Ramzi Chebbak

Contexte : Le projet visait à migrer une application depuis cloud On-premise (OVH) vers Microsoft Azure pour bénéficier de services managés, améliorer la résilience et réduire les coûts opérationnels.

Build & Run :

• Analyse de l'infrastructure existante (code, bases de données, fichiers, dépendances) pour évaluer les besoins et les dépendances.

• Définition et mise en œuvre de l'architecture cible sur Microsoft Azure en respectant les meilleures pratiques (sécurité, scalabilité, coût).

• Développement de fichiers Terraform pour provisionner des ressources Azure telles que :

• Réseau : Virtual Network, Subnets, Network Security Groups (NSG).

• Compute : App Services, Azure Kubernetes Service (AKS), ACR.

• Base de données : Azure SQL Database, Cosmos DB, Storage Accounts.

• Configuration des états Terraform dans un Azure Blob Storage sécurisé pour le suivi des infrastructures.

• Utilisation d'Azure DevOps et GitHub Actions pour automatiser le déploiement de l'infrastructure via des pipelines CI/CD

• Mise en œuvre de mécanismes de gestion des secrets avec Azure Key Vault et leur intégration dans Terraform.

• Création de playbooks Ansible réutilisables pour gérer la configuration et les déploiements multi-environnements (Dev, Test, Prod).

• Migration des données et validation de l'intégrité des services après le déploiement.

• Optimisation des performances post-migration et surveillance avec Azure Monitor et Application Insights.

• Collaboration avec les équipes de développement pour adapter les applications à l'environnement cloud.

• Documentation des processus de déploiement et formation des équipes internes.

Environnement technique Azure, Ansible, Terraform, Packer, Azure DevOps, Azure App Services, Azure Kubernetes Service, Git, Bash, shell, CentOS.

Contexte : Superviser, gestion une plateforme de prod BIGDATA ( Hortonworks & Cloudera ) , mise en production des applications Projets, Config et mettre en place des chaines CICD et scripts d'automatisation pour déployer des applications sur les environnements ( dev , homol, prod )

Build & Run :

• Effectuer le Morning-Check quotidien et Communiquer sur Alertes.

• Superviser et monitorer l'infrastructure de prod ( KAFKA, HDFS, ELASTIC , COUCHEBASE …. ).

• Traitement des incidents de niveau 2 et 3 (pannes de nœuds, perte de blocs HDFS, saturation des queues YARN, …)

• Analyse des goulets d'étranglement et tuning des configurations (mémoire, CPU, partitions, etc.) pour améliorer les temps de traitement et la scalabilité.

• Astreintes mensuelles sur des chaines critiques prod.

• Mise en place un système de monitoring, de supervision et d'alerting ELK, pour surveiller les métriques des clusters (latence, throughput, utilisation des ressources).

• • Créer des pipelines CICD jenkins et déployer des jobs via ansible Tower.

• Développer des Roles ansible pour l'automatisation la création des environnements (GITHUB, JENKINS, AWX…)

• Automatisation la mise en production des projets/applications (Spark, HIVE, …).

• Automatiser le déploiement des applications via Github action.

• Installation et déploiement cluster KAFKA / COUCHBASE / ELK & OPENSEARCH via Playbooks / Roles ansible.

Environnement Technique Centos, Cloudera, Hadoop, Ranger, Control-M, Kafka, Ambari, Hdfs, Ansible, Github, Jenkins, AWX, CICD, Kubernetes, ELK, Bash, HDFS, Yarn , Hive, Talend, Nexus, couchbase, elasticsearch, Nginx, Kibana.

Contexte : l'objectif du projet est de concevoir et d'implémenter un système d'auto-scaling sur AWS capable d'ajuster automatiquement les ressources en fonction de la charge applicative tout en optimisant les coûts opérationnels.

Build & Run :

• Analyse des besoins pour gérer les variations de charge applicative lors des périodes de pics de trafic.

• Création d'images customisées AMI avec Packer intégrant les prérequis logiciels (Java, python, etc.).

• Automatisation du déploiement des clusters avec Ansible, comprenant l'installation des composants HDFS, YARN, Spark et Kafka.

• Déploiement d'une architecture via terraform hautement disponible basée sur :

• AWS EC2 avec des groupes Auto Scaling pour une montée en charge dynamique.

• Application Load Balancer (ALB) pour la répartition du trafic.

• Intégration d'Amazon RDS pour la base de données et S3 pour le stockage des ressources statiques.

• Mise en place de politiques d'auto-scaling basées sur des métriques CloudWatch (CPU, mémoire, etc.)

• Utiliser des outils comme Apache JMeter pour simuler des charges massives.

• Ajuster les seuils et les tailles minimales/maximales d'instances si nécessaire.

• Déploiement de la stack ELK pour centraliser et analyser les logs du cluster HDP

• Collecte des logs de scaling (AWS Auto Scaling, CloudWatch) et des logs applicatifs via Filebeat et Logstash.

• Visualisation en temps réel des événements de scaling dans Kibana (nombre d'instances actives, délais de scaling)

Environnement Technique AWS (EC2, Auto Scaling Groups, S3, CloudWatch, ALB), Hortonworks Data Platform (HDFS, YARN, Spark, Kafka), ELK (Elasticsearch, Logstash, Kibana, Filebeat), Packer, Ansible, Terraform, Apache JMeter.