Bereitstellen der Azure Machine Learning-Erweiterung in AKS- oder Arc Kubernetes-Clustern

Damit Ihr AKS- oder Arc Kubernetes-Cluster Trainingsaufträge oder Rückschlussworkloads ausführen kann, müssen Sie zunächst die Azure Machine Learning-Erweiterung in einem AKS- oder Arc Kubernetes-Cluster bereitstellen. Die Azure Machine Learning-Erweiterung basiert auf der Clustererweiterung für AKS und Clustererweiterung für Arc Kubernetes erstellt, und ihr Lebenszyklus kann einfach mit k8s-extension der Azure CLI verwaltet werden.

In diesem Artikel lernen Sie Folgendes:

• Voraussetzungen
• Einschränkungen
• Überprüfen der Konfigurationseinstellungen der Azure Machine Learning-Erweiterung
• Szenarien für die Bereitstellung der Azure Machine Learning-Erweiterung
• Überprüfen der Bereitstellung der Azure Machine Learning-Erweiterung
• Überprüfen der Komponenten der Azure Machine Learning-Erweiterung
• Verwalten der Azure Machine Learning-Erweiterung

Voraussetzungen

• Ein in Azure ausgeführter AKS-Cluster. Wenn Sie bisher noch keine Clustererweiterungen verwendet haben, müssen Sie den KubernetesConfiguration-Dienstanbieter registrieren.
• Es kann auch ein Arc Kubernetes-Cluster ausgeführt werden. Befolgen Sie die Anweisungen in Verbinden eines vorhandenen Kubernetes-Clusters mit Azure Arc.
  • Wenn es sich bei dem Cluster um einen Azure RedHat OpenShift Service (ARO)-Cluster oder einen OpenShift Container Platform (OCP)-Cluster handelt, müssen Sie weitere Voraussetzungen erfüllen, wie im Artikel Referenz für die Konfiguration von Kubernetes-Clustern dokumentiert.
• Für Produktionszwecke muss der Kubernetes-Cluster über mindestens 4 vCPU-Kerne und 14 GB Arbeitsspeicher verfügen. Weitere Informationen zu Ressourcendetails und Clustergrößenempfehlungen finden Sie unter Empfohlene Ressourcenplanung.
• Cluster, die hinter einem ausgehenden Proxyserver oder einer Firewall ausgeführt werden, benötigen zusätzliche Netzwerkkonfigurationen.
• Installieren Sie Azure CLI, oder aktualisieren Sie Azure CLI auf Version 2.24.0 oder höher.
• Installieren Sie die Azure CLI-Erweiterung k8s-extension, oder aktualisieren Sie sie auf Version 1.2.3 oder höher.

Einschränkungen

• Das Verwenden eines Dienstprinzipals mit AKS wird von Azure Machine Learning nicht unterstützt. Der AKS-Cluster muss stattdessen eine verwaltete Identität verwenden. Sowohl eine systemseitig zugewiesene verwaltete Identität als auch eine benutzerseitig zugewiesene verwaltete Identität wird unterstützt. Weitere Informationen finden Sie unter Verwenden einer verwalteten Identität in Azure Kubernetes Service.
  • Wenn der von Ihrem AKS-Cluster verwendete Dienstprinzipal auf die Verwendung der verwalteten Identität konvertiert wird, können die Knotenpools nicht direkt aktualisiert werden, sondern müssen vor der Installation der Erweiterung gelöscht und neu erstellt werden.
• Das Deaktivieren lokaler Konten für AKS wird von Azure Machine Learning nicht unterstützt. Bei der Bereitstellung des AKS-Clusters sind die lokalen Konten standardmäßig aktiviert.
• Wenn Ihr AKS-Cluster über einen autorisierten IP-Adressbereich mit Zugriff auf den API-Server verfügt, aktivieren Sie die IP-Bereiche der Azure Machine Learning-Steuerungsebene für den AKS-Cluster. Die Steuerungsebene von Azure Machine Learning wird über Regionspaare bereitgestellt. Ohne Zugriff auf den API-Server können die Machine Learning-Pods nicht bereitgestellt werden. Verwenden Sie die IP-Adressbereiche für beide Regionspaare, wenn Sie die IP-Adressbereiche in einem AKS-Cluster aktivieren.
• Azure Machine Learning bietet keine Unterstützung für das abonnementübergreifende Anfügen eines AKS-Clusters. Wenn Sie über einen AKS-Cluster in einem anderen Abonnement verfügen, müssen Sie ihn zuerst mit Azure-Arc verbinden und das Abonnement Ihres Azure Machine Learning-Arbeitsbereichs angeben.
• Azure Machine Learning garantiert nicht die Unterstützung für alle Features der Vorschauphase in AKS. Beispielsweise wird die Microsoft Entra-Podidentität nicht unterstützt.
• Wenn Sie die Schritte aus dem Dokument zu Azure Machine Learning AKS v1 befolgt haben, um Ihre AKS-Instanz als Rückschlusscluster zu erstellen oder anzufügen, verwenden Sie den folgenden Link, um die auf „azureml-fe“ bezogenen Legacyressourcen zu bereinigen, bevor Sie mit dem nächsten Schritt fortfahren.

Überprüfen der Konfigurationseinstellungen der Azure Machine Learning-Erweiterung

Sie können den Azure Machine Learning CLI-Befehl k8s-extension create verwenden, um die Azure Machine Learning-Erweiterung bereitzustellen. Mit der CLI k8s-extension create können Sie eine Reihe von Konfigurationseinstellungen im key=value-Format festlegen, indem Sie die Parameter --config oder --config-protected verwenden. Im Folgenden finden Sie eine Liste der verfügbaren Konfigurationseinstellungen, die Sie bei der Bereitstellung der Azure Machine Learning-Erweiterung festlegen können.

Schlüsselname der Konfigurationseinstellung	BESCHREIBUNG	Training	Rückschluss	Training und Rückschluss
enableTraining	True oder False , False Standard. Muss für die Bereitstellung der Azure Machine Learning-Erweiterung mit Unterstützung von Machine Learning-Modelltraining und Batchbewertung auf True festgelegt werden.	✓	–	✓
enableInference	True oder False , False Standard. Muss für die Bereitstellung der Azure Machine Learning-Erweiterung mit Unterstützung von Machine Learning-Rückschlüssen auf True festgelegt werden.	–	✓	✓
allowInsecureConnections	True oder False , False Standard. Kann für die Verwendung von Rückschluss-HTTP-Endpunkten oder für Testzwecke auf True eingestellt sein.	–	Optional	Optional
inferenceRouterServiceType	loadBalancer, nodePort oder clusterIP. Erforderlich, wenn enableInference=True.	–	✓	✓
internalLoadBalancerProvider	Diese Konfiguration gilt derzeit nur für Azure Kubernetes Service-Cluster (AKS). Legen Sie sie auf azure fest, um dem Rückschlussrouter die Verwendung eines internen Lastenausgleichs zu ermöglichen.	–	Optional	Optional
sslSecret	Der Name des Kubernetes-Geheimnisses im azureml-Namespace. Diese Konfiguration wird verwendet, um cert.pem (PEM-codiertes TLS/SSL-Zertifikat) und key.pem (PEM-codierter TLS/SSL-Schlüssel) zu speichern, die für die Unterstützung des HTTPS-Endpunkts für Rückschlüsse erforderlich sind, wenn allowInsecureConnections auf False festgelegt ist. Eine YAML-Beispieldefinition von sslSecret finden Sie unter Konfigurieren von sslSecret. Verwenden Sie diese Konfiguration oder eine Kombination aus mittels sslCertPemFile und sslKeyPemFile geschützten Konfigurationseinstellungen.	–	Optional	Optional
sslCname	Ein TLS/SSL-CNAME-Eintrag wird vom HTTPS-Endpunkt für Rückschlüsse verwendet. Erforderlich, wenn allowInsecureConnections=False	–	Optional	Optional
inferenceRouterHA	True oder False , True Standard. Standardmäßig stellt die Azure Machine Learning-Erweiterung drei Rückschlussrouterreplikate für Hochverfügbarkeit bereit, wofür mindestens drei Workerknoten in einem Cluster erforderlich sind. Legen Sie False fest, wenn Ihr Cluster weniger als drei Workerknoten aufweist. In diesem Fall wird nur ein Rückschlussrouterdienst bereitgestellt.	–	Optional	Optional
nodeSelector	Standardmäßig werden die bereitgestellten Kubernetes-Ressourcen und Ihre Machine Learning-Workloads nach dem Zufallsprinzip auf mindestens einem Knoten im Cluster bereitgestellt, und DaemonSet-Ressourcen werden auf ALLEN Knoten bereitgestellt. Wenn Sie die Bereitstellung der Erweiterung und Ihre Trainings-/Rückschlussworkloads auf bestimmte Knoten mit der Bezeichnung key1=value1 und key2=value2 beschränken möchten, verwenden Sie nodeSelector.key1=value1 und nodeSelector.key2=value2 entsprechend.	Optional	Optional	Optional
installNvidiaDevicePlugin	True oder False , False Standard. Das NVIDIA-Geräte-Plug-In ist für ML-Workloads auf NVIDIA GPU-Hardware erforderlich. Standardmäßig wird bei der Bereitstellung der Azure Machine Learning-Erweiterung das NVIDIA-Geräte-Plug-In nicht installiert, unabhängig davon, ob der Kubernetes-Cluster über GPU-Hardware verfügt. Der Benutzer kann für diese Einstellung True angeben, um es zu installieren, muss aber sicherstellen, dass die Voraussetzungen erfüllt sind.	Optional	Optional	Optional
installPromOp	True oder False , True Standard. Für die Azure Machine Learning-Erweiterung ist der Prometheus-Operator zum Verwalten von Prometheus erforderlich. Legen Sie diese Einstellung auf False fest, um den vorhandenen Prometheus-Operator wiederzuverwenden. Weitere Informationen zur Wiederverwendung des vorhandenen Prometheus-Operators finden Sie unter Wiederverwendung des Prometheus-Operators	Optional	Optional	Optional
installVolcano	True oder False , True Standard. Azure Machine Learning-Erweiterung benötigt „volcano-scheduler“, um den Auftrag zu planen. Legen Sie False fest, um den vorhandenen „volcano-scheduler“ wiederzuverwenden. Weitere Informationen zur Wiederverwendung des vorhandenen Volcano-Zeitplans finden Sie unter Wiederverwendung des Volcano-Zeitplans.	Optional	–	Optional
installDcgmExporter	True oder False , False Standard. „dcgm-exporter“ kann GPU-Metriken für Azure Machine Learning-Workloads verfügbar machen, die im Azure-Portal überwacht werden können. Legen Sie installDcgmExporter auf True fest, um dcgm-exporter zu installieren. Wenn Sie aber Ihren eigenen dcgm-Exporter nutzen möchten, finden Sie Informationen hierzu unter DCGM-Exporter.	Optional	Optional	Optional

Schlüsselname der geschützten Konfigurationseinstellung	BESCHREIBUNG	Training	Rückschluss	Training und Rückschluss
sslCertPemFile, sslKeyPemFile	Pfad zum TLS/SSL-Zertifikat und zur Schlüsseldatei (PEM-codiert), die für die Bereitstellung der Azure Machine Learning-Erweiterung mit Unterstützung für Rückschluss-HTTPS-Endpunkte erforderlich sind, wenn allowInsecureConnections auf „False“ festgelegt ist. Hinweis Durch Passphrase geschützte PEM-Datei wird nicht unterstützt.	–	Optional	Optional

Wie Sie aus der obigen Tabelle der Konfigurationseinstellungen ersehen können, ermöglichen Ihnen die Kombinationen der verschiedenen Konfigurationseinstellungen die Bereitstellung der Azure Machine Learning-Erweiterung für verschiedene ML-Workloadszenarios:

• Geben Sie für den Trainingsauftrag und die Batchrückschlussworkload entsprechend enableTraining=True an.
• Geben Sie nur für Rückschlussworkloads enableInference=True an.
• Geben Sie für alle Arten von ML-Workloads sowohl enableTraining=True als auch enableInference=True an.

Wenn Sie die Bereitstellung der Azure Machine Learning-Erweiterung für Rückschlussworkloads in Echtzeit planen und enableInference=True angeben möchten, beachten Sie die folgenden Konfigurationseinstellungen für Rückschlussworkloads in Echtzeit:

• azureml-fe: Der Routerdienst ist für die Unterstützung von Rückschlüssen in Echtzeit erforderlich und Sie müssen die Konfigurationseinstellung inferenceRouterServiceType für azureml-fe festlegen. azureml-fe kann mit einem der folgenden inferenceRouterServiceType bereitgestellt werden:
  • Geben Sie LoadBalancerein. Macht azureml-fe extern über den Lastenausgleich eines Cloudanbieters verfügbar. Um diesen Wert anzugeben, müssen Sie sicherstellen, dass Ihr Cluster die Bereitstellung eines Lastenausgleichs unterstützt. Beachten Sie, dass die meisten lokalen Kubernetes-Cluster möglicherweise keinen externen Lastenausgleich unterstützen.
  • Geben Sie NodePortein. Macht azureml-fe die IP-Adresse jedes Knotens an einem statischen Port verfügbar. Sie können azureml-fe von außerhalb des Clusters kontaktieren, indem Sie <NodeIP>:<NodePort> anfordern. Mit NodePort können Sie außerdem eine eigene Lösung für den Lastenausgleich und den TLS/SSL-Abschluss für azureml-fe einrichten.
  • Geben Sie ClusterIPein. Macht azureml-fe für eine clusterinterne IP-Adresse verfügbar und sorgt dafür, dass azureml-fe nur aus dem Cluster erreichbar ist. Damit azureml-fe Rückschlussanforderungen von außerhalb des Clusters bedienen kann, müssen Sie eine eigene Lösung für den Lastenausgleich und den TLS/SSL-Abschluss für azureml-fe einrichten.
• Um die Hochverfügbarkeit des azureml-fe-Routingdiensts sicherzustellen, werden bei der Bereitstellung der Azure Machine Learning-Erweiterung standardmäßig drei Replikate von azureml-fe für Cluster mit drei oder mehr Knoten erstellt. Wenn Ihr Cluster weniger als 3 Knoten aufweist, legen Sie inferenceRouterHA=False fest.
• Sie sollten zudem die Verwendung von HTTPS in Betracht ziehen, um den Zugriff auf Modellendpunkte zu beschränken und die von den Clients übermittelten Daten zu schützen. Zu diesem Zweck müssen Sie entweder die sslSecret-Konfigurationseinstellung oder eine Kombination aus sslKeyPemFile- und sslCertPemFile-Einstellungen angeben, die in der Konfiguration geschützt sind.
• Standardmäßig erwartet die Bereitstellung der Azure Machine Learning-Erweiterung Konfigurationseinstellungen für die HTTPS-Unterstützung. Zu Entwicklungs- oder Testzwecken wird die HTTP-Unterstützung benutzerfreundlich über die Konfigurationseinstellung allowInsecureConnections=True unterstützt.

Bereitstellung der Azure Machine Learning-Erweiterung – CLI-Beispiele und das Azure-Portal

Azure-Befehlszeilenschnittstelle

Um die Azure Machine Learning-Erweiterung mit der CLI bereitzustellen, verwenden Sie den Befehl az k8s-extension create, wobei Sie Werte für die obligatorischen Parameter übergeben.

Wir führen vier typische Szenarien für die Erweiterungsbereitstellung als Referenz auf. Um die Erweiterung für die Nutzung in Ihrer Produktion bereitzustellen, lesen Sie sorgfältig die vollständige Liste der Konfigurationseinstellungen.

• Verwenden Sie den AKS-Cluster in Azure für einen schnellen Proof of Concept, um alle Arten von ML-Workloads auszuführen, d. h. um Trainingsaufträge auszuführen oder Modelle als Online-/Batchendpunkte bereitzustellen.

  Zur Bereitstellung der Azure Machine Learning-Erweiterung im AKS-Cluster müssen Sie den Wert managedClusters für den Parameter --cluster-type angeben. Führen Sie den folgenden Azure CLI-Befehl aus, um die Azure Machine Learning-Erweiterung bereitzustellen:

  az k8s-extension create --name <extension-name> --extension-type Microsoft.AzureML.Kubernetes --config enableTraining=True enableInference=True inferenceRouterServiceType=LoadBalancer allowInsecureConnections=True InferenceRouterHA=False --cluster-type managedClusters --cluster-name <your-AKS-cluster-name> --resource-group <your-RG-name> --scope cluster
  

• Verwenden des Arc Kubernetes-Clusters außerhalb von Azure für einen schnellen Proof of Concept, um nur Trainingsaufträge auszuführen

  Zur Bereitstellung der Azure Machine Learning-Erweiterung im Arc Kubernetes-Cluster müssen Sie den Wert connectedClusters für den Parameter --cluster-type angeben. Führen Sie den folgenden Azure CLI-Befehl aus, um die Azure Machine Learning-Erweiterung bereitzustellen:

  az k8s-extension create --name <extension-name> --extension-type Microsoft.AzureML.Kubernetes --config enableTraining=True --cluster-type connectedClusters --cluster-name <your-connected-cluster-name> --resource-group <your-RG-name> --scope cluster
  

• Aktivieren eines AKS-Clusters in Azure für Produktionstraining und Rückschlussworkload: Geben Sie für die Bereitstellung der Azure Machine Learning-Erweiterung in AKS unbedingt den Wert managedClusters für den Parameter --cluster-type an. Es wird vorausgesetzt, dass Ihr Cluster über mehr als drei Knoten verfügt, und Sie einen öffentlichen Azure-Lastenausgleich und HTTPS für die Unterstützung von Rückschlussworkloads verwenden. Führen Sie den folgenden Azure CLI-Befehl aus, um die Azure Machine Learning-Erweiterung bereitzustellen:

  az k8s-extension create --name <extension-name> --extension-type Microsoft.AzureML.Kubernetes --config enableTraining=True enableInference=True inferenceRouterServiceType=LoadBalancer sslCname=<ssl cname> --config-protected sslCertPemFile=<file-path-to-cert-PEM> sslKeyPemFile=<file-path-to-cert-KEY> --cluster-type managedClusters --cluster-name <your-AKS-cluster-name> --resource-group <your-RG-name> --scope cluster
  

• Aktivieren eines Arc Kubernetes-Clusters an einem beliebigen Standort für Produktionstraining und Rückschlussworkload mithilfe von NVIDIA-GPUs

  Zur Bereitstellung der Azure Machine Learning-Erweiterung im Arc Kubernetes-Cluster müssen Sie den Wert connectedClusters für den Parameter --cluster-type angeben. Davon ausgehend, dass Ihr Cluster über mehr als drei Knoten verfügt und Sie den NodePort-Diensttyp und HTTPS für die Unterstützung von Rückschlussworkloads verwenden, führen Sie den folgenden Azure CLI-Befehl aus, um die Azure Machine Learning-Erweiterung bereitzustellen:

  az k8s-extension create --name <extension-name> --extension-type Microsoft.AzureML.Kubernetes --config enableTraining=True enableInference=True inferenceRouterServiceType=NodePort sslCname=<ssl cname> installNvidiaDevicePlugin=True installDcgmExporter=True --config-protected sslCertPemFile=<file-path-to-cert-PEM> sslKeyPemFile=<file-path-to-cert-KEY> --cluster-type connectedClusters --cluster-name <your-connected-cluster-name> --resource-group <your-RG-name> --scope cluster
  

Azure portal

Die Benutzeroberfläche zur Bereitstellung der Erweiterung ist nur für Arc Kubernetes verfügbar. Bei einem AKS-Cluster ohne Azure Arc-Verbindung müssen Sie die CLI zum Bereitstellen der Azure Machine Learning-Erweiterung verwenden.

1. Navigieren Sie im Azure-Portal zu Kubernetes – Azure Arc, und wählen Sie Ihren Cluster aus.

2. Wählen Sie Erweiterungen unter Einstellungen und dann + Hinzufügen aus.

   

3. Wählen Sie aus der Liste der verfügbaren Erweiterungen die Azure Machine Learning-Erweiterung aus, um die neueste Version der Erweiterung bereitzustellen.

   

4. Befolgen Sie die Anweisungen zum Bereitstellen der Erweiterung. Sie können die Installation anpassen, indem Sie die Installation auf der Registerkarte Grundlagen, Konfigurationen und Erweitert konfigurieren. Eine ausführliche Liste der Konfigurationseinstellungen der Azure Machine Learning-Erweiterung finden Sie unter Überprüfen der Konfigurationseinstellungen für die AzureML-Erweiterung.

   

5. Wählen Sie auf der Registerkarte Überprüfen + erstellen die Option Erstellen aus.

   

6. Nach Abschluss der Bereitstellung wird die Azure Machine Learning-Erweiterung auf der Seite Erweiterung angezeigt. Wenn die Installation der Erweiterung erfolgreich verläuft, wird Installiert als Installationsstatus angezeigt.

   

Überprüfen der Bereitstellung der Azure Machine Learning-Erweiterung

1. Führen Sie den folgenden CLI-Befehl aus, um die Details der Azure Machine Learning-Erweiterung zu überprüfen:

   az k8s-extension show --name <extension-name> --cluster-type connectedClusters --cluster-name <your-connected-cluster-name> --resource-group <resource-group>
   

2. Suchen Sie in der Antwort nach „name“ und „provisioningState:“ „Succeeded“. In den ersten Minuten wird möglicherweise „provisioningState: Pending“ angezeigt.

3. Wenn „provisioningState: Succeeded“ angezeigt wird, führen Sie den folgenden Befehl auf Ihrem Computer aus. Hierbei muss die kubeconfig-Datei auf Ihren Cluster verweisen, um zu überprüfen, ob alle Pods im Namespace „azureml“ den Status „Running“ aufweisen:

    kubectl get pods -n azureml
   

Überprüfen der Komponenten der Azure Machine Learning-Erweiterung

Wenn die Bereitstellung der Azure Machine Learning-Erweiterung abgeschlossen ist, können Sie kubectl get deployments -n azureml verwenden, um die Liste der im Cluster erstellten Ressourcen anzuzeigen. Sie besteht in der Regel aus einer Teilmenge der folgenden Ressourcen, die in den Konfigurationseinstellungen festgelegt sind.

Ressourcenname	Ressourcentyp	Training	Rückschluss	Training und Rückschluss	BESCHREIBUNG	Kommunikation mit der Cloud
relayserver	Kubernetes-Bereitstellung	✓	✓	✓	Relayserver wird nur für Arc Kubernetes-Cluster erstellt, und nicht im AKS-Cluster. Relayserver verwenden Azure Relay für die Kommunikation mit den Clouddiensten.	Empfangen der Anforderung zur Auftragserstellung, Modellimplementierung vom Clouddienst, Synchronisieren des Auftragsstatus mit dem Clouddienst.
gateway	Kubernetes-Bereitstellung	✓	✓	✓	Das Gateway wird für die Kommunikation und die bidirektionale Übertragung von Daten verwendet.	Senden von Knoten- und Clusterressourceninformationen an die Azure Machine Learning-Dienste.
aml-operator	Kubernetes-Bereitstellung	✓	–	✓	Verwalten des Lebenszyklus von Trainingsaufträgen.	Tokenaustausch mit dem Cloudtokendienst für Authentifizierung und Autorisierung von Azure Container Registry.
metrics-controller-manager	Kubernetes-Bereitstellung	✓	✓	✓	Verwalten der Konfiguration für Prometheus	–
{EXTENSION-NAME}-kube-state-metrics	Kubernetes-Bereitstellung	✓	✓	✓	Exportieren von clusterbezogenen Metriken nach Prometheus.	–
{EXTENSION-NAME}-prometheus-operator	Kubernetes-Bereitstellung	Optional	Optional	Optional	Bereitstellen der nativen Kubernetes-Bereitstellung und Verwaltung von Prometheus und den zugehörigen Überwachungskomponenten.	–
amlarc-identity-controller	Kubernetes-Bereitstellung	–	✓	✓	Anfordern und Erneuern eines Blob-/Azure Container Registry-Tokens über eine verwaltete Identität.	Tokenaustausch mit dem Cloudtokendienst für Authentifizierung und Autorisierung von Azure Container Registry und Azure-Blob, die für Rückschlüsse/Modellimplementierung verwendet werden.
amlarc-identity-proxy	Kubernetes-Bereitstellung	–	✓	✓	Anfordern und Erneuern eines Blob-/Azure Container Registry-Tokens über eine verwaltete Identität.	Tokenaustausch mit dem Cloudtokendienst für Authentifizierung und Autorisierung von Azure Container Registry und Azure-Blob, die für Rückschlüsse/Modellimplementierung verwendet werden.
azureml-fe-v2	Kubernetes-Bereitstellung	–	✓	✓	Die Front-End-Komponente, die eingehende Rückschlussanforderungen an bereitgestellte Dienste weiter leitet.	Senden von Dienstprotokollen an Azure Blob.
inference-operator-controller-manager	Kubernetes-Bereitstellung	–	✓	✓	Verwalten des Lebenszyklus von Rückschlussendpunkten.	–
volcano-admission	Kubernetes-Bereitstellung	Optional	–	Optional	volcano-admission-Webhook.	–
volcano-controllers	Kubernetes-Bereitstellung	Optional	–	Optional	Verwalten des Lebenszyklus von Azure Machine Learning-Trainingsauftragspods.	–
volcano-scheduler	Kubernetes-Bereitstellung	Optional	–	Optional	Wird für die Planung von Aufträgen in Clustern verwendet.	–
fluent-bit	Kubernetes-Daemonset	✓	✓	✓	Erfassen des Systemprotokolls der Komponenten.	Hochladen des Systemprotokolls der Komponenten in die Cloud.
{ERWEITERUNGSNAME}-dcgm-exporter	Kubernetes-Daemonset	Optional	Optional	Optional	„dcgm-exporter“ macht GPU-Metriken für Prometheus verfügbar.	Nicht zutreffend
nvidia-device-plugin-daemonset	Kubernetes-Daemonset	Optional	Optional	Optional	„nvidia-device-plugin-daemonset“ macht GPUs für alle Knoten im Cluster verfügbar.	–
prometheus-prom-prometheus	Kubernetes-StatefulSet	✓	✓	✓	Erfassen und Senden von Auftragsmetriken an die Cloud.	Senden von Auftragsmetriken wie CPU-/GPU-/Arbeitsspeicherauslastung an die Cloud.

Wichtig

• Die Azure Relay-Ressource befindet sich in derselben Ressourcengruppe wie die Arc-Clusterressource. Sie wird für die Kommunikation mit dem Kubernetes-Cluster verwendet, und durch deren Änderung werden die angefügten Computeziele zerstört.
• Standardmäßig werden die Kubernetes-Bereitstellungsressourcen nach dem Zufallsprinzip auf 1 oder mehr Knoten im Cluster bereitgestellt, und daemonset-Ressourcen werden auf ALLEN Knoten bereitgestellt. Wenn Sie die Bereitstellung der Erweiterung auf bestimmte Knoten beschränken möchten, verwenden Sie die in der Tabelle mit den Konfigurationseinstellungen beschriebene Konfigurationseinstellung nodeSelector.

Hinweis

• {EXTENSION-NAME}: ist der über den Azure CLI-Befehl az k8s-extension create --name angegebene Erweiterungsname.

Verwalten der Azure Machine Learning-Erweiterung

Aktualisieren, Auflisten, Anzeigen und Löschen einer Azure Machine Learning-Erweiterung

• Informationen zu AKS-Clustern ohne Verbindung mit Azure Arc finden Sie unter Bereitstellen und Verwalten von Clustererweiterungen.
• Informationen zu Azure Arc-fähigem Kubernetes finden Sie unter Bereitstellen und Verwalten von Azure Arc-fähigen Kubernetes-Clustererweiterungen.

Nächste Schritte

• Schritt 2: Anfügen eines Kubernetes-Clusters an einen Arbeitsbereich
• Erstellen und Verwalten von Instanztypen
• Azure Machine Learning – Rückschlussrouter und Konnektivitätsanforderungen
• Schützen der AKS-Rückschlussumgebung