Megosztás a következőn keresztül:

Referencia Kubernetes-fürtök Azure Machine Learninghez való konfigurálásához

  • Cikk

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

Támogatott Kubernetes-verzió és -régió

  • Az Azure Machine Learning-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 Learning bővítmény támogatási szabályzatai.

  • Az Azure Machine Learning bővítményrégió rendelkezésre állása:

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

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

Üzembe helyezés/démonkészlet Kópia # Oktatás Következtetés CPU-kérelem(m) CPU-korlát(m) Memóriakérelem(Mi) Memóriakorlát(mi)
metrics-controller-manager 0 ✓ ✓ 10 100 20 300
prometheus-operator 0 ✓ ✓ 100 400 128 512
Prométheusz 0 ✓ ✓ 100 1000 512 4096
kube-state-metrics 0 ✓ ✓ 10 100 32 256
átjáró 0 ✓ ✓ 50 500 256 2048
fluent-bit Csomópontonként 1 ✓ ✓ 10 200 100 300
következtetés-operátor-controller-manager 0 ✓ n/a 100 1000 128 1024
amlarc-identity-controller 0 ✓ n/a 200 1000 200 1024
amlarc-identity-proxy 0 ✓ n/a 200 1000 200 1024
azureml-ingress-nginx-controller 0 ✓ n/a 100 1000 64 512
azureml-fe-v2 1 (tesztelési célra)
vagy
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 0 n/a ✓ 20 1020 124 2168
vulkán-belépés 0 n/a ✓ 10 100 64 256
vulkánvezérlő 0 n/a ✓ 50 500 128 512
vulkán-schedular 0 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

Feljegyzés

  • 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 (SELinux) letiltása

Az Azure Machine Learning-adatkészlet (az Azure Machine Learning-betanítási feladatokban használt SDK v1 szolgáltatás) nem támogatott a SELinux-kompatibilis gépeken. Ezért az Azure Machine Learning-adatkészlet használatához le kell tiltania selinux az összes feldolgozót.

Kiemelt beállítás az ARO-hoz és az OCP-hez

Az Azure Machine Learning-bővítmény ARO- vagy OCP-fürtön való üzembe helyezéséhez biztosítson jogosultsági hozzáférést az Azure Machine Learning-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

Feljegyzés

  • {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 Learning-munkaterülethez csatolja. Ha igen, hagyja ki a defaultkonfigurálást.system:serviceaccount:{KUBERNETES-COMPUTE-NAMESPACE}:default KUBERNETES-COMPUTE-NAMESPACE

Összegyűjtött naplóadatok

A fürtben található Azure Machine Learning-számítási feladatok egyes naplói a bővítményösszetevők, például az állapot, a metrikák, az életciklus stb. alapján lesznek összegyűjtve. 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 Learning Szolgáltatással való hitelesítéséhez való lekéréséhez szükséges állapothoz.
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 a fürt identitásának az Azure Machine Learning szolgáltatással való hitelesítéséhez való lekéréséhez szükséges állapotnaplókhoz.
aml-operátor A betanítási feladatok életciklusának kezelése. A naplók az Azure Machine Learning betanítási feladat podjának állapotát tartalmazzák 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 Learning-szolgáltatásoktól a fürtökig érkező kérelmeken.
állapotellenőrzés -- A naplók névtérerőforrást (Azure Machine Learning-bővítmény) tartalmaznak azureml annak diagnosztizálásához, hogy mi nem teszi működőképessé a bővítményt.
következtetés-operátor-controller-manager A következtetési végpontok életciklusának kezelése. A naplók tartalmazzák az Azure Machine Learning következtetési végpontját 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 Learning-feladatok egyéni adattárral kapcsolódnak

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
  1. Hozzon létre PVC-t ugyanabban a Kubernetes-névtérben az ML számítási feladatok használatával. Ebben a fájlban metadatafel kell vennie az Azure Machine Learning 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.

Támogatott Azure Machine Learning-fertőzöttségek és toleranciák

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

Az Azure Machine Learningbe integrált Kubernetes-fürtök (beleértve az AKS-t és az Arc Kubernetes-fürtöket) mostantól támogatják az Azure Machine Learning-környezeteket és -tűréseket, lehetővé téve a felhasználók számára, hogy adott Azure Machine Learning-környezeteket vegyenek fel a dedikált Azure Machine Learning-csomópontokra, hogy megakadályozzák a nem Azure Machine Learning-alapú számítási feladatok ütemezését ezekre a dedikált csomópontokra.

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

Megfertőz Kulcs Érték Hatály Leírás
amlarc overall ml.azure.com/amlarc true NoSchedule, NoExecute vagy PreferNoSchedule Minden Azure Machine Learning-számítási feladat, beleértve a bővítményrendszer-szolgáltatási podokat és a gépi tanulási számítási feladat podokat, tolerálná ezt a amlarc overall fertőzést.
amlarc rendszer ml.azure.com/amlarc-system true NoSchedule, NoExecute vagy PreferNoSchedule Ezt a fertőzést csak az amlarc system Azure Machine Learning bővítményrendszer-szolgáltatási podjai 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.

Ajánlott eljárások

A dedikált Azure Machine Learning-csomópontok ütemezési követelményeinek megfelelően több amlarc-specifikus munkaterületet is hozzáadhat, így korlátozhatja, hogy az Azure Machine Learning számítási feladatai milyen csomópontokon futtathatók. Az amlarc-taints használatának ajánlott eljárásait soroljuk fel:

  • Ha meg szeretné akadályozni, hogy a nem Azure Machine Learning-számítási feladatok futjanak az Azure Machine Learning által 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 Learning által dedikált csomópontokon/csomópontkészleteken, a következő hibákat kell hozzáadnia:
    • amlarc overall megfertőz
    • amlarc system megfertőz
  • Ha meg szeretné akadályozni, hogy a nem ml-alapú számítási feladatok futjanak az Azure Machine Learning által dedikált csomópontokon/csomópontkészleteken, a következő fertőzöttségeket kell hozzáadnia:
    • amlarc overall megfertőz
    • amlarc workloads megfertőz
  • Ha meg szeretné akadályozni, hogy az X munkaterületről nem létrehozott számítási feladatok futjanak az Azure Machine Learning által dedikált csomópontokon/csomópontkészleteken, a következő hibákat kell hozzáadnia:
    • amlarc overall megfertőz
    • amlarc resource group (has this <workspace X>) megfertőz
    • amlarc <workspace X> megfertőz
  • Ha meg szeretné akadályozni, hogy az X számítási cél által nem létrehozott számítási feladatok futjanak az Azure Machine Learning által dedikált csomópontokon/csomópontkészleteken, a következő fertőzöttségeket kell hozzáadnia:
    • amlarc overall megfertőz
    • amlarc resource group (has this <workspace X>) megfertőz
    • amlarc workspace (has this <compute X>) megfertőz
    • amlarc <compute X> megfertőz

Más bejövőforgalom-vezérlő integrálása az Azure Machine Learning-bővítménysel HTTP-n vagy HTTPS-en keresztül

Az azureml-fe alapértelmezett Azure Machine Learning-következtetési terheléselosztó mellett más terheléselosztókat is integrálhat az Azure Machine Learning-bővítménysel 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 Learning bővítménytinferenceRouterServiceType=ClusterIP, és allowInsecureConnections=Trueezzel együtt, hogy az Nginx Bejövőforgalom-vezérlő önállóan kezelje a TLS-megszakítást, és ne adja át 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.
  • Az Azure-alkalmazás Átjáróval való integrációhoz kubernetes-fürtbeállításra van szükség Azure-alkalmazás átjáró bejövőforgalom-vezérlőjével.
  • 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.

    Feljegyzés

    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

    Feljegyzés

    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.

    Feljegyzés

    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.

ARM-sablon használata bővítmény üzembe helyezéséhez

A felügyelt fürtön lévő bővítmény ARM-sablonnal telepíthető. Egy mintasablon található deployextension.json egy demo paraméterfájllal deployextension.parameters.json

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

Feljegyzés

Az új funkciók kéthetes naptárban jelennek meg.

Dátum Verzió Verzió leírása
2024. szeptember 26. 1.1.64 Kijavítottuk a biztonsági réseket.
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 Learning-feladat szabályozásának 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 Learning 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 Learning-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 Learning-munkaterülethez. Optimalizálja az Azure Machine Learning-bővítmény összetevőinek CPU-/memória-erőforrásainak 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.