Reference for configuring Kubernetes cluster for Azure Machine Learning

Ez a cikk referenciainformációkat tartalmaz a Kubernetes Azure Machine-Tanulás való konfigurálásához.

Támogatott Kubernetes-verzió és -régió

• Az Azure Machine Tanulás bővítményt telepítő Kubernetes-fürtök az "N-2" verziótámogatási ablakával rendelkeznek, amely igazodik az Azure Kubernetes Service (AKS) verziótámogatási szabályzatához, ahol az "N" az Azure Kubernetes Service legújabb ga alverziója.

  • Ha például az AKS ma bevezeti az 1.20.a verziót, akkor az 1.20.a, 1.20.b, 1.19.c, 1.19.d, 1.18.e és 1.18.f verzió támogatott.

  • Ha az ügyfelek nem támogatott Kubernetes-verziót futtatnak, a rendszer arra kéri őket, hogy frissítsenek, amikor támogatást kérnek a fürthöz. A nem támogatott Kubernetes-kiadásokat futtató fürtökre nem vonatkoznak az Azure Machine Tanulás bővítménytámogatási szabályzatai.

• Az Azure Machine Tanulás bővítményrégió rendelkezésre állása:

  • Az Azure Machine Tanulás bővítmény üzembe helyezhető az AKS-ben vagy az Azure Arc-kompatibilis Kubernetesben az Azure Arc-kompatibilis Kubernetes-régió támogatásában felsorolt támogatott régiókban.

Javasolt erőforrás-tervezés

Az Azure Machine Tanulás bővítmény üzembe helyezésekor a rendszer üzembe helyez néhány kapcsolódó szolgáltatást a Kubernetes-fürtben az Azure Machine Tanulás. Az alábbi táblázat a kapcsolódó szolgáltatásokat és azok fürtbeli erőforrás-használatát sorolja fel:

Üzembe helyezés/démonkészlet	Replika #	Training	Következtetés	CPU-kérelem(m)	CPU-korlát(m)	Memóriakérelem(Mi)	Memóriakorlát(mi)
metrics-controller-manager	1	✓	✓	10	100	20	300
prometheus-operator	1	✓	✓	100	400	128	512
Prometheus	1	✓	✓	100	1000	512	4096
kube-state-metrics	1	✓	✓	10	100	32	256
átjáró	1	✓	✓	50	500	256	2048
fluent-bit	Csomópontonként 1	✓	✓	10	200	100	300
következtetés-operátor-controller-manager	1	✓	N/A	100	1000	128	1024
amlarc-identity-controller	1	✓	N/A	200	1000	200	1024
amlarc-identity-proxy	1	✓	N/A	200	1000	200	1024
azureml-ingress-nginx-controller	1	✓	N/A	100	1000	64	512
azureml-fe-v2	1 (tesztelési célra) or 3 (termelési célú)	✓	N/A	900	2000.	800	1200
online üzembe helyezés	Telepítésenként 1	Felhasználó által létrehozott	N/A	<felhasználó által definiált>	<felhasználó által definiált>	<felhasználó által definiált>	<felhasználó által definiált>
online üzembe helyezés/identitásoldali autó	Telepítésenként 1	✓	N/A	10	50	100	100
aml-operátor	1	N/A	✓	20	1020	124	2168
vulkán-belépés	1	N/A	✓	10	100	64	256
vulkánvezérlő	1	N/A	✓	50	500	128	512
vulkán-schedular	1	N/A	✓	50	500	128	512

A saját üzemelő példányok/podok kivételével a rendszererőforrásokra vonatkozó minimális követelmények a következők:

Eset	Engedélyezett következtetés	Engedélyezett betanítás	CPU-kérelem(m)	CPU-korlát(m)	Memóriakérelem(Mi)	Memóriakorlát(mi)	Csomópontok száma	Ajánlott minimális virtuálisgép-méret	Megfelelő AKS virtuálisgép-termékváltozat
Teszteléshez	✓	N/A	1780	8300	2440	12296	1 csomópont	2 vCPU, 7 GiB Memória, 6400 IOPS, 1500 Mbps BW	DS2v2
Teszteléshez	N/A	✓	410	4420	1492	10960	1 csomópont	2 vCPU, 7 GiB Memória, 6400 IOPS, 1500 Mbps BW	DS2v2
Teszteléshez	✓	✓	1910	10420	2884	15744	1 csomópont	4 vCPU, 14 GiB Memória, 12800 IOPS, 1500 Mbps BW	DS3v2
Éles környezetben	✓	N/A	3600	12700	4240	15296	3 Csomópont(ok)	4 vCPU, 14 GiB Memória, 12800 IOPS, 1500 Mbps BW	DS3v2
Éles környezetben	N/A	✓	410	4420	1492	10960	1 csomópont(ok)	8 vCPU, 28GiB Memroy, 25600 IP-cím, 6000 Mbps BW	DS4v2
Éles környezetben	✓	✓	3730	14820	4684	18744	3 Csomópont(ok)	4 vCPU, 14 GiB Memória, 12800 IOPS, 1500 Mbps BW	DS4v2

Megjegyzés:

• Tesztelési célból tekintse meg az erőforrás-kérést.
• Éles környezetben az erőforráskorlátra kell hivatkoznia.

Fontos

Az alábbiakban további szempontokat is figyelembe kell venni:

• Nagyobb hálózati sávszélesség és jobb lemez I/O-teljesítmény érdekében nagyobb termékváltozatot ajánlunk.
  • Vegyük például a DV2/DSv2-t , a nagy termékváltozat használatával csökkentheti a kép lekérésének idejét a jobb hálózati/tárolási teljesítmény érdekében.
  • Az AKS-foglalással kapcsolatos további információk az AKS-foglalásban találhatók.
• Ha AKS-fürtöt használ, előfordulhat, hogy figyelembe kell vennie egy tárolólemezkép méretkorlátját az AKS-ben. További információt az AKS tárolólemezkép méretkorlátjában talál.

Az ARO- vagy OCP-fürtök előfeltételei

Fokozott biztonságú Linux letiltása (Standard kiadás Linux)

Az Azure Machine Tanulás adatkészlet (az Azure Machine Tanulás betanítási feladataiban használt SDK v1 szolgáltatás) nem támogatott az Standard kiadás Linux-kompatibilis gépeken. Ezért le kell tiltania selinux az összes feldolgozót az Azure Machine Tanulás adatkészlet használatához.

Kiemelt beállítás az ARO-hoz és az OCP-hez

Az Azure Machine Tanulás bővítmény ARO- vagy OCP-fürtön való üzembe helyezéséhez adjon jogosultsági hozzáférést az Azure Machine Tanulás szolgáltatásfiókokhoz, futtassa oc edit scc privileged a parancsot, és adja hozzá a következő szolgáltatásfiókokat a "felhasználók" alatt:

• system:serviceaccount:azure-arc:azure-arc-kube-aad-proxy-sa
• system:serviceaccount:azureml:{EXTENSION-NAME}-kube-state-metrics
• system:serviceaccount:azureml:prom-admission
• system:serviceaccount:azureml:default
• system:serviceaccount:azureml:prom-operator
• system:serviceaccount:azureml:load-amlarc-selinux-policy-sa
• system:serviceaccount:azureml:azureml-fe-v2
• system:serviceaccount:azureml:prom-prometheus
• system:serviceaccount:{KUBERNETES-COMPUTE-NAMESPACE}:default
• system:serviceaccount:azureml:azureml-ingress-nginx
• system:serviceaccount:azureml:azureml-ingress-nginx-admission

Megjegyzés:

• {EXTENSION-NAME}: a CLI-paranccsal az k8s-extension create --name megadott bővítménynév.
• {KUBERNETES-COMPUTE-NAMESPACE}: a Kubernetes-számítás névterét adja meg, amikor a számítást az Azure Machine Tanulás-munkaterülethez csatolja. Ha igen, hagyja ki a defaultkonfigurálást.system:serviceaccount:{KUBERNETES-COMPUTE-NAMESPACE}:defaultKUBERNETES-COMPUTE-NAMESPACE

Összegyűjtött naplóadatok

A fürt azure-beli Tanulás számítási feladataival kapcsolatos egyes naplókat bővítményösszetevők, például állapot, metrikák, életciklus stb. segítségével gyűjtjük össze. Az alábbi lista az összes összegyűjtött naplórészletet tartalmazza, beleértve az összegyűjtött naplók típusát, valamint azokat, hogy hová küldték vagy tárolták őket.

Pod	Az erőforrás leírása	Részletes naplózási információk
amlarc-identity-controller	Azure Blob/Azure Container Registry-jogkivonat kérése és megújítása felügyelt identitáson keresztül.	Csak akkor használható, ha enableInference=true a bővítmény telepítésekor be van állítva. Nyomkövetési naplókkal rendelkezik a végpontok identitásának az Azure Machine Tanulás szolgáltatással való hitelesítéséhez való lekéréséhez.
amlarc-identity-proxy	Azure Blob/Azure Container Registry-jogkivonat kérése és megújítása felügyelt identitáson keresztül.	Csak akkor használható, ha enableInference=true a bővítmény telepítésekor be van állítva. Nyomkövetési naplókkal rendelkezik az állapothoz, hogy lekérte a fürt identitását az Azure Machine Tanulás szolgáltatással való hitelesítéshez.
aml-operátor	A betanítási feladatok életciklusának kezelése.	A naplók tartalmazzák az Azure Machine Tanulás betanítási feladat podjának állapotát a fürtben.
azureml-fe-v2	Az előtérbeli összetevő, amely a bejövő következtetési kérelmeket az üzembe helyezett szolgáltatásokhoz irányítja.	Hozzáférési naplók kérésszinten, beleértve a kérésazonosítót, a kezdési időpontot, a válaszkódot, a hiba részleteit és a kérelmek késésének időtartamát. Nyomkövetési naplók a szolgáltatás metaadatainak változásaihoz, a szolgáltatás kifogástalan állapotú állapotához stb. hibakeresési célból.
átjáró	Az átjáróval kommunikálhat, és adatokat küldhet oda-vissza.	Nyomkövetési naplók az Azure Machine Tanulás-szolgáltatásokból a fürtökre irányuló kérelmekről.
állapotellenőrzés	--	A naplók névtérerőforrást (Azure Machine Tanulás bővítményt) tartalmaznak azureml annak diagnosztizálásához, hogy mi miatt nem működik a bővítmény.
következtetés-operátor-controller-manager	A következtetési végpontok életciklusának kezelése.	A naplók tartalmazzák az Azure Machine Tanulás következtetési végpontot és az üzembehelyezési pod állapotát a fürtben.
metrics-controller-manager	A Prometheus konfigurációjának kezelése.	Nyomkövetési naplók a betanítási feladat feltöltésének állapotához és a processzorhasználatra és a memóriahasználatra vonatkozó üzembehelyezési metrikák következtetéséhez.
továbbítókiszolgáló	A továbbítókiszolgálóra csak az archoz csatlakoztatott fürtben van szükség, és nem lesz telepítve az AKS-fürtben.	A Relay-kiszolgáló az Azure Relayrel együttműködve kommunikál a felhőszolgáltatásokkal. A naplók az Azure Relay kérésszint-adatait tartalmazzák.

Az Azure Machine Tanulás-feladatok egyéni adattárral csatlakoznak

Az állandó kötet (PV) és az állandó mennyiségi jogcím (PVC) a Kubernetes-koncepció, amely lehetővé teszi a felhasználó számára, hogy különböző tárolási erőforrásokat biztosítson és használjon fel.

1. Hozzon létre PV-t, vegye példaként az NFS-t,

apiVersion: v1
kind: PersistentVolume
metadata:
  name: nfs-pv 
spec:
  capacity:
    storage: 1Gi 
  accessModes:
    - ReadWriteMany 
  persistentVolumeReclaimPolicy: Retain
  storageClassName: ""
  nfs: 
    path: /share/nfs
    server: 20.98.110.84 
    readOnly: false

2. Hozzon létre PVC-t ugyanabban a Kubernetes-névtérben az ML számítási feladatok használatával. Ebben a fájlban metadatafel kell vennie az Azure Machine Tanulás által felismerendő címkétml.azure.com/pvc: "true", és hozzá kell adnia egy megjegyzést ml.azure.com/mountpath: <mount path> a csatlakoztatási útvonal beállításához.

apiVersion: v1
kind: PersistentVolumeClaim
metadata:
  name: nfs-pvc  
  namespace: default
  labels:
    ml.azure.com/pvc: "true"
  annotations:
    ml.azure.com/mountpath: "/mnt/nfs"
spec:
  storageClassName: ""
  accessModes:
  - ReadWriteMany      
  resources:
     requests:
       storage: 1Gi

Fontos

• Csak a parancsfeladat/összetevő, a hyperdrive-feladat/összetevő és a kötegelt üzembe helyezés támogatja a PVC-ből származó egyéni adattárolást. > * A valós idejű online végpont, az AutoML-feladat és a PRS-feladat nem támogatja a PVC-ből származó egyéni adattárolást.
• Ezenkívül csak az ugyanabban a Kubernetes-névtérben lévő podok és a PVC(k) lesznek csatlakoztatva a kötethez. Az adatelemző hozzáférhet a mount path feladat PVC-megjegyzésében megadottakhoz. Az AutoML-feladat és a Prs-feladat nem fér hozzá a PVC(k)hez.

Supported Azure Machine Learning taints and tolerations

A Taint és a Toleration kubernetes-fogalmak, amelyek együttműködve biztosítják, hogy a podok ne legyenek nem megfelelő csomópontokra ütemezve.

Az Azure Machine Tanulás integrált Kubernetes-fürtök (beleértve az AKS-t és az Arc Kubernetes-fürtöket) mostantól támogatják az Azure Machine-Tanulás-Tanulás- és tűréseket, így a felhasználók adott Azure Machine-Tanulás-környezeteket adhatnak hozzá az Azure Machine Tanulás dedikált csomópontjaihoz, hogy megakadályozzák a nem Azure Machine-Tanulás számítási feladatokat ütemeznek ezekre a dedikált csomópontokra.

Csak az amlarc-specifikus tainteket támogatjuk a csomópontokon, amelyek a következőképpen vannak definiálva:

Taint	Key	Érték	Hatály	Leírás
amlarc overall	ml.azure.com/amlarc	true	NoSchedule, NoExecute vagy PreferNoSchedule	Minden Azure Machine-Tanulás számítási feladat, beleértve a bővítményrendszer-szolgáltatás podjait és a gépi tanulási számítási feladat podokat, tolerálná ezt a amlarc overall problémát.
amlarc rendszer	ml.azure.com/amlarc-system	true	NoSchedule, NoExecute vagy PreferNoSchedule	Ezt amlarc system a fertőzést csak az Azure Machine Tanulás bővítményrendszer-szolgáltatási podok tolerálják.
amlarc számítási feladat	ml.azure.com/amlarc-workload	true	NoSchedule, NoExecute vagy PreferNoSchedule	Ezt amlarc workload a fertőzést csak a gépi tanulási számítási feladat podjai tolerálják.
amlarc erőforráscsoport	ml.azure.com/resource-group	<erőforráscsoport neve>	NoSchedule, NoExecute vagy PreferNoSchedule	Ezt amlarc resource group a fertőzést csak az adott erőforráscsoportból létrehozott gépi tanulási számítási feladat podjai tolerálják.
amlarc-munkaterület	ml.azure.com/workspace	<munkaterület neve>	NoSchedule, NoExecute vagy PreferNoSchedule	Ezt amlarc workspace a fertőzést csak az adott munkaterületről létrehozott gépi tanulási számítási feladat podjai tolerálják.
amlarc compute	ml.azure.com/compute	<számítási név>	NoSchedule, NoExecute vagy PreferNoSchedule	Ezt amlarc compute a fertőzést csak az adott számítási célhoz létrehozott gépi tanulási számítási feladat podjai tolerálják.

Tipp.

1. Az Azure Kubernetes Service(AKS) esetében az Ajánlott eljárások az Azure Kubernetes Service (AKS) speciális ütemezőfunkcióihoz című témakörben szereplő példát követve alkalmazhatja a csomópontkészletekre a fertőzöttségeket.
2. Arc Kubernetes-fürtök, például a helyszíni Kubernetes-fürtök esetében a parancs segítségével kubectl taint tainteket adhat hozzá a csomópontokhoz. További példákért tekintse meg a Kubernetes dokumentációját.

Best practices

Az Azure Machine Tanulás dedikált csomópontjainak ütemezési követelményei szerint több amlarc-specifikus taint is hozzáadhat, hogy korlátozza az Azure Machine Tanulás számítási feladatainak csomópontokon való futtatását. Az amlarc-taints használatának ajánlott eljárásait soroljuk fel:

• Ha meg szeretné akadályozni, hogy a nem Azure Machine Tanulás számítási feladatok futjanak az Azure Machine-Tanulás dedikált csomópontokon/csomópontkészleteken, egyszerűen hozzáadhatja a fertőzöttet ezekhez a aml overall csomópontokhoz.
• Ha meg szeretné akadályozni, hogy a nem rendszer podok futjanak az Azure Machine-Tanulás dedikált csomópontokon/csomópontkészleteken, a következő fertőzöttségeket kell hozzáadnia:
  • amlarc overall Taint
  • amlarc system Taint
• Ha meg szeretné akadályozni, hogy a nem ml-alapú számítási feladatok futjanak az Azure Machine Tanulás dedikált csomópontokon/csomópontkészleteken, a következő fertőzötteket kell hozzáadnia:
  • amlarc overall Taint
  • amlarc workloads Taint
• Ha meg szeretné akadályozni, hogy az X munkaterületről nem létrehozott számítási feladatok futjanak az Azure Machine-Tanulás dedikált csomópontokon/csomópontkészleteken, a következő fertőzöttségeket kell hozzáadnia:
  • amlarc overall Taint
  • amlarc resource group (has this <workspace X>) Taint
  • amlarc <workspace X> Taint
• Ha meg szeretné akadályozni, hogy az X számítási cél által nem létrehozott számítási feladatok futjanak az Azure Machine-Tanulás dedikált csomópontokon/csomópontkészleteken, a következő fertőzöttségeket kell hozzáadnia:
  • amlarc overall Taint
  • amlarc resource group (has this <workspace X>) Taint
  • amlarc workspace (has this <compute X>) Taint
  • amlarc <compute X> Taint

Más bejövőforgalom-vezérlő integrálása az Azure Machine Tanulás bővítményével HTTP vagy HTTPS protokollon keresztül

Az alapértelmezett Azure Machine Tanulás következtetési terheléselosztó azureml-fe mellett más terheléselosztókat is integrálhat az Azure Machine Tanulás bővítményével HTTP-n vagy HTTPS-en keresztül.

Ez az oktatóanyag bemutatja, hogyan integrálható az Nginx bejövőforgalom-vezérlő vagy a Azure-alkalmazás-átjáró.

Előfeltételek

• Helyezze üzembe az Azure Machine Tanulás bővítményt az és allowInsecureConnections=TrueazokkalinferenceRouterServiceType=ClusterIP, hogy az Nginx Bejövőforgalom-vezérlő önállóan kezelje a TLS-megszakítást ahelyett, hogy átadta volna az azureml-fe-nek, ha a szolgáltatás HTTPS-en keresztül érhető el.
• Az Nginx Bejövőforgalom-vezérlővel való integrációhoz Kubernetes-fürtbeállításra van szükség az Nginx Bejövőforgalom-vezérlővel.
  • Hozzon létre egy alapszintű vezérlőt: Ha az alapoktól kezdi a műveletet, tekintse meg ezeket az utasításokat.
• Az Azure-alkalmazás Átjáróval való integrációhoz kubernetes-fürtbeállításra van szükség Azure-alkalmazás átjáró bejövőforgalom-vezérlőjével.
  • Zöldmezős üzembe helyezés: Ha az alapoktól indul, tekintse meg ezeket az utasításokat.
  • Barnamezős üzembe helyezés: Ha már rendelkezik AKS-fürt és Application Gateway használatával, tekintse meg ezeket az utasításokat.
• Ha HTTPS-t szeretne használni ezen az alkalmazásban, szüksége lesz egy x509-tanúsítványra és annak titkos kulcsára.

Szolgáltatások http-en keresztüli elérhetővé tétele

Az azureml-fe felfedéséhez a következő bejövő erőforrást fogjuk használni:

# Nginx Ingress Controller example
apiVersion: networking.k8s.io/v1
kind: Ingress
metadata:
  name: azureml-fe
  namespace: azureml
spec:
  ingressClassName: nginx
  rules:
  - http:
      paths:
      - path: /
        backend:
          service:
            name: azureml-fe
            port:
              number: 80
        pathType: Prefix

Ez a bejövő forgalom az Nginx Bejövőforgalom-vezérlő alapértelmezett háttérrendszereként teszi elérhetővé a azureml-fe szolgáltatást és a kiválasztott üzembe helyezést.

# Azure Application Gateway example
apiVersion: networking.k8s.io/v1
kind: Ingress
metadata:
  name: azureml-fe
  namespace: azureml
spec:
  ingressClassName: azure-application-gateway
  rules:
  - http:
      paths:
      - path: /
        backend:
          service:
            name: azureml-fe
            port:
              number: 80
        pathType: Prefix

Ez a bejövő forgalom az Application Gateway alapértelmezett háttérrendszereként teszi elérhetővé a azureml-fe szolgáltatást és a kiválasztott üzembe helyezést.

Mentse a fenti bejövő erőforrást a következőként ing-azureml-fe.yaml: .

1. Üzembe helyezés ing-azureml-fe.yaml a következő futtatásával:

   kubectl apply -f ing-azureml-fe.yaml
   

2. Ellenőrizze a bejövőforgalom-vezérlő naplójában az üzembe helyezés állapotát.

3. Most már elérhetőnek kell lennie az azureml-fe alkalmazásnak. A következő látogatással ellenőrizheti:

   • Nginx bejövőforgalom-vezérlő: az Nginx Bejövőforgalom-vezérlő nyilvános LoadBalancer-címe
   • Azure-alkalmazás Átjáró: az Application Gateway nyilvános címe.

4. Hozzon létre egy következtetési feladatot, és hívja meg.

   Megjegyzés:

   A beírás előtt cserélje le a scoring_uri ip-címét az Nginx bejövőforgalom-vezérlő nyilvános LoadBalancer-címére.

Szolgáltatások elérhetővéítása HTTPS-en keresztül

1. A bejövő forgalom üzembe helyezése előtt létre kell hoznia egy kubernetes-titkos kulcsot a tanúsítvány és a titkos kulcs üzemeltetéséhez. Kubernetes-titkos kód létrehozásához futtassa a

   kubectl create secret tls <ingress-secret-name> -n azureml --key <path-to-key> --cert <path-to-cert>
   

2. Adja meg a következő bejövő forgalmat. A bejövő forgalomban adja meg a titkos kód nevét a secretName szakaszban.

   # Nginx Ingress Controller example
   apiVersion: networking.k8s.io/v1
   kind: Ingress
   metadata:
     name: azureml-fe
     namespace: azureml
   spec:
     ingressClassName: nginx
     tls:
     - hosts:
       - <domain>
       secretName: <ingress-secret-name>
     rules:
     - host: <domain>
       http:
         paths:
         - path: /
           backend:
             service:
               name: azureml-fe
               port:
                 number: 80
           pathType: Prefix
   

   # Azure Application Gateway example
   apiVersion: networking.k8s.io/v1
   kind: Ingress
   metadata:
     name: azureml-fe
     namespace: azureml
   spec:
     ingressClassName: azure-application-gateway
     tls:
     - hosts:
       - <domain>
       secretName: <ingress-secret-name>
     rules:
     - host: <domain>
       http:
         paths:
         - path: /
           backend:
             service:
               name: azureml-fe
               port:
                 number: 80
           pathType: Prefix
   

   Megjegyzés:

   Cserélje le <domain> a <ingress-secret-name> fenti bejövő erőforrást az Nginx bejövőforgalom-vezérlő/Application Gateway LoadBalancerre mutató tartományra, és adja meg a titkos kód nevét. Tárolja a fenti bejövő erőforrást egy fájlnévben ing-azureml-fe-tls.yaml.

3. Az ing-azureml-fe-tls.yaml üzembe helyezése a következő futtatásával:

   kubectl apply -f ing-azureml-fe-tls.yaml
   

4. Ellenőrizze a bejövőforgalom-vezérlő naplójában az üzembe helyezés állapotát.

5. Most már elérhető az azureml-fe alkalmazás a HTTPS-en. Ezt az Nginx bejövőforgalom-vezérlő nyilvános LoadBalancer-címének felkeresésével ellenőrizheti.

6. Hozzon létre egy következtetési feladatot, és hívja meg.

   Megjegyzés:

   A scoring_uri protokollját és IP-címét cserélje le az Nginx Bejövőforgalom-vezérlő vagy az Application Gateway LoadBalancerre mutató https és tartományra a meghívás előtt.

Use ARM Template to Deploy Extension

A felügyelt fürtön lévő bővítmény ARM-sablonnal telepíthető. Mintasablon a deployextension.json fájlból, a deployextension.parameters.json demóparaméterfájllal

A mintatelepítési sablon használatához szerkessze a paraméterfájlt a megfelelő értékkel, majd futtassa a következő parancsot:

az deployment group create --name <ARM deployment name> --resource-group <resource group name> --template-file deployextension.json --parameters deployextension.parameters.json

További információ az ARM-sablon használatáról az ARM-sablon dokumentációjából

Az AzuremML bővítmény kibocsátási megjegyzése

Megjegyzés:

Az új funkciók kéthetes naptárban jelennek meg.

Date	Verzió	Verzió leírása
2023. nov. 21.	1.1.39	Kijavítottuk a biztonsági réseket. Pontosított hibaüzenet. Nagyobb stabilitás a relayserver API-hoz.
2023. nov. 1.	1.1.37	Az adatsík-megbízott verziójának frissítése.
2023. október 11.	1.1.35	Javítsa ki a sebezhető képet. Hibajavítások.
2023. augusztus 25.	1.1.34	Javítsa ki a sebezhető képet. Részletesebb identitáshibát ad vissza. Hibajavítások.
2023. július 18.	1.1.29	Új identitáskezelői hibák hozzáadása. Hibajavítások.
2023. június 4.	1.1.28	Az automatikus skálázás fejlesztése több csomópontkészlet kezeléséhez. Hibajavítások.
2023. ápr. 18.	1.1.26	Hibajavítások és biztonsági rések javítása.
2023. márc. 27.	1.1.25	Azure Machine-Tanulás feladat-szabályozás hozzáadása. Gyors sikertelen betanítási feladat, ha az SSH beállítása sikertelen volt. Csökkentse a Prometheus kaparási időközét 30-ra. A következtetési hibaüzenetek javítása. Javítsa ki a sebezhető képet.
2023. márc. 7.	1.1.23	Módosítsa az alapértelmezett példánytípust a 2Gi memória használatára. Frissítse a 15-ös scrape_interval hozzáadó pontozási-fe metrikakonfigurációkat. Adjon hozzá erőforrás-specifikációt az mdc oldalkocsihoz. Javítsa ki a sebezhető képet. Hibajavítások.
2023. február 14.	1.1.21	Hibajavítások.
2023. február 7.	1.1.19	A hibavisszajelzés javítása a következtetéshez. Frissítse az alapértelmezett példánytípust a 2Gi memóriakorlát használatára. Ellenőrizze a fürt állapotát, az erőforráskvótát, a Kubernetes verzióját és a bővítmény verzióját. Hibajavítások
2022. dec. 27.	1.1.17	Helyezze át a Fluent-bitet a DaemonSetről oldalkocsikra. MDC-támogatás hozzáadása. A hibaüzenetek pontosítása. Fürt módú (Windows, Linux) feladatok támogatása. Hibajavítások
2022. nov. 29.	1.1.16	Példánytípus-ellenőrzés hozzáadása új CRD-sel. Támogatási tolerancia. Rövidítse le az SVC-nevet. Munkaterhelési alapóra. Több hibajavítás és fejlesztés.
2022. szeptember 13.	1.1.10	Hibajavítások.
2022. augusztus 29.	1.1.9	Továbbfejlesztett állapot-ellenőrzési logika. Hibajavítások.
2022. jún. 23.	1.1.6	Hibajavítások.
2022. jún. 15.	1.1.5	Frissítettük a betanítást, hogy új közös futtatókörnyezetet használjon a feladatok futtatásához. Az AKS-bővítmény Azure Relay-használatának eltávolítása. Eltávolította a service bus használatát a bővítményből. Frissített biztonsági környezet használata. Frissített következtetés azureml-fe-ről 2-es verzióra. Frissítve a Volcano betanítási feladatütemezőként való használatára. Hibajavítások.
2021. október 14.	1.0.37	A PV/PVC kötet csatlakoztatásának támogatása az AMLArc betanítási feladatában.
2021. szeptember 16.	1.0.29	Új elérhető régiók, WestUS, CentralUS, NorthCentralUS, KoreaCentral. A feladatsor bővíthetősége. A feladatsor részleteinek megtekintése az Azure Machine Tanulás Workspace Studióban. Automatikus gyilkossági szabályzat. Támogatási max_run_duration_seconds a ScriptRunConfigban. A rendszer megpróbálja automatikusan megszakítani a futtatásokat, ha az a beállítási értéknél hosszabb ideig tartott. A fürt automatikus skálázási támogatásának teljesítménybeli javítása. Arc-ügynök és ML-bővítmény üzembe helyezése a helyszíni tárolóregisztrációs adatbázisból.
2021. augusztus 24.	1.0.28	A számítási példány típusa a YAML feladatban támogatott. Felügyelt identitás hozzárendelése az AMLArc-számításhoz.
2021. augusztus 10.	1.0.20	Új Kubernetes-disztribúciós támogatás, K3S – Egyszerűsített Kubernetes. Az Azure Machine Tanulás bővítmény üzembe helyezése az AKS-fürtön anélkül, hogy az Azure Arcon keresztül csatlakozik. Automatizált gépi Tanulás (AutoML) Python SDK-n keresztül. A 2.0 cli használatával csatolja a Kubernetes-fürtöt az Azure Machine Tanulás Workspace-hez. Optimalizálja az Azure Machine Tanulás bővítményösszetevők processzor- és memóriaerőforrás-kihasználtságát.
2021. július 2.	1.0.13	Az új Kubernetes-disztribúciók támogatják az OpenShift Kubernetes-t és a GKE-t (Google Kubernetes Engine). Támogatás automatikus méretezése. Ha a felhasználó által felügyelt Kubernetes-fürt engedélyezi az automatikus skálázást, a rendszer automatikusan felskálázza vagy skálázza a fürtöt az aktív futtatások és üzemelő példányok mennyiségének megfelelően. Teljesítménybeli javulás a feladatindítón, ami jelentősen lerövidíti a feladat végrehajtási idejét.