Suite et fin de la suite d’articles sur Devoxx France 2015. Après un premier retour général, un retour sur la journée du mercredi 8 avril, ainsi que sur la journée du jeudi 9 avril, voici un article sur la dernière journée de l’événement. Au programme : Docker sur Azure, Spring Boot, Data Flow…et bien plus encore.

Quickie : Vos managers ne veulent pas entendre parler de la dette technique, tant mieux !

Par Freddy Mallet (Sonar Source)

Quickie : Stratégie de mise en place de revues de code

Par David Wursteisen (SOAT)

GitHub organise des revues de code. Google organise des revues de code. Finalement, la revue de code ne serait-elle pas incontournable pour améliorer la qualité d’un projet ?

Je n’avais pas choisi cette conférence, cela a été une solution de repli. Rien à dire sur la conf, c’était intéressant. Mais au final, rien de vraiment nouveau. On faisait systématiquement de la revue de code (celui des autres développeurs) en fin de projet lorsque je bossais pour Verizon aux US (15 ans déjà!). Mais je ne l’ai jamais fait ni en France, ni en Suisse.

Conférence – L’ecosysteme Docker sur Azure

Par Patrick Chanezon (Microsoft et Docker depuis quelques semaines)

Devoxx img 1

  • Azure est une solution de Cloud Hybrid
  • Docker: entre l’infra et la plateforme. Nouvelle transformation -> Ecosystème qui se créé autour
  • Le combat n’est plus sur la plateforme mais sur les fournisseurs de solutions de Cloud. Donc les mentalités changent.
  • La VM sous Azure, c’est du linux → Docker Engine Windows pour faire tourner du Windows dans Docker.
  • Maintenant les appli ASP.NET  V5 tourne sur linux et en Open source.
  • Besoin du noyau + docker engine, pour le reste tout est dans containers. Outils + OS + lib sont dans des containers.
  • Docker multi host -> le volume est lié à un hote particulier. Voir Flocker ZFS
  • Pas de modèle de plugin sur Docker, mais cela va venir (ça va faire parti de son nouveau boulot).
  • Docker swarn /Mesos/ Kubernetes -> Orchestration/Load balancing.
  • Quelle image choisir ? Celle sur Java est basé sur OpenJDK.
  • Comment commencer ? Etendre une librairie standard
  • Cela va se structurer de plus en plus. Il manque encore un niveau de maturation. Voir Docker Machine (pour commencer).
  • Microsoft se mette de plus en plus sur Linux
  • Kubernetes -> Github de Ludovic Champenois.
  • CleverCloud propose une offre Docker

Pour commencer sur Docker Azure -> https://github.com/chanezon

Conférence : IoT, Java, and Autonomous Drones

Par James Weaver (Oracle)

Devoxx img 2

Conférence : Barbus et Barbares

Par Francois le Droff (Adobe Systems) et Romain Pelisse (Red hat)

=> Génération d’application avec Spring Boot -> donc Spring security -> gestion de role, etc…

Devoxx img 3

  • Firewall: Comparer à une ligne Maginot.
  • Le vrai filtrage est applicatif.
  • Ex: de date avec une taille supérieure.
  • ReverseProxy -> hackage difficile
  • Chiffré au niveau applicatif ou au niveau du stockage.
  • Ex:  Si 1 chiffrement est hacké, l’autre ne l’est pas pour un autre user. Ce qui n’est pas être le cas au niveau d’un hack de chiffrement au niveau de la base de données.
  • Avec SAML (Virer le login+password)
  • Attention non plus à publier des clé de chiffrement par erreur sur Github.
  • Attention Avec un Jenkins sur Internet car possibilité d’exécuter des scripts.
  • Il vaut mieux avoir un Jenkins de courte durée et de le recréer avec Puppet.
  • Nexus est assez solide.
  • Il faut être prêt à se faire hacker -> Test Chaos Monkey
  • Netflix utilise cette technique pour être toujours prêt à l’attaque.
  • En fait après DevOps -> DevSec  (Sec pour Sécurité)
  • Faire une authentification forte

Conférence : « No one at Google uses MapReduce anymore » – Cloud Dataflow explained for dummies

Par Martin Görner (Google) et Didier Girard (SFEIR)

Devoxx img 4

  • Cloud DataFlow -> Flume Java : C’est une couche au dessus du Map Reduce
  • On peut appliquer plusieurs fois le reduce. On gagne du traffic réseau.
  • Dremel – Big Query = Requête SQL – Rien à écrire (ne pas utiliser DataFlow dans ce cas)
  • DataFlow – Traitement de données générique.
  • Si pas DataFlow -> toutes ces opérations sont faites à la main.
  • DataFlow fait du benchmark + stream
  • Pour un Data Scientist, pas besoin de connaitre tous les algos de DataFlow pour travailler.
  • Comme DataFlow est en Java, c’est facile à debugger.
  • Intérêt: Quand on a une idée, l’outil permet de tester rapidement.
  • Dataflow: Vraiment Filtrage. C’est en beta – Annoncé à Google IO en 2014.
  • En 1 semaine, on peut monter en compétence.