Детальная информация

Данная работа посвящена разработке программного комплекса для автоматизированной обработки видеоконтента в среде Kubernetes с использованием паттерна Kubernetes Operator. В ходе исследования решались следующие задачи: 1. Проведение анализа существующих коммерческих и open-source решений для транскодирования видеоконтента.  2. Исследование подходов к оркестрации вычислительных задач в среде Kubernetes.  3. Формирование функциональных и нефункциональных требований к разрабатываемой системе.  4. Проектирование архитектуры программного комплекса на основе Kubernetes Operator.  5. Реализация программного комплекса и проведение его тестирования.  В работе разработана архитектура распределённой системы обработки видеоконтента, включающая Kubernetes-оператор, пользовательский ресурс VideoJob, очередь Redis, временное хранилище PV/PVC и объектное хранилище MinIO. Реализован конвейер обработки, обеспечивающий анализ входного видео, выбор стратегии обработки, транскодирование или Stream Copy, генерацию HLS-артефактов и публикацию результатов. В результате проведённого тестирования подтверждена корректность функционирования разработанного программного комплекса, включая обработку штатных и ошибочных сценариев, асинхронное выполнение задач и генерацию HLS-контента. При выполнении работы использовались следующие информационные технологии и программные средства: Kubernetes, Docker, Python, Kopf, FFmpeg, Redis, MinIO, Helm, GitLab CI/CD.

The given work is devoted to the development of a software system for automated video processing in a Kubernetes environment using the Kubernetes Operator pattern. The research set the following goals: 1. Analysis of existing commercial and open-source video transcoding solutions.  2. Investigation of approaches to orchestration of computational tasks in Kubernetes.  3. Definition of functional and non-functional requirements for the developed system.  4. Design of the software architecture based on Kubernetes Operator.  5. Implementation and testing of the developed software system.  The work resulted in the design of a distributed video processing architecture including a Kubernetes operator, VideoJob custom resource, Redis queue, temporary PV/PVC storage and MinIO object storage. A processing pipeline was implemented to analyze input video files, select a processing strategy, perform transcoding or Stream Copy, generate HLS artifacts and publish processing results. Testing confirmed the correctness of the developed software system, including normal and failure scenarios, asynchronous task execution and HLS content generation. The following information technologies and software tools were used during the research: Kubernetes, Docker, Python, Kopf, FFmpeg, Redis, MinIO, Helm and GitLab CI/CD.