将 Kubernetes 群集附加到 Azure 机器学习工作区

Artículo
09/13/2024

适用范围：Azure CLI ml 扩展 v2（最新版）Python SDK azure-ai-ml v2（最新版）

在 AKS 群集上部署 Azure 机器学习扩展后，可以将 Kubernetes 群集附加到 Azure 机器学习工作区，并创建要供 ML 专业人员使用的计算目标。

先决条件

将 Kubernetes 群集附加到 Azure 机器学习工作区可以灵活地支持许多不同的方案。例如，具有多个附件的共享方案、访问 Azure 资源的模型训练脚本以及工作区的身份验证配置。

多次附加和工作负载隔离

一个群集到一个工作区，创建多个计算目标

对于同一 Kubernetes 群集，可以多次将其附加到同一工作区，并为不同项目/团队/工作负载创建多个计算目标。

一个群集到多个工作区

对于同一 Kubernetes 群集，还可以将其附加到多个工作区，并且多个工作区可以共享同一 Kubernetes 群集。

如果计划针对不同的项目/团队设置不同的计算目标，可以在群集中为计算目标指定现有的 Kubernetes 命名空间，以在不同的团队/项目之间隔离工作负载。

重要

应事先在群集中创建计划在将群集附加到 Azure 机器学习工作区时指定的命名空间。

从训练脚本安全访问 Azure 资源

如果需要从训练脚本安全访问 Azure 资源，可以在执行附加操作期间为 Kubernetes 计算目标指定托管标识。

附加到具有用户分配的托管标识的工作区

Azure 机器学习工作区默认使用系统分配的托管标识来访问 Azure 机器学习资源。如果系统分配的默认设置已打开，则这些步骤已完成。

否则，如果在创建 Azure 机器学习工作区时指定了用户分配的托管标识，则需要在附加计算之前手动将以下角色分配授予该托管标识。

Azure 资源名称	要分配的角色	说明
Kubernetes - Azure Kubernetes 服务	读取器	适用于 AKS 群集。
Azure Kubernetes 服务	参与者	仅对于使用受信任访问功能的 AKS 群集是必需的。该工作区使用用户分配的托管标识。有关详细信息，请参阅对具有特殊配置的 AKS 集群的 AzureML 访问权限。

以下命令演示如何附加 AKS 群集，并将其用作启用了托管标识的计算目标。

AKS 群集

az ml compute attach --resource-group <resource-group-name> --workspace-name <workspace-name> --type Kubernetes --name k8s-compute --resource-id "/subscriptions/<subscription-id>/resourceGroups/<resource-group-name>/providers/Microsoft.ContainerService/managedclusters/<cluster-name>" --identity-type SystemAssigned --namespace <Kubernetes namespace to run Azure Machine Learning workloads> --no-wait

Arc Kubernetes 群集

az ml compute attach --resource-group <resource-group-name> --workspace-name <workspace-name> --type Kubernetes --name amlarc-compute --resource-id "/subscriptions/<subscription-id>/resourceGroups/<resource-group-name>/providers/Microsoft.Kubernetes/connectedClusters/<cluster-name>" --user-assigned-identities "subscriptions/<subscription-id>/resourceGroups/<resource-group-name>/providers/Microsoft.ManagedIdentity/userAssignedIdentities/<identity-name>" --no-wait

将 --type 参数设置为 Kubernetes。使用 identity_type 参数启用 SystemAssigned 或 UserAssigned 托管标识。

重要

仅 UserAssigned 托管标识需要 --user-assigned-identities。虽然可以提供以逗号分隔的用户托管的标识列表，但在附加群集时仅使用第一个标识。

计算附加不会自动创建 Kubernetes 命名空间，也不会验证 kubernetes 命名空间是否存在。你需要验证群集中是否存在指定的命名空间，否则提交到此计算的任何 Azure 机器学习工作负载都将失败。

附加一个 Kubernetes 群集，使其可供你的工作区执行训练或推理。

导航到 Azure 机器学习工作室。
在“管理”下，选择“计算” 。
选择“Kubernetes 群集”选项卡。
选择“+新建”>“Kubernetes”
输入计算名称，并从下拉列表中选择 Kubernetes 群集。
- （可选）输入 Kubernetes 命名空间，默认为 default。所有机器学习工作负载会发送到群集中的指定 Kubernetes 命名空间。计算附加不会自动创建 Kubernetes 命名空间，也不会验证 kubernetes 命名空间是否存在。需要验证群集中是否存在指定的命名空间，否则提交到此计算的任何 Azure 机器学习工作负载都会失败。
- （可选）分配系统分配的或用户分配的托管标识。托管标识使开发人员无需管理凭据。有关详细信息，请参阅本文的分配托管标识部分。
选择“附加”

在“Kubernetes 群集”选项卡中，群集的初始状态为“正在创建”。成功附加群集后，状态将更改为“成功”。否则，状态将更改为“失败”。

以下 python SDK v2 代码演示如何附加 AKS 和已启用 Azure Arc 的 Kubernetes 群集，并将其用作启用了托管标识的计算目标。

AKS 群集

from azure.ai.ml import load_compute

# for AKS cluster, the resource_id should be something like '/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.ContainerService/managedClusters/<CLUSTER_NAME>''
compute_params = [
    {"name": "<COMPUTE_NAME>"},
    {"type": "kubernetes"},
    {
        "resource_id": "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.ContainerService/managedClusters/<CLUSTER_NAME>"
    },
]
k8s_compute = load_compute(source=None, params_override=compute_params)
ml_client.begin_create_or_update(k8s_compute).result()

Arc Kubernetes 群集

from azure.ai.ml import load_compute

# for arc connected cluster, the resource_id should be something like '/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.ContainerService/connectedClusters/<CLUSTER_NAME>''
compute_params = [
    {"name": "<COMPUTE_NAME>"},
    {"type": "kubernetes"},
    {
        "resource_id": "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.ContainerService/connectedClusters/<CLUSTER_NAME>"
    },
]
k8s_compute = load_compute(source=None, params_override=compute_params)
ml_client.begin_create_or_update(k8s_compute).result()

将托管标识分配给计算目标

开发人员面临的一个共同挑战是如何管理密码和凭据，以确保解决方案的不同组件之间的通信安全。托管标识使开发人员无需管理凭据。

若要访问用于 Docker 映像的 Azure 容器注册表 (ACR)，以及用于训练数据的存储帐户，请在启用系统分配或用户分配的托管标识的情况下附加 Kubernetes 计算。

分配托管标识

可以在计算附加步骤中将托管标识分配给计算。
如果已附加计算，则可以更新设置以在 Azure 机器学习工作室中使用托管标识。
- 转到 Azure 机器学习工作室。选择“计算”、“附加的计算”，然后选择附加的计算。
- 选择铅笔图标以编辑托管标识。

向托管标识分配 Azure 角色

Azure 提供了几种向托管标识分配角色的方法。

如果使用 Azure 门户分配角色并具有系统分配的托管标识，请选择“用户”、“组主体”或“服务主体”，可以通过选择“选择成员”来搜索标识名称。标识名称的格式需要设置为 <workspace name>/computes/<compute target name>。

如果具有用户分配的托管标识，请选择“托管标识”以查找目标标识。

可使用托管标识从 Azure 容器注册表拉取映像。向计算托管标识授予 AcrPull 角色。有关详细信息，请参阅 Azure 容器注册表角色和权限。

可使用托管标识访问 Azure Blob：

出于只读目的，应向计算托管标识授予“存储 Blob 数据读取者”角色。
出于读写目的，应向计算托管标识授予“存储 Blob 数据参与者”角色。

Compartir a través de