la fin de cette formation, les participants seront capables de :

  • Construire et entraîner des réseaux neuronaux convolutionnels (CNN) à l'aide de TensorFlow.
  • Tirer parti de Google Colab pour le développement de modèles basés sur le cloud, scalable et efficace.
  • Implémenter des techniques de prétraitement d'images pour les tâches de vision par ordinateur.
  • Déployer des modèles de vision par ordinateur pour des applications en situation réelle.
  • Utiliser l'apprentissage par transfert pour améliorer les performances des modèles CNN.
  • Visualiser et interpréter les résultats des modèles de classification d'images.
En savoir plus...

Apprentissage profond avec TensorFlow dans Google Colab

 14 Heures

Cette formation en direct (en ligne ou sur site) est destinée aux scientifiques des données et développeurs intermédiaires qui souhaitent comprendre et appliquer les techniques d'apprentissage profond à l'aide de l'environnement Google Colab.

À la fin de cette formation, les participants seront capables de :

  • Configurer et naviguer dans Google Colab pour des projets d'apprentissage profond.
  • Comprendre les fondamentaux des réseaux neuronaux.
  • Implémenter des modèles d'apprentissage profond à l'aide de TensorFlow.
  • Former et évaluer des modèles d'apprentissage profond.
  • Utiliser les fonctionnalités avancées de TensorFlow pour l'apprentissage profond.
En savoir plus...

Maîtriser DevOps avec AWS Cloud9

 21 Heures

Cette formation en direct avec instructeur à France (en ligne ou sur site) est destinée aux professionnels de niveau avancé qui souhaitent approfondir leur compréhension des pratiques DevOps et rationaliser les processus de développement à l'aide d'AWS Cloud9.

A l'issue de cette formation, les participants seront en mesure de :

  • Mettre en place et configurer AWS Cloud9 pour les flux de travail DevOps.
  • Mettre en œuvre des pipelines d'intégration continue et de livraison continue (CI/CD).
  • Automatiser les processus de test, de surveillance et de déploiement à l'aide d'AWS Cloud9.
  • Intégrer les services AWS tels que Lambda, EC2 et S3 dans les flux de travail DevOps.
  • Utiliser des systèmes de contrôle des sources comme GitHub ou GitLab dans AWS Cloud9.
En savoir plus...

Développement d'applications sans serveur sur AWS Cloud9

 14 Heures

Cette formation en direct avec instructeur à France (en ligne ou sur site) s'adresse aux professionnels de niveau intermédiaire qui souhaitent apprendre à construire, déployer et maintenir efficacement des applications sans serveur sur AWS Cloud9 et AWS Lambda.

À l'issue de cette formation, les participants seront en mesure de :

  • Comprendre les fondamentaux de l'architecture serverless.
  • Configurer AWS Cloud9 pour le développement d'applications sans serveur.
  • Développer, tester et déployer des applications sans serveur à l'aide de AWS Lambda.
  • Intégrer AWS Lambda avec d'autres services AWS tels que API Gateway et S3.
  • Optimiser les applications sans serveur pour la performance et la rentabilité.
En savoir plus...

Visualisation de données avec Google Colab

 14 Heures

Ce formation en direct (en ligne ou sur site) est destinée aux data scientists débutants qui souhaitent apprendre à créer des visualisations de données significatives et visuellement attrayantes.

À la fin de cette formation, les participants seront capables de :

  • Configurer et naviguer dans Google Colab pour la visualisation des données.
  • Créer divers types de graphiques en utilisant Matplotlib.
  • Utiliser Seaborn pour des techniques de visualisation avancées.
  • Personnaliser les graphiques pour une meilleure présentation et clarté.
  • Interpréter et présenter efficacement les données à l'aide d'outils visuels.
En savoir plus...

Formation Industrielle IoT (Internet des Choses) avec Raspberry PI et AWS IoT Core «4 Heures à Distance»

 4 Heures

Résumé :

  • Principes de base de l'architecture et des fonctions de l'IdO
  • Les "objets", les "capteurs", l'internet et la correspondance entre les fonctions commerciales de l'IdO
  • Essentiel de tous les composants logiciels de l'IdO - matériel, micrologiciel, intergiciel, nuage et application mobile
  • Fonctions de l'IdO - Gestionnaire de flotte, visualisation des données, FM et DV basés sur SaaS, alerte/alarme, intégration des capteurs, intégration des "choses", géofencing
  • Bases de la communication des appareils IoT avec le cloud grâce à MQTT.
  • Connexion des appareils IoT à AWS avec MQTT (AWS IoT Core).
  • Connexion du noyau AWS IoT avec la fonction AWS Lambda pour le calcul et le stockage des données.
  • Connexion de Raspberry PI avec le noyau AWS IoT et communication simple de données.
  • Alertes et événements
  • Calibration des capteurs
En savoir plus...

Formation Industrielle IoT (Internet des Objets) avec Raspberry PI et AWS IoT Core 「8 Heures à Distance」

 8 Heures

Résumé :

  • Principes de base de l'architecture et des fonctions de l'IdO
  • Les "objets", les "capteurs", Internet et la correspondance entre les fonctions commerciales de l'IdO
  • Essentiel de tous les composants logiciels de l'IdO - matériel, micrologiciel, intergiciel, nuage et application mobile
  • Fonctions de l'IdO - Gestionnaire de flotte, visualisation des données, FM et DV basés sur SaaS, alerte/alarme, intégration des capteurs, intégration des "choses", géofencing
  • Bases de la communication des appareils IoT avec le cloud grâce à MQTT.
  • Connexion des appareils IoT à AWS avec MQTT (AWS IoT Core).
  • Connecter AWS IoT core avec AWS Lambda function pour le calcul et le stockage des données en utilisant DynamoDB.
  • Connexion de Raspberry PI avec AWS IoT core et communication simple de données.
  • Travaux pratiques avec Raspberry PI et AWS IoT Core pour construire un appareil intelligent.
  • Visualisation des données de capteurs et communication avec une interface web.
En savoir plus...

Apprentissage automatique avec Google Colab

 14 Heures

Cette formation en direct (en ligne ou sur site) est destinée aux scientifiques des données et développeurs intermédiaires qui souhaitent appliquer efficacement les algorithmes d'apprentissage automatique dans l'environnement Google Colab.

À la fin de cette formation, les participants seront capables de :

  • Configurer et naviguer dans Google Colab pour des projets d'apprentissage automatique.
  • Comprendre et appliquer divers algorithmes d'apprentissage automatique.
  • Utiliser des bibliothèques comme Scikit-learn pour analyser et prédire les données.
  • Mettre en œuvre des modèles d'apprentissage supervisé et non supervisé.
  • Optimiser et évaluer efficacement les modèles d'apprentissage automatique.
En savoir plus...

Traitement du langage naturel (NLP) avec Google Colab

 14 Heures

Ce cours en direct, dirigé par un formateur (en ligne ou sur site) s'adresse aux scientifiques des données et développeurs de niveau intermédiaire qui souhaitent appliquer des techniques de traitement du langage naturel (NLP) à l'aide de Python dans Google Colab.

À la fin de ce cours, les participants seront capables de :

  • Comprendre les concepts fondamentaux du traitement du langage naturel.
  • Prétraiter et nettoyer des données textuelles pour les tâches NLP.
  • Effectuer une analyse de sentiment à l'aide des bibliothèques NLTK et SpaCy.
  • Travailler avec des données textuelles en utilisant Google Colab pour un développement scalable et collaboratif.
En savoir plus...

Python Programming Fondements avec Google Colab

14 Heures

Ce cours en direct dirigé par un instructeur (en ligne ou sur site) s'adresse aux développeurs et analystes de données débutants qui souhaitent apprendre la programmation Python à partir de zéro en utilisant Google Colab.

À la fin de ce cours, les participants seront capables de :

  • Comprendre les bases du langage de programmation Python.
  • Implémenter des codes Python dans l'environnement Google Colab.
  • Utiliser des structures de contrôle pour gérer le flux d'un programme Python.
  • Créer des fonctions pour organiser et réutiliser efficacement le code.
  • Explorer et utiliser les bibliothèques de base pour la programmation Python.
En savoir plus...

Catégories Similaires

Cloud Computing
Cloud Computing