DEV Community
·
传统与云原生的融合：COBOL、K8s与机器学习的经验教训
内容提要
现代化不必重写旧系统，COBOL可通过容器化、结构化日志和机器学习提升。利用Kubernetes和SageMaker，企业能有效整合传统与现代技术，优化工作流程，保护投资，实现智能化。
关键要点
-
现代化不必重写旧系统，COBOL可以通过容器化、结构化日志和机器学习提升。
-
使用Kubernetes和SageMaker，企业能够有效整合传统与现代技术。
-
COBOL在Kubernetes上运行，使用GnuCOBOL和持久共享存储。
-
结构化日志通过解析STDOUT/STDERR日志并保存为JSON文件，提升可追溯性和机器学习准备。
-
训练XGBoost模型预测作业失败，形成反馈循环，避免高风险文件执行。
-
不应重写有效的代码，而是通过容器化进行现代化。
-
结构化日志为分析提供了丰富的可能性，提升了管道的智能性。
-
机器学习适合遗留系统，能够在没有代码访问的情况下利用历史数据。
-
Kubernetes能够有效处理遗留工作负载，支持批处理和有状态工作负载。
-
异步通信是关键，各组件独立运行，通过S3、EFS和事件驱动消息连接。
-
解析COBOL错误可能会很麻烦，需要编写复杂的正则表达式。
-
Kubernetes和EFS的存储权限配置需要注意，使用AWS EFS CSI驱动程序。
-
模型漂移可能会影响准确性，需要定期重新训练和监控。
-
Kubernetes作业如果不清理可能会留下过时的Pods，需配置TTL。
-
该项目证明了COBOL不是敌人，Kubernetes和机器学习可以与遗留系统结合。
-
不必选择重写或停滞不前，可以通过容器、编排、日志结构和机器学习提升COBOL。
-
这种混合方法是可重复的策略，任何产生结构化输入/输出的遗留系统都能受益。
延伸问答
如何通过容器化提升COBOL系统的现代化？
通过将COBOL容器化，可以保留现有的业务逻辑，同时实现可观察性和可移植性，避免重写代码。
Kubernetes如何支持遗留工作负载？
Kubernetes能够有效处理遗留工作负载，支持批处理和有状态工作负载，利用EFS和Jobs实现灵活性。
结构化日志对机器学习有什么帮助？
结构化日志可以将错误和成功信息转化为可追溯和可训练的格式，提升分析能力和机器学习的效果。
机器学习如何应用于遗留系统？
机器学习可以利用历史数据进行模式识别，不需要代码访问，适合在遗留系统中逐步改进。
在Kubernetes中使用EFS时需要注意什么？
需要正确配置存储权限，使用AWS EFS CSI驱动程序，并根据命名空间或工作负载标签限制访问。
如何防止机器学习模型漂移？
定期重新训练模型并监控预测分布变化，以应对输入演变带来的准确性下降。
