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:
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-paranccsalaz 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 adefault
konfigurálást.system:serviceaccount:{KUBERNETES-COMPUTE-NAMESPACE}:default
KUBERNETES-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.
- 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
- Hozzon létre PVC-t ugyanabban a Kubernetes-névtérben az ML számítási feladatok használatával. Ebben a fájlban
metadata
fel kell vennie az Azure Machine Tanulás által felismerendő címkétml.azure.com/pvc: "true"
, és hozzá kell adnia egy megjegyzéstml.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.
- 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.
- 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
Taintamlarc 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
Taintamlarc 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
Taintamlarc resource group (has this <workspace X>)
Taintamlarc <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
Taintamlarc resource group (has this <workspace X>)
Taintamlarc workspace (has this <compute X>)
Taintamlarc <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=True
azokkalinferenceRouterServiceType=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
: .
Üzembe helyezés
ing-azureml-fe.yaml
a következő futtatásával:kubectl apply -f ing-azureml-fe.yaml
Ellenőrizze a bejövőforgalom-vezérlő naplójában az üzembe helyezés állapotát.
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.
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
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>
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 fájlnévbening-azureml-fe-tls.yaml
.Az ing-azureml-fe-tls.yaml üzembe helyezése a következő futtatásával:
kubectl apply -f ing-azureml-fe-tls.yaml
Ellenőrizze a bejövőforgalom-vezérlő naplójában az üzembe helyezés állapotát.
Most már elérhető az
azureml-fe
alkalmazás a HTTPS-en. Ezt az Nginx bejövőforgalom-vezérlő nyilvános LoadBalancer-címének felkeresésével ellenőrizheti.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. |