v1 で Azure Kubernetes Service クラスターを作成してアタッチする

2025-06-23

適用対象:Azure Machine Learning SDK v1 for Python

重要

この記事では、Azure Machine Learning SDK v1 の使用に関する情報を提供します。 SDK v1 は 2025 年 3 月 31 日の時点で非推奨となり、サポートは 2026 年 6 月 30 日に終了します。 SDK v1 は、その日付までインストールして使用できます。

2026 年 6 月 30 日より前に SDK v2 に移行することをお勧めします。 SDK v2 の詳細については、「 Azure Machine Learning Python SDK v2 と SDK v2 リファレンスとは」を参照してください。

重要

この記事では、CLI と SDK v1 を使用して Azure Kubernetes Service クラスターを作成またはアタッチする方法について説明します。これは、現在レガシ機能と見なされています。 v2 に推奨される方法を使用して Azure Kubernetes Service クラスターをアタッチするには、「v2 での Kubernetes コンピューティングターゲットの概要」を参照してください。

Azure Machine Learning では、トレーニング済みの機械学習モデルを Azure Kubernetes Service にデプロイできます。ただし、最初に Azure Machine Learning ワークスペースから Azure Kubernetes Service (AKS) クラスターを作成するか、既存の AKS クラスターをアタッチする必要があります。この記事では、クラスターの作成とアタッチの両方について説明します。

前提条件

Azure Machine Learning ワークスペース。詳細については、Azure Machine Learning ワークスペースの作成に関するページをご覧ください。
Machine Learning サービス向けの Azure CLI 拡張機能 (v1)、Azure Machine Learning Python SDK、または Azure Machine Learning Visual Studio Code 拡張機能。

重要

この記事の Azure CLI コマンドの一部では、Azure Machine Learning 用に azure-cli-ml、つまり v1 の拡張機能を使用しています。 v1 拡張機能のサポートは、2025 年 9 月 30 日に終了します。その日付まで、v1 拡張機能をインストールして使用できます。

2025 年 9 月 30 日より前に、ml (v2) 拡張機能に移行することをお勧めします。 v2 拡張機能の詳細については、Azure Machine Learning CLI 拡張機能と Python SDK v2 に関する記事を参照してください。
Azure Virtual Network を使用して Azure Machine Learning ワークスペースと AKS クラスター間の通信をセキュリティで保護する場合、ワークスペースとその関連リソース (ストレージ、キーコンテナー、Azure Container Registry) には、AKS クラスターの VNET と同じ VNET 内にプライベートエンドポイントまたはサービスエンドポイントが必要です。チュートリアルに従って、セキュリティで保護されたワークスペースを作成し、それらのプライベートエンドポイントまたはサービスエンドポイントを VNET に追加します。

制限事項

AKS は、Azure Machine Learning ワークスペース内の単一のコンピューティング先としてのみ作成またはアタッチできます。 1 つの AKS コンピューティングの複数の添付ファイルはサポートされていません。
Basic Load Balancer (BLB) ではなく Standard Load Balancer (SLB) をクラスターにデプロイする必要がある場合は、AKS ポータル、CLI、または SDK でクラスターを作成してから、Azure Machine Learning ワークスペースにそれをアタッチします。
パブリック IP アドレスの作成を制限する Azure ポリシーがある場合、AKS クラスターの作成は失敗します。 AKS では、エグレストラフィック用のパブリック IP が必要です。エグレストラフィックに関する記事では、いくつかの完全修飾ドメイン名を除き、パブリック IP を介したクラスターからのエグレストラフィックをロックダウンする方法についても説明されています。パブリック IP を有効にするには、次の 2 つの方法があります。
- クラスターで、BLB または SLB で既定で作成されるパブリック IP を使用する
- クラスターをパブリック IP なしで作成し、パブリック IP をユーザ定義のルートを使用したファイアウォールで設定する。詳しくは、ユーザー定義ルートを使用したクラスターのエグレスのカスタマイズに関する記事をご覧ください。
Azure Machine Learning コントロールプレーンは、このパブリック IP とは通信しません。デプロイのために AKS コントロールプレーンと通信します。
AKS クラスターを接続するには、操作を実行するサービスプリンシパル/ユーザーに、クラスターを含む Azure リソースグループで所有者または共同作成者 Azure ロールベースのアクセス制御 (Azure RBAC) ロールを割り当てる必要があります。サービスプリンシパルまたはユーザーには、クラスターでの Azure Kubernetes Service クラスター管理者ロールが割り当てられている必要もあります。
API サーバーへのアクセスが有効な認可済みの IP 範囲を持つ AKS クラスターをアタッチする場合は、その AKS クラスターに対する Azure Machine Learning コントロールプレーンの IP 範囲を有効にします。 Azure Machine Learning コントロールプレーンは、ペアになっているリージョンにまたがってデプロイされ、AKS クラスター上に推論ポッドをデプロイします。 API サーバーにアクセスしないと、推論ポッドをデプロイできません。 AKS クラスターで IP 範囲を有効にする場合、ペアになっているリージョンの両方に対して IP 範囲を使用します。

承認済みの IP 範囲は、Standard Load Balancer でのみ機能します。
(Azure Private Link を使用して) プライベート AKS クラスターを使用する場合は、最初にクラスターを作成してから、ワークスペースにそれをアタッチする必要があります。詳細については、「プライベート Azure Kubernetes Service クラスターを作成する」を参照してください。
プライベート AKS クラスターでパブリックの完全修飾ドメイン名 (FQDN) を使うことは、Azure Machine Learning ではサポートされていません。
AKS クラスターのコンピューティング名は、Azure Machine Learning ワークスペース内で一意である必要があります。文字、数字、ダッシュを含めることができます。先頭はアルファベット文字、末尾はアルファベット文字または数字である必要があり、3 から 24 文字の長さにする必要があります。
GPU ノードまたは FPGA ノード (つまり任意の特定の SKU) にモデルをデプロイする場合は、その特定の SKU でクラスターを作成する必要があります。既存のクラスターにセカンダリノードプールを作成し、そのセカンダリノードプールにモデルをデプロイすることはサポートされていません。
クラスターを作成またはアタッチするときに、開発テストまたは運用のためにクラスターを作成するかどうかを選択できます。運用のためではなく、開発、検証、テストのための AKS クラスターを作成する場合は、クラスターの目的を開発テストに設定します。クラスターの目的を指定しない場合は、運用クラスターが作成されます。

重要

開発テスト クラスターは運用レベルのトラフィックには適していません。推論時間が長くなる可能性があります。開発/テストクラスターでは、フォールトトレランスも保証されません。
クラスターを作成またはアタッチするときに、クラスターを 運用環境に使用する場合は、 少なくとも 3 つのノードを含める必要があります。 開発テストクラスターの場合は、少なくとも 1 つのノードを含む必要があります。
Azure Machine Learning SDK では、AKS クラスターのスケーリングはサポートされていません。クラスター内のノードをスケーリングするには、Azure Machine Learning スタジオで AKS クラスターの UI を使います。変更できるのはノード数のみであり、クラスターの VM サイズは変更できません。 AKS クラスターでのノードのスケーリングについて詳しくは、次の記事をご覧ください。
- AKS クラスターでノード数を手動でスケーリングする
- AKS でクラスターの自動スケーラーを設定する
YAML の構成を使ってクラスターを直接更新しないでください。 Azure Kubernetes Services では YAML 構成を使用した更新がサポートされていますが、Azure Machine Learning デプロイによって変更がオーバーライドされます。上書きされない YAML フィールドは、 要求の制限 と CPU とメモリの 2 つだけです。
Azure Machine Learning スタジオ UI、SDK、または CLI 拡張機能を使った AKS クラスターの作成は、べき等ではありません。リソースを再度作成しようとすると、同じ名前のクラスターが既に存在するというエラーが発生します。
- Azure Resource Manager テンプレートと Microsoft.MachineLearningServices/workspaces/computes リソースを使った AKS クラスターの作成も、べき等ではありません。テンプレートをもう一度使用して既存のリソースを更新しようとすると、同じエラーが表示されます。

Azure Kubernetes Service のバージョン

Azure Kubernetes Service では、さまざまな Kubernetes バージョンを使用してクラスターを作成できます。使用可能なバージョンの詳細については、「Azure Kubernetes Service (AKS) でサポートされている Kubernetes のバージョン」を参照してください。

次のいずれかの方法を使用して Azure Kubernetes Service クラスターを作成する場合、作成されるクラスターの バージョンに選択肢はありません 。

Azure Machine Learning スタジオ、または Azure portal の Azure Machine Learning セクション。
Azure CLI 向けの Machine Learning 拡張機能。
Azure Machine Learning SDK。

これらの方法で AKS クラスターを作成すると、クラスターの既定のバージョンが使われます。 Kubernetes の新しいバージョンが利用可能になると、"既定のバージョンは時間とともに変化します"。

既存の AKS クラスターをアタッチするときは、現在サポートされているすべての AKS バージョンがサポートされます。

重要

Azure Kubernetes Service では、Blobfuse FlexVolume ドライバー (バージョン <= 1.16 の場合) と Blob CSI driver (バージョン >= 1.17 の場合) が使われます。そのため、クラスターバージョンの正しい blobfuse メソッドにデプロイするには、クラスターのアップグレード後に Web サービスを再デプロイまたは更新することが重要です。

注

サポートされなくなった古いクラスターがあるエッジケースが存在する可能性があります。この場合、添付ファイル操作はエラーを返し、現在サポートされているバージョンを一覧表示します。

プレビュー バージョンをアタッチできます。プレビュー段階の機能はサービスレベルアグリーメントなしで提供されており、運用環境のワークロードに使用することはお勧めできません。機能によっては、サポートされない場合、または機能が制限される場合があります。プレビューバージョンの使用のサポートが制限される場合があります。詳しくは、「Microsoft Azure プレビューの追加使用条件」をご覧ください。

使用可能なバージョンと既定のバージョン

AKS の使用可能なバージョンと既定のバージョンを確認するには、Azure CLI コマンド az aks get-versions を使用します。たとえば、次のコマンドは、米国西部リージョンで使用可能なバージョンを返します。

az aks get-versions -l westus -o table

このコマンドの出力は次のテキストのようになります。

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

Azure Machine Learning でクラスターを作成するときに使用される既定のバージョンを確認するには、--query パラメーターを使用して既定のバージョンを選択します。

az aks get-versions -l westus --query "orchestrators[?default == `true`].orchestratorVersion" -o table

このコマンドの出力は次のテキストのようになります。

Result
--------
1.16.13

使用できるバージョンをプログラムで調べるには、Container Service Client - List Orchestrators REST API を使います。使用できるバージョンを見つけるには、orchestratorType が Kubernetes であるエントリを調べます。関連付けられている orchestrationVersion エントリには、ワークスペースにアタッチできるバージョンが含まれています。

Azure Machine Learning を使用してクラスターを作成するときに使用される既定のバージョンを見つけるには、orchestratorType が Kubernetes、default が true になっているエントリを見つけます。関連付けられている orchestratorVersion 値が既定のバージョンです。次の JSON スニペットは、エントリの例を示しています。

...
 {
        "orchestratorType": "Kubernetes",
        "orchestratorVersion": "1.16.13",
        "default": true,
        "upgrades": [
          {
            "orchestratorType": "",
            "orchestratorVersion": "1.17.7",
            "isPreview": false
          }
        ]
      },
...

新しい AKS クラスターを作成する

推定所要時間: 約 10 分。

AKS クラスターの作成またはアタッチは、ワークスペースでの 1 回限りのプロセスです。複数のデプロイでこのクラスターを再利用できます。クラスターまたはそれを含むリソースグループを削除した場合、次回デプロイする必要があるときに、新しいクラスターを作成する必要があります。複数の AKS クラスターをワークスペースにアタッチできます。

次の例では、SDK と CLI を使用して新しい AKS クラスターを作成する方法を示します。

適用対象:Azure Machine Learning SDK v1 for Python

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)

この例で使われているクラス、メソッド、パラメーターの詳細については、次のリファレンスドキュメントをご覧ください。

AksCompute.ClusterPurpose
AksCompute.provisioning_configuration
ComputeTarget.create
ComputeTarget.wait_for_completion（完了を待機する）

適用対象:Azure CLI ml 拡張機能 v1

az ml computetarget create aks -n myaks

詳細については、az ml computetarget create aks に関するリファレンスを参照してください。

既存の AKS クラスターをアタッチする

推定所要時間: 約 5 分。

Azure サブスクリプションに AKS クラスターが既にある場合は、それをワークスペースで使用できます。

ヒント

既存の AKS クラスターは、Azure Machine Learning ワークスペース以外の Azure リージョンに存在できます。

警告

同じ AKS クラスターに対して複数のアタッチメントを同時に作成することは避けてください。たとえば、2 つの異なる名前を使用して 1 つの AKS クラスターをワークスペースにアタッチしたり、1 つの AKS クラスターを別のワークスペースにアタッチしたりすることです。新しい添付ファイルごとに、以前の既存の添付ファイルが破損し、予期しないエラーが発生します。

TLS や他のクラスター構成設定を変更するためなど、AKS クラスターを再度アタッチしたい場合は、最初に AksCompute.detach() を使って既存のアタッチを削除する必要があります。

Azure CLI または portal を使用した AKS クラスターの作成の詳細については、次の記事をご覧ください。

次の例では、既存の AKS クラスターをワークスペースにアタッチする方法を示します。

適用対象:Azure Machine Learning SDK v1 for Python

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)

この例で使われているクラス、メソッド、パラメーターの詳細については、次のリファレンスドキュメントをご覧ください。

適用対象:Azure CLI ml 拡張機能 v1

CLI を使って既存のクラスターをアタッチするには、既存のクラスターのリソース ID を取得する必要があります。この値を取得するには、次のコマンドを使います。 myexistingcluster は、AKS クラスターの名前に置き換えます。 myresourcegroup は、クラスターが含まれているリソースグループに置き換えます。

az aks show -n myexistingcluster -g myresourcegroup --query id

このコマンドからは、次のテキストのような値が返されます。

/subscriptions/{GUID}/resourcegroups/{myresourcegroup}/providers/Microsoft.ContainerService/managedClusters/{myexistingcluster}

既存のクラスターをワークスペースにアタッチするには、次のコマンドを使います。 aksresourceid は、前のコマンドで返された値に置き換えます。 myresourcegroup は、ワークスペースが含まれているリソースグループに置き換えます。 myworkspace は、ワークスペースの名前に置き換えます。

az ml computetarget attach aks -n myaks -i aksresourceid -g myresourcegroup -w myworkspace

詳細については、az ml computetarget attach aks に関するリファレンスをご覧ください。

TLS 終端を使用して AKS クラスターを作成またはアタッチする

AKS クラスターを作成またはアタッチするときに、AksCompute.provisioning_configuration() と AksCompute.attach_configuration() の構成オブジェクトを使って、TLS 終端を有効にできます。どちらのメソッドからも enable_ssl メソッドを持つ構成オブジェクトが返され、この enable_ssl メソッドを使って TLS を有効にできます。

次の例では、内部で Microsoft 証明書を使って、TLS 証明書の生成と構成が自動的に行われる TLS 終端を有効にする方法を示します。

適用対象:Azure Machine Learning SDK v1 for Python

   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")

次の例では、カスタム証明書とカスタムドメイン名を使用して TLS 終端を有効にする方法を示します。カスタムドメインと証明書では、スコア付けエンドポイントの IP アドレスを指す DNS レコードを更新する必要があります。「DNS の更新」を参照してください。

適用対象:Azure Machine Learning SDK v1 for Python

   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")

注

AKS クラスターでのモデルデプロイをセキュリティで保護する方法の詳細については、TLS を使用して Azure Machine Learning を使用して Web サービスをセキュリティで保護する方法に関するページを参照してください。

内部ロードバランサーとプライベート IP を使用する AKS クラスターを作成またはアタッチする

AKS クラスターを作成またはアタッチするとき、内部ロードバランサーを使うようにクラスターを構成できます。内部ロードバランサーでは、AKS へのデプロイのスコア付けエンドポイントは、仮想ネットワーク内のプライベート IP を使用します。次のコードスニペットでは、AKS クラスター用に内部ロードバランサーを構成する方法を示します。

作成する
アタッチする

適用対象:Azure Machine Learning SDK v1 for Python

内部ロードバランサーを使用する AKS クラスターを作成するには、load_balancer_type と load_balancer_subnet パラメーターを使用します。

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)

適用対象:Azure Machine Learning SDK v1 for Python

AKS クラスターをアタッチして、内部ロードバランサー (クラスター用のパブリック IP なし) を使うには、load_balancer_type と load_balancer_subnet パラメーターを使います。

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'
# Change to the name of the subnet that contains AKS
subnet_name = "default"

# 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,
                                         load_balancer_type = 'InternalLoadBalancer', 
                                         load_balancer_subnet = subnet_name)
aks_target = ComputeTarget.attach(ws, 'myaks', attach_config)

# Wait for the attach process to complete
aks_target.wait_for_completion(show_output = True)

重要

AKS クラスターが内部ロードバランサーで構成されている場合、Microsoft が提供する証明書の使用はサポートされていないため、カスタム証明書を使用して TLS を有効にする必要があります。

注

推論環境をセキュリティで保護する方法の詳細については、「Azure Machine Learning 推論環境のセキュリティ保護」を参照してください。

AKS クラスターをデタッチする

ワークスペースからクラスターをデタッチするには、次のいずれかの方法を使用します。

警告

Azure Machine Learning スタジオ、SDK、または機械学習のための Azure CLI 拡張機能を使用して AKS クラスターをデタッチしても、AKS クラスターは削除されません。クラスターの削除については、AKS での Azure CLI の使用に関する記事をご覧ください。

適用対象:Azure Machine Learning SDK v1 for Python

aks_target.detach()

適用対象:Azure CLI ml 拡張機能 v1

既存のクラスターをワークスペースからデタッチするには、次のコマンドを使います。 myaks を、ワークスペースにアタッチされている AKS クラスターの名前に置き換えます。 myresourcegroup は、ワークスペースが含まれているリソースグループに置き換えます。 myworkspace は、ワークスペースの名前に置き換えます。

az ml computetarget detach -n myaks -g myresourcegroup -w myworkspace

トラブルシューティング

クラスターを更新する

Azure Kubernetes Service クラスターにインストールされている Azure Machine Learning コンポーネントの更新プログラムは、手動で適用する必要があります。

これらの更新プログラムを適用するには、Azure Machine Learning ワークスペースからクラスターをデタッチしてから、クラスターをワークスペースに再アタッチします。

適用対象:Azure Machine Learning SDK v1 for Python

compute_target = ComputeTarget(workspace=ws, name=clusterWorkspaceName)
compute_target.detach()
compute_target.wait_for_completion(show_output=True)

クラスターをワークスペースに再アタッチする前に、まず azureml-fe 関連リソースを削除する必要があります。クラスターにアクティブなサービスがない場合は、次のコードを使用して azureml-fe 関連リソースを削除できます。

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

クラスターで TLS が有効になっている場合は、クラスターを再アタッチするときに TLS/SSL 証明書と秘密キーを指定する必要があります。

適用対象:Azure Machine Learning SDK v1 for Python

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)

TLS/SSL 証明書と秘密キーがなくなった場合、または Azure Machine Learning によって生成された証明書を使用している場合は、 kubectl を使用してクラスターに接続し、シークレット azuremlfesslを取得することで、クラスターをデタッチする前にファイルを取得できます。

kubectl get secret/azuremlfessl -o yaml

注

Kubernetes では、Base64 エンコード形式でシークレットが格納されます。 cert.pemに提供する前に、シークレットのkey.pemとattach_config.enable_sslコンポーネントを Base64 でデコードする必要があります。

Webservice のエラー

AKS の多くの Webservice エラーは、kubectl を使用してクラスターに接続することでデバッグできます。以下を実行して、AKS クラスターの kubeconfig.json を取得できます

適用対象:Azure CLI ML 拡張機能 v1

az aks get-credentials -g <rg> -n <aks cluster name>

クラスターをデタッチした後、クラスターにアクティブなサービスがない場合は、 azureml-fe 関連リソースを削除してから、もう一度アタッチします。

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

ロードバランサーにパブリック IP を含めることはできません

AKS クラスターを作成またはアタッチしようとすると、"Load Balancer はパブリック IP を持つべきではない" という理由で要求が拒否されたことを示すメッセージが表示されることがあります。このメッセージは、管理者がパブリック IP アドレスを持つ AKS クラスターの使用を禁止するポリシーを適用したときに返されます。

この問題を解決するには、load_balancer_type と load_balancer_subnet パラメーターを使って、クラスターを作成またはアタッチします。詳細については、「内部ロードバランサー (プライベート IP)」を参照してください。

次の方法で共有

v1 で Azure Kubernetes Service クラスターを作成してアタッチする

前提条件

制限事項

Azure Kubernetes Service のバージョン

使用可能なバージョンと既定のバージョン

新しい AKS クラスターを作成する

既存の AKS クラスターをアタッチする

TLS 終端を使用して AKS クラスターを作成またはアタッチする

内部ロード バランサーとプライベート IP を使用する AKS クラスターを作成またはアタッチする

AKS クラスターをデタッチする

トラブルシューティング

クラスターを更新する

Webservice のエラー

azureml-fe 関連リソースを削除する

ロード バランサーにパブリック IP を含めることはできません

次のステップ

フィードバック

その他のリソース

内部ロードバランサーとプライベート IP を使用する AKS クラスターを作成またはアタッチする

ロードバランサーにパブリック IP を含めることはできません