#openshift

Introducing the Red Hat OpenShift Virtualization incident must-gather

Công cụ kubevirt/must-gather mới bổ sung chế độ --vm-incident, giúp thu thập dữ liệu quan trọng nhanh chóng từ máy ảo (VM) để điều tra sự cố, rút ngắn thời gian phân tích.

Một lập trình viên quản lý Kubernetes hoặc sử dụng KubeVirt nên đọc bài này để tìm hiểu cách tối ưu hóa thời gian điều tra sự cố VM bằng cách sử dụng chế độ --vm-incident mới trong công cụ must-gather, giúp thu thập dữ liệu cần thiết một cách hiệu quả và nhanh chóng.

Upgrade OpenShift AI faster using an AI coding assistant

Một nhóm đã nâng cấp Red Hat OpenShift AI phiên bản 3.3.2 nhanh hơn gấp 3-4 lần nhờ trợ lý lập trình AI, đồng thời giảm 60% công sức kỹ thuật.

Nếu bạn đang tìm cách tối ưu hóa hiệu suất phát triển và giảm thời gian triển khai cho các dự án OpenShift AI, bài viết này sẽ cung cấp cách sử dụng công cụ hỗ trợ lập trình AI để gia tốc quá trình nâng cấp hiệu quả hơn.

The AI layer of observability: Making telemetry human-readable

Công cụ Red Hat OpenShift AI summarizer giúp giảm chi phí quan sát bằng cách tóm tắt dữ liệu telemetry, biến thông tin kỹ thuật thành dạng dễ đọc cho các kiến trúc cloud-native.

Một lập trình viên cần đọc bài này để hiểu cách tối ưu hóa chi phí và cải thiện hiệu quả của hệ thống theo dõi bằng cách sử dụng công nghệ AI để chuyển đổi dữ liệu phức tạp thành thông tin dễ hiểu, giúp phát hiện và giải quyết vấn đề nhanh chóng trong ứng dụng cloud-native.

Multitenant AI inference with dynamic resource allocation on OpenShift

Bài viết hướng dẫn triển khai các workload Llama 3.1 8B trên cùng một GPU NVIDIA H100 bằng cách sử dụng OpenShift, cơ chế dynamic resource allocation của Kubernetes và NVIDIA MIG để đảm bảo sự cô lập giữa các tenant.

Lập trình viên chuyên phát triển AI cần tìm hiểu cách tối ưu hóa việc triển khai mô hình lớn như Llama 3.1 trên các môi trường cloud có chi phí hiệu quả và độ ổn định cao, đặc biệt khi sử dụng Kubernetes và NVIDIA H100 để giảm thiểu chi phí và tăng hiệu suất.

Performance analysis of storage live migration feature in Red Hat OpenShift Virtualization

Phân tích hiệu năng tính năng live migration lưu trữ trong Red Hat OpenShift Virtualization 4.21, tập trung vào cân bằng workloads và quản lý các workloads I/O cao để di chuyển VM mượt mà.

Lập trình viên phát triển giải pháp cloud hoặc quản trị hệ thống OpenShift nên đọc bài này để hiểu cách tối ưu hóa và kiểm soát quá trình di chuyển sống động của máy ảo trong OpenShift Virtualization, giúp cải thiện hiệu suất và giảm thiểu rủi ro khi di chuyển các ứng dụng có lưu lượng I/O cao.

Enrich OpenShift compliance results with custom metadata

Nâng cao khả năng tuân thủ OpenShift bằng cách gắn nhãn (labels) và chú thích (annotations) tùy chỉnh vào các Rule objects, giúp tối ưu hóa tự động hóa và kiểm toán.

Một lập trình viên cần đọc bài này để hiểu cách sử dụng metadata cá nhân hóa trên OpenShift để tự động hóa kiểm tra tuân thủ và theo dõi hiệu suất theo quy định kinh doanh mà không phụ thuộc vào hệ thống quản lý an ninh hiện có.

How we designed customizable dashboards in OpenShift

Bài viết hướng dẫn xây dựng các dashboard giám sát tùy chỉnh trên Red Hat OpenShift bằng PromQL, bố cục kéo-thả và hỗ trợ đầy đủ GitOps cho quy trình làm việc.

Một lập trình viên muốn tự động hóa và tối ưu hóa quản lý hệ thống trong OpenShift sẽ tìm hiểu cách thiết kế bảng điều khiển tùy chỉnh này để tự động hóa cảnh báo, phân tích dữ liệu và tích hợp vào pipeline CI/CD bằng GitOps.

Why your AI agent needs two sandboxes: Benchmark data

Kết hợp OpenShift và OpenShell để tăng cường bảo mật cho AI agent, ngăn chặn rò rỉ dữ liệu và thoát khỏi container bằng hai môi trường sandbox riêng biệt.

Một lập trình viên phát triển AI nên đọc bài này để hiểu cách sử dụng hai môi trường sandbox—OpenShift và OpenShell—để ngăn chặn rò rỉ dữ liệu và thoát container, bảo vệ hệ thống khỏi các mối đe dọa nghiêm trọng trong ứng dụng AI.

Optimize OpenShift workloads with software-defined memory

Tối ưu hóa khối lượng công việc trên OpenShift bằng Kove:SDM, cho phép ứng dụng truy cập tài nguyên bộ nhớ vượt quá giới hạn node cục bộ, đặc biệt hữu ích cho các workload AI và phân tích dữ liệu.

Lập trình viên phát triển ứng dụng AI/analytics cần đọc để khám phá cách mở rộng khả năng xử lý bộ nhớ cho các workload phức tạp trên OpenShift bằng cách sử dụng giải pháp định danh bộ nhớ mềm (SDM), giúp tối ưu hiệu suất khi vượt qua giới hạn bộ nhớ cục bộ của mỗi node.

Migration toolkit for applications 8.2: Modernize your applications and clusters

Modernize applications with Red Hat's migration toolkit 8.2, offering a standalone CLI for stateless OpenShift workloads and a built-in Hub OIDC provider.

Simplify GitOps workflows with MCP in OpenShift Lightspeed

Tìm hiểu cách kết nối các MCP server (GitHub và phát hiện sự cố) với OpenShift Lightspeed để tự động hóa quy trình khắc phục sự cố cluster và GitOps bằng AI.

Lập trình viên cần đọc bài này để khám phá cách tự động hóa và tối ưu hóa quá trình phát triển ứng dụng bằng cách kết hợp GitOps với công nghệ AI trong OpenShift Lightspeed, giúp tiết kiệm thời gian và giảm thiểu lỗi trong môi trường CI/CD.

Operationalize AI agents with OpenShift and Kubernetes primitives

Triển khai các tác nhân AI (AI agents) trên nền tảng OpenShift và Kubernetes bằng các nguyên thủy (primitives) sẵn có để tối ưu chi phí và quản lý hiệu quả trong AIOps.

Lập trình viên AI nên đọc bài này để hiểu cách triển khai và quản lý các agent AI một cách hiệu quả bằng Kubernetes và OpenShift, giúp tối ưu hóa chi phí và cải thiện khả năng vận hành tự động hóa cho các hệ thống AI phức tạp.

Benchmark Red Hat Data Grid in OpenShift 4 using Hyperfoil

Bài viết hướng dẫn benchmark Red Hat Data Grid sử dụng Hyperfoil trên môi trường OpenShift 4 nhằm đo lường hiệu suất cho các cụm Data Grid.

Lập trình viên phát triển ứng dụng sử dụng cơ sở dữ liệu phân tán nên đọc bài này để tối ưu hóa hiệu suất và khả năng mở rộng của hệ thống khi triển khai trên OpenShift 4 với Red Hat Data Grid, giúp giảm thời gian phát triển và tăng hiệu quả kinh tế.

How obs-mcp boosts AI-native OpenShift observability

obs-mcp giúp tăng cường khả năng quan sát AI-native trên Red Hat OpenShift bằng cách tự động hóa việc tương quan dữ liệu phức tạp, từ đó hỗ trợ quản lý sự cố chủ động.

Một lập trình viên cần đọc bài này để hiểu cách obs-mcp giúp tự động hóa và tối ưu hóa quá trình theo dõi AI-native trên OpenShift, giúp phát hiện và giải quyết vấn đề sớm hơn thông qua việc liên kết dữ liệu phức tạp một cách tự động.

Layered sandboxing for AI agents: OpenShift and OpenShell

OpenShift và OpenShell kết hợp tạo lớp bảo vệ kép cho các tác nhân AI (AI agents), giảm diện tích tấn công và tăng cường bảo mật hạ tầng.

Lập trình viên nên đọc bài này để hiểu cách áp dụng sandboxing phân lớp (OpenShift + OpenShell) để bảo vệ mã nguồn AI của họ khỏi các mối đe dọa từ bên ngoài và cải thiện an toàn cho hệ thống.

Red Hat build of Agent Sandbox: Isolated workload management with Kubernetes

Red Hat build of Agent Sandbox là nền tảng chạy trên Kubernetes, quản lý khối lượng công việc cô lập nhờ Kata Containers, tăng cường bảo mật cho các tác vụ.

Lập trình viên cần đọc bài này để khám phá cách Kata Containers trong Agent Sandbox của Red Hat giúp tối ưu hóa hiệu suất và bảo mật cho ứng dụng chạy trên Kubernetes bằng cách tạo môi trường cô lập hoàn toàn, giảm rủi ro tấn công từ container.

Run Claude Code locally with vLLM and OpenShift AI

Triển khai trợ lý lập trình AI tự lưu trữ bằng vLLM và Red Hat OpenShift AI nhằm đảm bảo quyền riêng tư và độc lập vận hành.

Lập trình viên nên đọc bài này để khám phá cách tự host một trợ lý lập trình AI riêng tư và linh hoạt, tránh phụ thuộc vào dịch vụ cloud, đồng thời tiết kiệm chi phí và kiểm soát toàn bộ dữ liệu của mình.

Red Hat OpenShift 4.22: What dynamic plugin developers need to know

Red Hat OpenShift 4.22 yêu cầu nhà phát triển plugin cho web console cập nhật lên phiên bản mới, bao gồm nâng cấp dependencies như React 18 và sử dụng công cụ Claude Code để hỗ trợ quá trình nâng cấp.

Lập trình viên phát triển plugin động cho OpenShift nên đọc bài này để biết cách chuyển đổi plugin của mình cho OpenShift 4.22 và tránh gặp rắc rối về phiên bản React 18 cùng cách sử dụng Claude Code để nâng cấp hiệu quả.

What's new for developers in Red Hat OpenShift 4.22

Red Hat OpenShift 4.22 bổ sung JobSet controller, tối ưu hóa AI/ML, cùng cập nhật Service Mesh và Pipelines nhằm cải thiện workflow phát triển.

Lập trình viên nên đọc bài này vì Red Hat OpenShift 4.22 mang đến những cải tiến mới như JobSet Controller giúp tự động hóa và quản lý các nhiệm vụ batch hiệu quả hơn, đồng thời tích hợp AI/ML để tối ưu hóa hiệu suất ứng dụng và công cụ DevOps mới như Service Mesh và Pipelines, giúp streamline quá trình phát triển và triển khai nhanh chóng.

Troubleshoot Red Hat OpenShift Virtualization localnet with the netobserv command

Bài viết hướng dẫn khắc phục sự cố mạng cho máy ảo trên Red Hat OpenShift Virtualization localnet bằng lệnh oc netobserv, với bốn tình huống cụ thể: kiểm tra thành viên VLAN qua UDN mapping, chẩn đoán thiếu lease DHCP bằng cách bắt gói UDP port 67, đọc MTU hiệu quả từ gói ICMP phân mảnh, và xác định gói bị drop do MultiNetworkPolicy/AdminNetworkPolicy. Các ghi chú thực tế nhấn mạnh lọc capture chặt chẽ, dọn dẹp giữa phiên, và hiểu rằng eBPF hoạt động trước OVS VLAN tagging.

Để giải quyết các vấn đề mạng trong môi trường OpenShift Virtualization với các mạng phụ như localnet, lập trình viên có thể sử dụng công cụ oc netobserv để nhanh chóng xác định nguyên nhân và áp dụng giải pháp hiệu quả.

Supermicro Debuts Kubernetes Edge AI Appliance with Red Hat and Everpure

Supermicro has launched a prevalidated Kubernetes Edge AI appliance in partnership with Red Hat and Everpure (Portworx). The system combines Supermicro edge servers, Red Hat OpenShift for container orchestration, and Portworx for Kubernetes-native storage and data management. Targeting enterprises deploying AI inference at the edge rather than model training, the appliance comes preconfigured to reduce integration complexity. It supports autonomous operation, automated data protection, and high availability — key for edge sites without dedicated IT staff. Use cases include computer vision, predictive maintenance, retail analytics, and industrial automation.

Running database workloads on Red Hat OpenShift Virtualization

A step-by-step guide for running database performance benchmarks using HammerDB on Red Hat OpenShift Virtualization. Covers setting up virtual machines on OpenShift with CentOS Stream 9, configuring dedicated block storage and passwordless SSH, then executing TPC-C workloads against MariaDB, PostgreSQL, and Microsoft SQL Server using containerized Podman-based benchmark runners. Includes scripts for VM provisioning, benchmark execution, and result extraction, with notes on warehouse sizing and storage planning.

Demystify the architecture of OpenShift hosted control planes

A deep dive into the architectural considerations for OpenShift Hosted Control Planes (HCP), covering the critical infrastructure decisions teams must make before adoption. Key topics include: the role of the Multicluster Engine (MCE) Operator, etcd storage requirements (WAL fsync p99 latency must stay below 10ms), load balancing strategies, and DNS planning. For bare metal deployments, MetalLB (L2 vs BGP mode) and the Agent provider workflow are explained. For OpenShift Virtualization (KubeVirt), the post covers co-located vs. separate infrastructure cluster tradeoffs, overlay vs. localnet (VLAN) networking options, and VM disk storage capacity planning. The article emphasizes that storage validation, network topology, and resource quotas must be addressed upfront to avoid operational pitfalls at scale.

Red Hat OpenShift as a Hybrid Engine for GitOps Driven Application Modernization

A practical guide to using Red Hat OpenShift as a unified platform for GitOps-driven application modernization across hybrid and multi-cloud environments. Covers how to design a Git-centric operating model with clear repository structures, namespace tenancy, and environment promotion workflows. Explains building an automation backbone with infrastructure-as-code, GitOps controllers (Argo CD-style), and CI pipelines that separate artifact building from deployment. Addresses multi-cluster management, policy-as-code for security and compliance, and three migration patterns: new services first, strangler pattern, and lift-and-shift with gradual refactoring.

Visualize your cluster: Manage observability with Red Hat build of Perses

Công cụ Perses (phiên bản Red Hat build) là giải pháp dashboarding cloud-native tích hợp vào OpenShift, quản lý quan sát toàn diện thông qua giao diện thống nhất cho metrics (Prometheus/Thanos), logs (Loki) và traces (Tempo). Người dùng có thể triển khai Perses qua Cluster Observability Operator, cấu hình datasource theo namespace, tạo dashboard bằng UI/YAML, hoặc di chuyển từ Grafana bằng percli CLI hoặc import UI, với một số hạn chế như không hỗ trợ plugin tùy chỉnh hay cảnh báo Grafana.

Lập trình viên muốn tự động hóa và quản lý hiệu suất ứng dụng trên Kubernetes cần đọc bài này để khám phá cách tích hợp Perses của Red Hat để xây dựng dashboard quan sát toàn diện, tối ưu hóa việc theo dõi dữ liệu từ các nguồn như Prometheus, Loki, và Tempo một cách đơn giản và tuân thủ các quy trình GitOps.

Batch inference on OpenShift AI with llm-d: Architecture, integration, and workflows

The llm-d batch gateway is a Kubernetes-native batch inference service that integrates with Red Hat OpenShift AI to handle high-volume offline LLM workloads. It implements the OpenAI-compatible /v1/batches and /v1/files API, allowing existing clients to target private clusters with minimal configuration changes. The architecture shares GPU resources and model pods with interactive traffic while maintaining separate routing, security policies, and concurrency controls. Key design decisions include disk-backed execution plans for bounded memory, PrefixHash-ordered request dispatch to improve KV cache hit rates, two-level concurrency semaphores to prevent batch jobs from starving interactive requests, and startup recovery via PostgreSQL state reconciliation. Security is handled through Kubernetes TokenReview, SubjectAccessReview-based RBAC, and token-level rate limiting via Red Hat Connectivity Link. Common use cases include model evaluation, dataset scoring, embedding generation at scale, and differential pricing for batch vs. interactive traffic.

Build a multi-agent supervisor pattern on Red Hat AI

A detailed walkthrough of implementing a multi-agent supervisor pattern using Claude Managed Agents, OpenShell sandboxes, and Red Hat AI/OpenShift. The pattern addresses the security problem of a single AI agent holding credentials to multiple systems by splitting work across specialized agents (metrics, logs, runbooks), each running in its own kernel-enforced sandbox with per-agent network policies. The architecture separates orchestration (Anthropic's cloud) from execution (on-cluster sandboxes), ensuring raw data and PII never leave the cluster. Each sandbox enforces least-privilege access via Landlock filesystem isolation, seccomp syscall filtering, and binary-scoped L7 network rules, limiting blast radius if any agent is prompt-injected.

Build a multi-agent supervisor pattern on OpenShift

A detailed walkthrough of implementing a multi-agent supervisor pattern on OpenShift using OpenShell sandboxes to enforce least-privilege isolation for AI agents. The pattern addresses the security risks of a single AI agent holding credentials for multiple systems (Prometheus, Loki, Confluence) by splitting work into specialized agents, each running in its own sandbox with kernel-enforced network policies (Landlock, seccomp). The architecture uses Claude as the orchestrating brain in Anthropic's cloud, while actual data access and reasoning happen inside per-agent OpenShell sandboxes on the cluster. Each sandbox gets a scoped network policy allowing only the specific binary to reach specific endpoints, limiting blast radius if any agent is compromised via prompt injection. The post includes a full incident-response demo showing parallel agent dispatch, per-agent policy enforcement, and result synthesis without raw PII ever leaving the cluster.

Demystify the terminology of OpenShift hosted control planes

OpenShift hosted control planes (HCP) introduce confusing terminology that has evolved across upstream projects, product naming, and API conventions. This guide clarifies the key terms: management cluster (hosts the control planes), hosted cluster (the full logical cluster including workers), hosted control plane (just the control plane pods), NodePool, HostedCluster CR, and the distinction between managed cluster vs. management cluster. HCP decouples the control plane from the data plane, running it as pods on a management cluster while workers run on bare metal, VMs, or cloud instances. Benefits include lower infrastructure cost (no dedicated master nodes per cluster), faster provisioning (minutes vs. ~45 minutes), and centralized multi-version management. Trade-offs include management cluster becoming a critical single point of failure, new operational complexity, stricter etcd storage requirements (sub-10ms p99 WAL fsync latency), and no direct control plane node access. A decision framework helps determine when HCP is appropriate versus standalone OpenShift clusters.

Scale document ingestion with Docling and Ray on OpenShift AI

Kết hợp Docling (phân tích PDF có cấu trúc) với Ray Data (xử lý phân tán) trên Red Hat OpenShift AI giúp giải quyết nút thắt trong xử lý tài liệu, giảm thời gian xử lý 10.000+ file PDF xuống 20–40 phút nhờ mô hình pool actors của Ray. Triển khai gồm hai dạng: cụm RayJob tạm thời cho batch/CI-CD và RayCluster bền vững cho phát triển tương tác, với tùy chọn mở rộng lưu trữ S3, OCR và định dạng tài liệu khác.

Nếu bạn gặp phải vấn đề xử lý hàng loạt tài liệu phức tạp như PDF với nhiều bảng, hình ảnh và dữ liệu lớn, thì giải pháp kết hợp Docling và Ray Data trên OpenShift AI sẽ giúp bạn tối ưu hóa quy trình xử lý nhanh gấp nhiều lần, giảm thời gian chờ đợi và tiết kiệm chi phí khi xử lý hàng nghìn tài liệu một cách hiệu quả.

How to set up OpenShift Virtualization ServiceNow CMDB discovery: Deploying an in-cluster MID Server

Stock ServiceNow Kubernetes discovery fails to recognize KubeVirt VMs in OpenShift Virtualization clusters — they appear only as virt-launcher pod rows, never as proper VM configuration items in CMDB. This guide (part 1 of 2) walks through deploying a least-privilege, CA-trusted MID Server inside the OpenShift cluster to fix this. Key steps include creating a dedicated service account bound to the kubevirt.io:view ClusterRole, setting up a MID server user in ServiceNow, building a custom MID server image with an OpenShift service-CA startup hook to avoid TLS trust failures on pod reschedules, and deploying the MID server with pod-mounted token authentication. Common failure modes like CrashLoopBackOff, Down status, and SSLPeerUnverifiedException are covered with fixes. Part 2 builds the custom discovery pattern on this foundation.

How to set up Red Hat OpenShift Virtualization ServiceNow CMDB discovery: Configuring virtual machines with a custom Discovery Pattern

Hướng dẫn từng bước tạo mẫu Discovery Pattern tùy chỉnh trong ServiceNow CMDB nhằm khám phá các máy ảo (VM) trên Red Hat OpenShift Virtualization (KubeVirt) mà không phụ thuộc vào phương pháp khám phá Kubernetes tiêu chuẩn. Mẫu này định nghĩa lớp CI (u_cmdb_ci_openshift_virtual_machines) kế thừa từ cmdb_ci_vm_instance, sử dụng bộ định danh dựa trên cluster/namespace/tên VM, và truy vấn các endpoint virtualmachines/virtualmachineinstances bằng HTTP GET với phép JOIN trái để bao gồm cả VM đã tắt. Kết quả là bản ghi CMDB sạch sẽ, theo dõi trạng thái lifecycle (Running, Stopped, Absent) tự động mà không sinh ra các dòng CI thừa từ Kubernetes.

How to Govern Autonomous Agents in Enterprise AI Factories

NVIDIA's Secure Agent Workspace Reference Design provides a framework for governing autonomous AI agents in enterprise environments. The architecture separates the user's endpoint (presentation layer) from agent execution, which runs in a managed VM with enforced identity, network access, credentials, runtime policy, and audit controls. Implementation follows two phases: first securing the perimeter outside the VM (SSO, default-deny networking, human approval gates, centralized logging), then adding runtime security inside the VM (sandboxing via NVIDIA OpenShell, signed policy bundles, credential proxies, continuous verification). Deployment supports both on-premises Red Hat OpenShift and Microsoft Azure, using GitOps for policy management, per-user VMs for isolation, and OCSF-formatted audit logs for SIEM integration. Agent blueprints provide reusable workflow templates with predefined tool access, write permissions, and review gates.

Implement GPU-as-a-Service with Kueue and NVIDIA MIG

GPU-as-a-Service (GPUaaS) addresses the common problem of expensive, underutilized GPUs in organizations by enabling self-service reservation of GPU slices. The approach uses Red Hat OpenShift with Kueue (a Kubernetes queueing and quota system) and NVIDIA Multi-Instance GPU (MIG) technology. MIG allows a single physical GPU to be partitioned into isolated slices of varying sizes, while Kueue manages resource pools, fair sharing, and quota enforcement via ClusterQueues. A custom OpenShift web console plug-in lets developers book GPU time slots through a calendar UI without writing YAML, generating native Kueue resources under the hood. Once a reservation is made, developers can deploy models from the OpenShift AI model catalog using preconfigured hardware profiles that tie deployments to their reserved MIG slice. This enables long-running inference workloads and batch jobs like fine-tuning to share GPU resources elastically under defined access policies.