Azure Kubernetes Service-fürt létrehozása és csatolása az 1. verzióval
A KÖVETKEZŐKRE VONATKOZIK:
Python SDK azureml v1
A KÖVETKEZŐRE VONATKOZIK: Azure CLI ml-bővítmény 1-es verzió
Fontos
Ez a cikk bemutatja, hogyan hozhat létre vagy csatolhat azure Kubernetes Service-fürtöt a parancssori felület és az SDK v1 használatával, amely most már régi funkciónak számít. Az Azure Kubernetes Service-fürt a v2-hez ajánlott megközelítéssel való csatolásához tekintse meg a Kubernetes számítási cél 2-ben való használatát ismertető témakört.
Az Azure Machine Learning betanított gépi tanulási modelleket helyezhet üzembe az Azure Kubernetes Service-ben. Először azonban létre kell hoznia egy Azure Kubernetes Service- (AKS-) fürtöt az Azure Machine Learning-munkaterületről, vagy csatolnia kell egy meglévő AKS-fürtöt. Ez a cikk a fürt létrehozásával és csatolásával kapcsolatos információkat tartalmazza.
Előfeltételek
Egy Azure Machine Learning-munkaterület. További információ: Azure Machine Learning-munkaterület létrehozása.
A Machine Learning szolgáltatáshoz készült Azure CLI-bővítmény (v1), az Azure Machine Learning Python SDK vagy az Azure Machine Learning Visual Studio Code bővítmény.
Fontos
A cikkben szereplő Azure CLI-parancsok némelyike az
azure-cli-mlAzure Machine Learning bővítményét vagy v1-et használja. A v1-bővítmény támogatása 2025. szeptember 30-án megszűnik. Addig a dátumig telepítheti és használhatja a v1-bővítményt.Javasoljuk, hogy 2025. szeptember 30-a előtt váltsa át a
ml(vagy v2) bővítményt. További információ a v2-es bővítményről: Azure ML CLI-bővítmény és Python SDK v2.Ha az Azure Machine Learning-munkaterület és az AKS-fürt közötti kommunikáció biztonságossá tételéhez azure-beli virtuális hálózatot kíván használni, a munkaterületnek és a hozzá tartozó erőforrásoknak (tároló, kulcstartó, Azure Container Registry) privát végpontokkal vagy szolgáltatásvégpontokkal kell rendelkezniük ugyanabban a VNET-ben, mint az AKS-fürt virtuális hálózata. Kövesse az oktatóanyagot , amely biztonságos munkaterületet hoz létre a magánvégpontok vagy szolgáltatásvégpontok virtuális hálózathoz való hozzáadásához.
Korlátozások
AKS csak önálló számítási helyként hozható létre vagy csatlakoztatható Azure Machine Learning-munkaterületen. Egy AKS többszörös csatlakoztatása nem támogatott.
Ha alapszintű Load Balancer (BLB) helyett Standard Load Balancert (SLB) kell üzembe helyeznie a fürtben, hozzon létre egy fürtöt az AKS-portál/CLI/SDK használatával, majd csatlakoztassa azt az Azure Machine Learning-munkaterülethez.
Ha a nyilvános IP-címek létrehozását egy Azure Policy-szabályzat korlátozza, akkor az AKS-fürt létrehozása sikertelen lesz. Az AKS nyilvános IP-címet igényel a kimenő forgalomhoz. A kimenő forgalomról szóló cikk a fürt nyilvános IP-címen keresztül kimenő forgalmának lezárásához is útmutatást nyújt, kivéve a teljes tartománynevek esetében. Nyilvános IP-cím két módon engedélyezhető:
- A fürt használhatja az alapértelmezés szerint létrehozott nyilvános IP-címet a BLB-vel vagy az SLB-vel, vagy
- A fürt nyilvános IP-cím nélkül hozható létre, majd a nyilvános IP-cím egy felhasználó által megadott útvonallal rendelkező tűzfallal van konfigurálva. További információ: Fürt kimenő forgalmának testreszabása felhasználó által definiált útvonallal.
Az Azure Machine Learning vezérlősíkja nem kommunikál ezzel a nyilvános IP-címmel. Az üzembe helyezéseket az AKS vezérlősíkjával egyezteti.
AKS-fürt csatolásához a műveletet végrehajtó szolgáltatásnévnek/felhasználónak tulajdonosi vagy közreműködő Azure-szerepköralapú hozzáférés-vezérlési (Azure RBAC) szerepkört kell hozzárendelnie a fürtöt tartalmazó Azure-erőforráscsoporthoz. A szolgáltatásnévnek/felhasználónak azure Kubernetes szolgáltatásfürt-rendszergazdai szerepkört is hozzá kell rendelnie a fürthöz.
Ha olyan AKS-fürtöt csatlakoztat, amely az API-kiszolgálóhoz hozzáféréssel rendelkező engedélyezett IP-címtartománnyal rendelkezik, engedélyezze az Azure Machine Learning-vezérlősík IP-címtartományait az AKS-fürthöz. Az Azure Machine Learning-vezérlősík üzembe van helyezve a párosított régiókban, és következtetési podokat helyez üzembe az AKS-fürtben. Az API-kiszolgálóhoz való hozzáférés hiányában a következtetési podok nem helyezhetők üzembe. Használja az IP-címtartományokat mindkét párosított régióban az IP-címtartományok AKS-fürtben történő engedélyezésekor.
Az engedélyezett IP-címtartományok csak a Standard Load Balancerrel működnek.
Ha privát AKS-fürtöt szeretne használni (az Azure Private Link használatával), akkor először a fürtöt kell létrehoznia, majd a munkaterülethez csatlakoztatnia. További információ: Privát Azure Kubernetes Service-fürt létrehozása.
A nyilvános teljes tartománynév (FQDN) privát AKS-fürttel való használatát nem támogatja az Azure Machine Learning.
Az AKS-fürt számítási nevének egyedinek KELL lennie az Azure Machine Learning-munkaterületen belül. Betűket, számjegyeket és kötőjeleket tartalmazhat. Betűvel kell kezdődnie, betűvel vagy számjeggyel kell végződnie, a hossza pedig 3-tól 24 karakterig terjedhet.
Ha modelleket szeretne üzembe helyezni GPU-csomópontokon vagy FPGA-csomópontokon (vagy bármely adott termékváltozatban), akkor létre kell hoznia egy fürtöt az adott termékváltozattal. Egy másodlagos csomópontkészlet létrehozása egy meglévő fürtben és a modelleknek a másodlagos fürtben történő üzembe helyezése nem támogatott.
Fürt létrehozásakor vagy csatlakoztatásakor kiválaszthatja, hogy fejlesztési-tesztelési célra vagy éles használatra hozza létre a fürtöt. Ha nem éles felhasználásra, hanem fejlesztéshez, ellenőrzéshez és teszteléshez szeretne AKS-fürtöt létrehozni, a fürt rendeltetéseként állítsa be a dev-test értéket. Ha nem adja meg a fürt rendeltetését, éles fürt lesz létrehozva.
Fontos
A fejlesztői tesztfürt nem alkalmas éles szintű forgalomra, és növelheti a következtetési időket. A fejlesztői/tesztelési fürtök szintén nem garantálják a hibatűrést.
Fürt létrehozásakor vagy csatolásakor, ha a fürt éles környezetben lesz használva, akkor legalább 3 csomópontot kell tartalmaznia. A dev-test fürtöknek legalább 1 csomópontot kell tartalmazniuk.
Az Azure Machine Learning SDK nem nyújt támogatást az AKS-fürtök skálázásához. A fürtbeli csomópontok skálázására használja az AKS-fürt felhasználói felületét az Azure Machine Learning stúdióban. Csak a csomópontok számát módosíthatja, a fürt virtuális gépeinek méretét nem. Az AKS-fürtben lévő csomópontok skálázásáról a következő cikkek kínálnak további információkat:
Ne frissítse a fürtöt közvetlenül YAML-konfigurációval. Bár az Azure Kubernetes Service támogatja a YAML-konfigurációval végzett módosításokat, az Azure Machine Learning üzemelő példányai felülbírálják a módosításokat. Csak két YAML-mező nem lesz felülbírálva: a request limits és a cpu and memory.
Az AKS-fürt létrehozása az Azure Machine Learning Studio felhasználói felületével, SDK-jával vagy CLI-bővítményével nem idempotens. Az erőforrás ismételt létrehozására tett kísérlet azt a hibát eredményezi, hogy már létezik fürt ugyanezzel a névvel.
- Az Azure Resource Manager-sablon és a Microsoft.MachineLearningServices/workspaces/computes erőforrás használata AKS-fürt létrehozásához szintén nem idempotens. Ha a sablon ismételt használatával próbál meg frissíteni egy már meglévő erőforrást, ugyanezt a hibaüzenetet kapja.
Az Azure Kubernetes Service verziója
Az Azure Kubernetes Service lehetővé teszi, hogy különböző Kubernetes-verziók használatával hozzon létre fürtöt. Az elérhető verziókról további információt az Azure Kubernetes Service támogatott Kubernetes-verzióiban talál.
Az Azure Kubernetes Service-fürt az alábbi módszerek egyikével történő létrehozásakor nem választhat a létrehozott fürt verziójában:
- Az Azure Machine Learning Studio vagy az Azure Portal Azure Machine Learning szakasza.
- Machine Learning-bővítmény az Azure CLI-hez.
- Azure Machine Learning SDK.
Az AKS-fürtök létrehozásának ezen módszerei a fürt alapértelmezett verzióját használják. Az alapértelmezett verzió idővel megváltozik, amint az új Kubernetes-verziók elérhetővé válnak.
Meglévő AKS-fürt csatolásakor az összes jelenleg támogatott AKS-verziót támogatjuk.
Fontos
Az Azure Kubernetes Service a Blobfuse FlexVolume illesztőprogramot használja az =1.16-os és <a Blob CSI-illesztőhöz az =1.17 verzióhoz>. Ezért fontos, hogy a fürtfrissítés után újra üzembe helyezze vagy frissítse a webszolgáltatást annak érdekében, hogy a fürt verziójához megfelelő blobfuse metódust telepítsen.
Feljegyzés
Előfordulhatnak peremhálózati esetek, amikor egy régebbi fürt már nem támogatott. Ebben az esetben a csatolási művelet hibát ad vissza, és felsorolja a jelenleg támogatott verziókat.
Az előzetes verziókat csatolhatja. Az előzetes verziójú funkció szolgáltatásszint-szerződés nélkül érhető el, és éles számítási feladatokhoz nem ajánlott. Előfordulhat, hogy néhány funkció nem támogatott, vagy korlátozott képességekkel rendelkezik. Az előzetes verziók használata korlátozott lehet. További információ: Kiegészítő használati feltételek a Microsoft Azure előzetes verziójú termékeihez.
Elérhető és alapértelmezett verziók
Az elérhető és alapértelmezett AKS-verziók megkereséséhez használja az Azure CLI az aks get-versions parancsot. A következő parancs például az USA nyugati régiójában elérhető verziókat adja vissza:
az aks get-versions -l westus -o table
A parancs kimenete a következőhöz hasonló:
KubernetesVersion Upgrades
------------------- ----------------------------------------
1.18.6(preview) None available
1.18.4(preview) 1.18.6(preview)
1.17.9 1.18.4(preview), 1.18.6(preview)
1.17.7 1.17.9, 1.18.4(preview), 1.18.6(preview)
1.16.13 1.17.7, 1.17.9
1.16.10 1.16.13, 1.17.7, 1.17.9
1.15.12 1.16.10, 1.16.13
1.15.11 1.15.12, 1.16.10, 1.16.13
Ha meg szeretné keresni a fürt Azure Machine Learningen keresztüli létrehozásakor használt alapértelmezett verziót, a --query paraméterrel kiválaszthatja az alapértelmezett verziót:
az aks get-versions -l westus --query "orchestrators[?default == `true`].orchestratorVersion" -o table
A parancs kimenete a következőhöz hasonló:
Result
--------
1.16.13
Ha programozott módon szeretné ellenőrizni az elérhető verziókat, használja a Container Service Client – List Orchestrators REST API-t. Az elérhető verziók megkereséséhez tekintse meg azokat a bejegyzéseket, ahol orchestratorType van Kubernetes. A társított orchestrationVersion bejegyzések tartalmazzák a munkaterülethez csatolható elérhető verziókat.
Ha meg szeretné keresni a fürt Azure Machine Learningen keresztüli létrehozásakor használt alapértelmezett verziót, keresse meg azt a bejegyzést, ahol van Kubernetes és default van orchestratorType true. A társított orchestratorVersion érték az alapértelmezett verzió. A következő JSON-kódrészlet egy példabejegyzést mutat be:
...
{
"orchestratorType": "Kubernetes",
"orchestratorVersion": "1.16.13",
"default": true,
"upgrades": [
{
"orchestratorType": "",
"orchestratorVersion": "1.17.7",
"isPreview": false
}
]
},
...
Új AKS-fürt létrehozása
Időbecslés: Körülbelül 10 perc.
Az AKS-fürt létrehozása vagy csatolása egyszeri folyamat a munkaterület számára. Ezt a fürtöt több üzembe helyezéshez is felhasználhatja. Ha törli a fürtöt vagy az azt tartalmazó erőforráscsoportot, a következő üzembe helyezéskor létre kell hoznia egy új fürtöt. A munkaterülethez több AKS-fürt is csatolható.
Az alábbi példa bemutatja, hogyan hozhat létre új AKS-fürtöt az SDK és a parancssori felület használatával:
A KÖVETKEZŐKRE VONATKOZIK: Python SDK azureml v1
from azureml.core.compute import AksCompute, ComputeTarget
# Use the default configuration (you can also provide parameters to customize this).
# For example, to create a dev/test cluster, use:
# prov_config = AksCompute.provisioning_configuration(cluster_purpose = AksCompute.ClusterPurpose.DEV_TEST)
prov_config = AksCompute.provisioning_configuration()
# Example configuration to use an existing virtual network
# prov_config.vnet_name = "mynetwork"
# prov_config.vnet_resourcegroup_name = "mygroup"
# prov_config.subnet_name = "default"
# prov_config.service_cidr = "10.0.0.0/16"
# prov_config.dns_service_ip = "10.0.0.10"
# prov_config.docker_bridge_cidr = "172.17.0.1/16"
aks_name = 'myaks'
# Create the cluster
aks_target = ComputeTarget.create(workspace = ws,
name = aks_name,
provisioning_configuration = prov_config)
# Wait for the create process to complete
aks_target.wait_for_completion(show_output = True)
Az ebben a példában használt osztályokról, metódusokról és paraméterekről az alábbi referenciadokumentumokban talál további információt:
Meglévő AKS-fürt csatolása
Időbecslés: Körülbelül 5 perc.
Ha már rendelkezik AKS-fürttel az Azure-előfizetésében, használhatja azt a munkaterületen.
Tipp.
A meglévő AKS-fürt az Azure Machine Learning-munkaterületétől eltérő Azure-régióban is lehet.
Figyelmeztetés
Ne hozzon létre több egyidejű mellékletet ugyanahhoz az AKS-fürthöz. Például egy AKS-fürt csatolása egy munkaterülethez két különböző névvel, vagy egy AKS-fürt csatolása egy másik munkaterülethez. Minden új melléklet megszakítja az előző melléklet(ek)et, és kiszámíthatatlan hibát okoz.
Ha újra szeretne csatolni egy AKS-fürtöt, például módosítani szeretné a TLS-t vagy más fürtkonfigurációs beállítást, először el kell távolítania a meglévő mellékletet az AksCompute.detach() használatával.
Az AKS-fürt Azure CLI-vel vagy portállal történő létrehozásáról az alábbi cikkekben talál további információt:
- AKS-fürt létrehozása (CLI)
- AKS-fürt létrehozása (portál)
- AKS-fürt létrehozása (ARM-sablon az Azure rövid útmutatósablonjaiban)
Az alábbi példa bemutatja, hogyan csatolhat meglévő AKS-fürtöt a munkaterülethez:
A KÖVETKEZŐKRE VONATKOZIK: Python SDK azureml v1
from azureml.core.compute import AksCompute, ComputeTarget
# Set the resource group that contains the AKS cluster and the cluster name
resource_group = 'myresourcegroup'
cluster_name = 'myexistingcluster'
# Attach the cluster to your workgroup. If the cluster has less than 12 virtual CPUs, use the following instead:
# attach_config = AksCompute.attach_configuration(resource_group = resource_group,
# cluster_name = cluster_name,
# cluster_purpose = AksCompute.ClusterPurpose.DEV_TEST)
attach_config = AksCompute.attach_configuration(resource_group = resource_group,
cluster_name = cluster_name)
aks_target = ComputeTarget.attach(ws, 'myaks', attach_config)
# Wait for the attach process to complete
aks_target.wait_for_completion(show_output = True)
Az ebben a példában használt osztályokról, metódusokról és paraméterekről az alábbi referenciadokumentumokban talál további információt:
AKS-fürt létrehozása vagy csatolása TLS-lezárással
AKS-fürt létrehozásakor vagy csatolásakor engedélyezheti a TLS-megszakítást AksCompute.provisioning_configuration() és AksCompute.attach_configuration() konfigurációs objektumokkal. Mindkét metódus egy enable_ssl metódussal rendelkező konfigurációs objektumot ad vissza, és enable_ssl metódussal engedélyezheti a TLS-t.
Az alábbi példa bemutatja, hogyan engedélyezheti a TLS-leállítást automatikus TLS-tanúsítványlétrehozással és -konfigurálással a Microsoft-tanúsítvány használatával a motorháztető alatt.
A KÖVETKEZŐKRE VONATKOZIK: Python SDK azureml v1
from azureml.core.compute import AksCompute, ComputeTarget
# Enable TLS termination when you create an AKS cluster by using provisioning_config object enable_ssl method
# Leaf domain label generates a name using the formula
# "<leaf-domain-label>######.<azure-region>.cloudapp.azure.com"
# where "######" is a random series of characters
provisioning_config.enable_ssl(leaf_domain_label = "contoso")
# Enable TLS termination when you attach an AKS cluster by using attach_config object enable_ssl method
# Leaf domain label generates a name using the formula
# "<leaf-domain-label>######.<azure-region>.cloudapp.azure.com"
# where "######" is a random series of characters
attach_config.enable_ssl(leaf_domain_label = "contoso")
Az alábbi példa bemutatja, hogyan engedélyezheti a TLS-megszakítást egyéni tanúsítvánnyal és egyéni tartománynévvel. Egyéni tartomány és tanúsítvány esetén frissítenie kell a DNS-rekordot, hogy a pontozási végpont IP-címére mutasson. Lásd: DNS frissítése
A KÖVETKEZŐKRE VONATKOZIK: Python SDK azureml v1
from azureml.core.compute import AksCompute, ComputeTarget
# Enable TLS termination with custom certificate and custom domain when creating an AKS cluster
provisioning_config.enable_ssl(ssl_cert_pem_file="cert.pem",
ssl_key_pem_file="key.pem", ssl_cname="www.contoso.com")
# Enable TLS termination with custom certificate and custom domain when attaching an AKS cluster
attach_config.enable_ssl(ssl_cert_pem_file="cert.pem",
ssl_key_pem_file="key.pem", ssl_cname="www.contoso.com")
Feljegyzés
A modell AKS-fürtön való üzembe helyezésének biztonságossá tételével kapcsolatos további információkért tekintse meg a TLS használatát a webszolgáltatás Azure Machine Learningen keresztüli védelméhez
AKS-fürt létrehozása vagy csatolása a Belső Terheléselosztó privát IP-címmel való használatához
AKS-fürt létrehozásakor vagy csatolásakor konfigurálhatja a fürtöt egy belső Load Balancer használatára. A belső Load Balancerrel az AKS-be történő üzembe helyezés végpontjai privát IP-címet használnak a virtuális hálózaton belül. Az alábbi kódrészletek bemutatják, hogyan konfigurálhat belső Terheléselosztót egy AKS-fürthöz.
A KÖVETKEZŐKRE VONATKOZIK: Python SDK azureml v1
Belső Load Balancert használó AKS-fürt létrehozásához használja a load_balancer_type következő paramétereket:load_balancer_subnet
from azureml.core.compute.aks import AksUpdateConfiguration
from azureml.core.compute import AksCompute, ComputeTarget
# When you create an AKS cluster, you can specify Internal Load Balancer to be created with provisioning_config object
provisioning_config = AksCompute.provisioning_configuration(load_balancer_type = 'InternalLoadBalancer')
# Create the cluster
aks_target = ComputeTarget.create(workspace = ws,
name = aks_name,
provisioning_configuration = provisioning_config)
# Wait for the create process to complete
aks_target.wait_for_completion(show_output = True)
Fontos
Ha az AKS-fürt belső Load Balancerrel van konfigurálva, a Microsoft által biztosított tanúsítvány használata nem támogatott, és a TLS engedélyezéséhez egyéni tanúsítványt kell használnia.
Feljegyzés
A következtetési környezet biztonságossá tételével kapcsolatos további információkért tekintse meg az Azure Machine Learning Következtetési környezet biztonságossá tételét ismertető témakört.
AKS-fürt leválasztása
Ha le szeretne választani egy fürtöt a munkaterületről, használja az alábbi módszerek egyikét:
Figyelmeztetés
Az AKS-fürt leválasztásához az Azure Machine Learning Studio, az SDK vagy az Azure CLI-bővítmény használata a gépi tanuláshoz nem törli az AKS-fürtöt. A fürt törléséről az Azure CLI használata az AKS-sel című témakörben olvashat.
A KÖVETKEZŐKRE VONATKOZIK: Python SDK azureml v1
aks_target.detach()
Hibaelhárítás
A fürt frissítése
Az Azure Kubernetes Service-fürtben telepített Azure Machine Learning-összetevők frissítéseit manuálisan kell alkalmazni.
Ezeket a frissítéseket úgy alkalmazhatja, hogy leválasztja a fürtöt az Azure Machine Learning-munkaterületről, és újracsatlakoztatja a fürtöt a munkaterületre.
A KÖVETKEZŐKRE VONATKOZIK: Python SDK azureml v1
compute_target = ComputeTarget(workspace=ws, name=clusterWorkspaceName)
compute_target.detach()
compute_target.wait_for_completion(show_output=True)
Mielőtt újra csatolhatja a fürtöt a munkaterülethez, először törölnie kell a azureml-fe kapcsolódó erőforrásokat. Ha nincs aktív szolgáltatás a fürtben, törölheti a azureml-fe kapcsolódó erőforrásokat az alábbi kóddal.
kubectl delete sa azureml-fe
kubectl delete clusterrole azureml-fe-role
kubectl delete clusterrolebinding azureml-fe-binding
kubectl delete svc azureml-fe
kubectl delete svc azureml-fe-int-http
kubectl delete deploy azureml-fe
kubectl delete secret azuremlfessl
kubectl delete cm azuremlfeconfig
Ha a TLS engedélyezve van a fürtben, meg kell adnia a TLS-/SSL-tanúsítványt és a titkos kulcsot a fürt újraaktiválásakor.
A KÖVETKEZŐKRE VONATKOZIK: Python SDK azureml v1
attach_config = AksCompute.attach_configuration(resource_group=resourceGroup, cluster_name=kubernetesClusterName)
# If SSL is enabled.
attach_config.enable_ssl(
ssl_cert_pem_file="cert.pem",
ssl_key_pem_file="key.pem",
ssl_cname=sslCname)
attach_config.validate_configuration()
compute_target = ComputeTarget.attach(workspace=ws, name=args.clusterWorkspaceName, attach_configuration=attach_config)
compute_target.wait_for_completion(show_output=True)
Ha már nem rendelkezik TLS/SSL-tanúsítvánnyal és titkos kulccsal, vagy az Azure Machine Learning által létrehozott tanúsítványt használ, a fürt leválasztása előtt lekérheti a fájlokat a fürthöz való csatlakozással kubectl és a titkos kód azuremlfesslbeolvasásával.
kubectl get secret/azuremlfessl -o yaml
Feljegyzés
A Kubernetes a titkos kulcsokat Base64 kódolású formátumban tárolja. A titkos kódok és key.pem azok összetevőit a cert.pem Base64-nek kell dekódolnia ahhoz, hogy megadhassa attach_config.enable_sslőket.
Webszolgáltatás-hibák
Az AKS-ben számos webszolgáltatás-hiba hibakereséséhez kapcsolódhat a fürthöz a használatával kubectl. Az AKS-fürt lekéréséhez kubeconfig.json futtassa a
A KÖVETKEZŐRE VONATKOZIK: Azure CLI ml-bővítmény 1-es verzió
az aks get-credentials -g <rg> -n <aks cluster name>
Azureml-fe kapcsolódó erőforrások törlése
A fürt leválasztása után, ha nincs aktív szolgáltatás a fürtben, törölje a kapcsolódó erőforrásokat, azureml-fe mielőtt újra csatolja:
kubectl delete sa azureml-fe
kubectl delete clusterrole azureml-fe-role
kubectl delete clusterrolebinding azureml-fe-binding
kubectl delete svc azureml-fe
kubectl delete svc azureml-fe-int-http
kubectl delete deploy azureml-fe
kubectl delete secret azuremlfessl
kubectl delete cm azuremlfeconfig
A terheléselosztóknak nem lehetnek nyilvános IP-címük
Amikor AKS-fürtöt próbál létrehozni vagy csatolni, üzenetet kaphat arról, hogy a kérés elutasításra került, mert "A Terheléselosztóknak nem szabad nyilvános IP-címekkel rendelkezniük". Ez az üzenet akkor jelenik meg, ha egy rendszergazda olyan szabályzatot alkalmazott, amely megakadályozza az AKS-fürt nyilvános IP-címmel való használatát.
A probléma megoldásához hozza létre/csatolja a fürtöt a paraméterek és load_balancer_subnet a load_balancer_type paraméterek használatával. További információ: Internal Load Balancer (privát IP-cím).