Azure Machine Learning-bővítmény üzembe helyezése AKS vagy Arc Kubernetes-fürtön

Cikk
01/19/2024

Ahhoz, hogy az AKS- vagy Arc Kubernetes-fürt betanítási feladatokat vagy következtetési számítási feladatokat futtasson, először üzembe kell helyeznie az Azure Machine Tanulás bővítményt egy AKS- vagy Arc Kubernetes-fürtön. Az Azure Machine Tanulás bővítmény az AKS és a fürtbővítmény vagy az Arc Kubernetes fürtbővítményére épül, életciklusa pedig egyszerűen kezelhető az Azure CLI k8s-bővítményével.

Ebben a cikkben a következőt ismerheti meg:

Előfeltételek
Korlátozások
Azure Machine Learning-bővítmény konfigurációs beállításainak áttekintése
Azure Machine Learning-bővítmény üzembe helyezési forgatókönyvei
Azure Machine Learning-bővítmény üzembehelyezési hitelesítése
Azure Machine Learning-bővítmény összetevőinek áttekintése
Azure Machine Learning-bővítmény kezelése

Előfeltételek

Egy Azure-ban futó AKS-fürt. Ha korábban nem használt fürtbővítményeket, regisztrálnia kell a KubernetesConfiguration szolgáltatót.
Vagy egy Arc Kubernetes-fürt működik. Kövesse a meglévő Kubernetes-fürt Azure Archoz való csatlakoztatására vonatkozó utasításokat.
- Ha a fürt Egy Azure RedHat OpenShift Service-fürt vagy OpenShift Container Platform (OCP) fürt, a Kubernetes-fürt konfigurálására vonatkozó referenciacikkben ismertetett egyéb előfeltételeknek is meg kell felelnie.
Éles környezetben a Kubernetes-fürtnek legalább 4 vCPU maggal és 14 GB memóriával kell rendelkeznie. Az erőforrás részleteiről és a fürtméretre vonatkozó javaslatokról további információt az Ajánlott erőforrás-tervezés című témakörben talál.
A kimenő proxykiszolgáló vagy tűzfal mögött futó fürtnek további hálózati konfigurációkra van szüksége.
Telepítse vagy frissítse az Azure CLI-t a 2.24.0-s vagy újabb verzióra.
Telepítse vagy frissítse az Azure CLI-bővítményt k8s-extension az 1.2.3-s vagy újabb verzióra.

Korlátozások

Az Azure Machine Tanulás nem támogatja szolgáltatásnév használatát az AKS-sel. Az AKS-fürtnek ehelyett felügyelt identitást kell használnia . A rendszer által hozzárendelt felügyelt identitás és a felhasználó által hozzárendelt felügyelt identitás is támogatott. További információ: Felügyelt identitás használata az Azure Kubernetes Service-ben.
- Amikor az AKS-fürt által használt szolgáltatásnevet a rendszer a felügyelt identitás használatára konvertálja, a bővítmény telepítése előtt az összes csomópontkészletet törölni kell és újra létre kell hozni ahelyett, hogy közvetlenül frissítené őket.
Az Azure Machine Tanulás nem támogatja a helyi fiókok letiltását az AKS-hez. Az AKS-fürt üzembe helyezésekor a helyi fiókok alapértelmezés szerint engedélyezve vannak.
Ha az AKS-fürt rendelkezik engedélyezett IP-címtartománysal az API-kiszolgáló eléréséhez, engedélyezze az Azure Machine Tanulás vezérlősík IP-tartományait az AKS-fürthöz. Az Azure Machine Learning-vezérlősík üzembe van helyezve a párosított régiókban. Az API-kiszolgálóhoz való hozzáférés hiányában a gépi tanulási podok nem helyezhetők üzembe. Használja az IP-címtartományokat mindkét párosított régióban az IP-címtartományok AKS-fürtben történő engedélyezésekor.
Az Azure Machine Tanulás nem támogatja az AKS-fürtök előfizetések közötti csatolását. Ha egy másik előfizetésben lévő AKS-fürtöt használ, először csatlakoztatnia kell az Azure-Archoz, és ugyanabban az előfizetésben kell megadnia, mint az Azure Machine Tanulás-munkaterületét.
Az Azure Machine Tanulás nem garantálja az AKS előzetes verziójú funkcióinak támogatását. A Microsoft Entra-pod identitása például nem támogatott.
Ha követte az Azure Machine Tanulás AKS v1-dokumentum lépéseit az AKS következtetési fürtként való létrehozásához vagy csatolásához, a következő hivatkozással törölheti az örökölt azureml-fe kapcsolódó erőforrásokat, mielőtt továbblép a következő lépésre.

Azure Machine Learning-bővítmény konfigurációs beállításainak áttekintése

Az Azure Machine Tanulás CLI-paranccsal k8s-extension create üzembe helyezheti az Azure Machine Tanulás bővítményt. A parancssori k8s-extension create felület lehetővé teszi a konfigurációs beállítások key=value egy készletének megadását a formátum vagy a paraméter használatával --config--config-protected . Az alábbi lista tartalmazza az Azure Machine Tanulás bővítmény üzembe helyezése során megadható konfigurációs beállításokat.

Konfigurációs beállítás kulcsának neve	Leírás	Tanfolyam	Következtetés	Betanítás és következtetés
`enableTraining`	`True` vagy `False`az alapértelmezett `False`. Az Azure Machine Tanulás bővítmény üzembe helyezéséhez gépi Tanulás modell betanításával és kötegelt pontozási támogatással kell beállítani`True`.	✓	n/a	✓
`enableInference`	`True` vagy `False`az alapértelmezett `False`. Az Azure Machine Tanulás bővítmény üzembe helyezéséhez gépi Tanulás következtetési támogatással kell beállítani`True`.	n/a	✓	✓
`allowInsecureConnections`	`True` vagy `False`az alapértelmezett `False`. Konfigurálható arra, hogy `True` következtetési HTTP-végpontokat használjon fejlesztési vagy tesztelési célokra.	n/a	Lehetséges	Lehetséges
`inferenceRouterServiceType`	`loadBalancerclusterIP`vagy `nodePort` . Kötelező , ha `enableInference=True`.	n/a	✓	✓
`internalLoadBalancerProvider`	Ez a konfiguráció jelenleg csak az Azure Kubernetes Service(AKS) fürtre vonatkozik. Úgy van beállítva, `azure` hogy engedélyezze a következtetési útválasztót a belső terheléselosztóval.	n/a	Lehetséges	Lehetséges
`sslSecret`	A Kubernetes-titkos kód neve a `azureml` névtérben. Ez a konfiguráció a (PEM-kódolású TLS/SSL-tanúsítvány) és `key.pem` a (PEM-kódolású TLS/SSL-kulcs) tárolására `cert.pem` szolgál, amelyek a HTTPS-végpontok következtetési támogatásához szükségesek, ha `allowInsecureConnections` be van állítva`False`. Az sslSecret konfigurálása című témakörben talál egy minta YAML-definíciót`sslSecret`. Használja ezt a konfigurációt vagy a `sslCertPemFile` védett konfigurációs `sslKeyPemFile` beállítások kombinációját.	n/a	Lehetséges	Lehetséges
`sslCname`	A HTTPS-végpont következtetése TLS/SSL CNAME protokollt használ. Kötelező , ha `allowInsecureConnections=False`	n/a	Lehetséges	Lehetséges
`inferenceRouterHA`	`True` vagy `False`az alapértelmezett `True`. Az Azure Machine Tanulás bővítmény alapértelmezés szerint három következtetési útválasztó-replikát helyez üzembe a magas rendelkezésre állás érdekében, amelyhez legalább három munkavégző csomópont szükséges egy fürtben. `False` Ha a fürt háromnál kevesebb feldolgozó csomóponttal rendelkezik, ebben az esetben csak egy következtetési útválasztó-szolgáltatás van üzembe helyezve.	n/a	Lehetséges	Lehetséges
`nodeSelector`	Alapértelmezés szerint az üzembe helyezett Kubernetes-erőforrások és a gépi tanulási számítási feladatok véletlenszerűen vannak üzembe helyezve a fürt egy vagy több csomópontján, a DaemonSet-erőforrások pedig minden csomóponton üzembe lesznek helyezve. Ha korlátozni szeretné a bővítmény üzembe helyezését és a betanítási/következtetési számítási feladatokat adott, címkével `key1=value1` ellátott csomópontokra, és `key2=value2`ennek megfelelően használja `nodeSelector.key1=value1nodeSelector.key2=value2` azt.	Lehetséges	Lehetséges	Lehetséges
`installNvidiaDevicePlugin`	`True` vagy `False`az alapértelmezett `False`. Az NVIDIA-eszköz beépülő modulra az NVIDIA GPU-hardverek ml-számítási feladataihoz van szükség. Alapértelmezés szerint az Azure Machine Tanulás bővítmény üzembe helyezése nem telepíti az NVIDIA eszköz beépülő modult, függetlenül attól, hogy a Kubernetes-fürt GPU-hardvert használ vagy sem. A felhasználó megadhatja ezt a beállítást a `True`telepítéshez, de mindenképpen teljesítenie kell az előfeltételeket.	Lehetséges	Lehetséges	Lehetséges
`installPromOp`	`True` vagy `False`az alapértelmezett `True`. Az Azure Machine Tanulás bővítménynek prometheus operátorra van szüksége a prometheus kezeléséhez. Állítsa be a `False` meglévő prometheus operátor újrafelhasználására. A meglévő prometheus operátor újbóli használatával kapcsolatos további információkért lásd a prometheus operátor újbóli használatát	Lehetséges	Lehetséges	Lehetséges
`installVolcano`	`True` vagy `False`az alapértelmezett `True`. Az Azure Machine Tanulás bővítménynek vulkánütemezőre van szüksége a feladat ütemezéséhez. Állítsa be a `False` meglévő vulkánütemező újrafelhasználására. A meglévő vulkánütemező újrafelhasználásával kapcsolatos további információkért lásd a vulkánütemező újrafelhasználását ismertető témakört .	Választható	n/a	Választható
`installDcgmExporter`	`True` vagy `False`az alapértelmezett `False`. A Dcgm-exportőr elérhetővé teheti az Azure Machine Tanulás számítási feladataihoz tartozó GPU-metrikákat, amelyek az Azure Portalon monitorozhatók. A dcgm-exporter telepítésére `True` van beállítva`installDcgmExporter`. Ha azonban saját dcgm-exportőrt szeretne használni, tekintse meg a DCGM-exportőrt	Lehetséges	Lehetséges	Lehetséges

Konfigurációval védett beállításkulcs neve	Leírás	Tanfolyam	Következtetés	Betanítás és következtetés
`sslCertPemFile`, `sslKeyPemFile`	Az Azure Machine Tanulás bővítmény üzembe helyezéséhez szükséges TLS/SSL-tanúsítvány és kulcsfájl elérési útja (PEM-kódolású), ha `allowInsecureConnections` hamis értékre van állítva. Megjegyzés: A védett jelszóval rendelkező PEM-fájl nem támogatott	n/a	Lehetséges	Lehetséges

Amint a konfigurációs beállítások táblázatából látható, a különböző konfigurációs beállítások kombinációi lehetővé teszik az Azure Machine Tanulás bővítmény üzembe helyezését különböző ml-számítási feladatokhoz:

Betanítási feladathoz és kötegelt következtetési számítási feladathoz adja meg a enableTraining=True
Csak következtetési számítási feladatokhoz adja meg a enableInference=True
Az ml-számítási feladatok minden típusához adja meg a enableTraining=TrueenableInference=True

Ha az Azure Machine Tanulás bővítményt szeretné üzembe helyezni valós idejű következtetési számítási feladatokhoz, és meg szeretné adnienableInference=True, ügyeljen a valós idejű következtetési számítási feladathoz kapcsolódó alábbi konfigurációs beállításokra:

azureml-fe a valós idejű következtetés támogatásához útválasztó-szolgáltatás szükséges, és meg kell adnia inferenceRouterServiceType a konfigurációs beállítást a következőhöz azureml-fe: . azureml-fe az alábbi inferenceRouterServiceTypelehetőségek egyikével telepíthető:
- Gépelje be: LoadBalancer. azureml-fe Külsőleg teszi elérhetővé egy felhőszolgáltató terheléselosztójával. Ennek az értéknek a megadásához győződjön meg arról, hogy a fürt támogatja a terheléselosztó kiépítését. Vegye figyelembe, hogy a legtöbb helyszíni Kubernetes-fürt nem támogatja a külső terheléselosztót.
- Gépelje be: NodePort. Az egyes csomópontok azureml-fe IP-címén statikus porton teszi elérhetővé. A fürtön kívülről is kapcsolatba azureml-feléphet a kéréssel <NodeIP>:<NodePort>. A használatával NodePort saját terheléselosztási megoldást és TLS/SSL-végpontot is beállíthat.azureml-fe
- Gépelje be: ClusterIP. azureml-fe Egy fürt belső IP-címén teszi elérhetővé, és azureml-fe csak a fürtből érhető el. A azureml-fe fürtön kívül érkező következtetési kérelmek kiszolgálásához saját terheléselosztási megoldást és TLS/SSL-végpontot kell beállítania a fürthöz azureml-fe.
Az útválasztási szolgáltatás magas rendelkezésre állásának azureml-fe biztosítása érdekében az Azure Machine Tanulás bővítmény üzembe helyezése alapértelmezés szerint három replikát azureml-fe hoz létre a három csomóponttal vagy annál több csomóponttal rendelkező fürtökhöz. Ha a fürt 3-nál kevesebb csomópontból áll, állítsa be a következőtinferenceRouterHA=False:
Érdemes megfontolni a HTTPS használatát is a modellvégpontokhoz való hozzáférés korlátozásához és az ügyfelek által beküldött adatok védelméhez. Ehhez meg kell adnia sslSecret a konfigurációs beállítást vagy a sslKeyPemFilesslCertPemFile konfigurációval védett beállítások kombinációját.
Alapértelmezés szerint az Azure Machine Tanulás bővítmény üzembe helyezése a HTTPS-támogatás konfigurációs beállításait várja. Fejlesztési vagy tesztelési célokra a HTTP-támogatás kényelmesen elérhető a konfigurációs beállításon allowInsecureConnections=Truekeresztül.

Azure Machine Learning-bővítmény üzembe helyezése – CLI-példák és Azure Portal

Azure CLI
Azure Portalra

Az Azure Machine Tanulás bővítmény parancssori felülettel való üzembe helyezéséhez használja az k8s-extension create a kötelező paraméterek értékeit átadó parancsot.

Négy tipikus bővítménytelepítési forgatókönyvet sorolunk fel referenciaként. Az éles használat bővítményének üzembe helyezéséhez gondosan olvassa el a konfigurációs beállítások teljes listáját.

Az AKS-fürt használata az Azure-ban a koncepció gyors ellenőrzéséhez az ml-számítási feladatok összes típusának futtatásához, azaz betanítási feladatok futtatásához vagy modellek online/kötegelt végpontként való üzembe helyezéséhez

Az Azure Machine Tanulás bővítmény üzembe helyezése az AKS-fürtön, mindenképpen adja meg managedClusters a --cluster-type paraméter értékét. Futtassa a következő Azure CLI-parancsot az Azure Machine Tanulás bővítmény üzembe helyezéséhez:
```
az k8s-extension create --name <extension-name> --extension-type Microsoft.AzureML.Kubernetes --config enableTraining=True enableInference=True inferenceRouterServiceType=LoadBalancer allowInsecureConnections=True InferenceRouterHA=False --cluster-type managedClusters --cluster-name <your-AKS-cluster-name> --resource-group <your-RG-name> --scope cluster
```
Az Azure-on kívüli Arc Kubernetes-fürt használata a rövid megvalósíthatósági vizsgálathoz, csak betanítási feladatok futtatásához

Az Azure Machine Tanulás bővítmény üzembe helyezéséhez az Arc Kubernetes-fürtön meg kell adnia connectedClusters a --cluster-type paraméter értékét. Futtassa a következő Azure CLI-parancsot az Azure Machine Tanulás bővítmény üzembe helyezéséhez:
```
az k8s-extension create --name <extension-name> --extension-type Microsoft.AzureML.Kubernetes --config enableTraining=True --cluster-type connectedClusters --cluster-name <your-connected-cluster-name> --resource-group <your-RG-name> --scope cluster
```
Engedélyezze az AKS-fürtöt az Azure-ban éles betanítási és következtetési számítási feladatokhoz az Azure Machine Tanulás bővítmény üzembe helyezéséhez az AKS-en, ügyeljen arra, hogy adja meg managedClusters a --cluster-type paraméter értékét. Feltéve, hogy a fürt háromnál több csomóponttal rendelkezik, és a számítási feladatokhoz azure-beli nyilvános terheléselosztót és HTTPS-t használ. Futtassa a következő Azure CLI-parancsot az Azure Machine Tanulás bővítmény üzembe helyezéséhez:
```
az k8s-extension create --name <extension-name> --extension-type Microsoft.AzureML.Kubernetes --config enableTraining=True enableInference=True inferenceRouterServiceType=LoadBalancer sslCname=<ssl cname> --config-protected sslCertPemFile=<file-path-to-cert-PEM> sslKeyPemFile=<file-path-to-cert-KEY> --cluster-type managedClusters --cluster-name <your-AKS-cluster-name> --resource-group <your-RG-name> --scope cluster
```
Arc Kubernetes-fürt engedélyezése bárhol éles betanításhoz és következtetési számítási feladathoz NVIDIA GPU-k használatával

Az Azure Machine Tanulás bővítmény üzembe helyezése az Arc Kubernetes-fürtön, mindenképpen adja meg connectedClusters a --cluster-type paraméter értékét. Ha a fürt háromnál több csomóponttal rendelkezik, a NodePort szolgáltatástípust és a HTTPS-t használja a számítási feladatok következtetési támogatásához, futtassa a következő Azure CLI-parancsot az Azure Machine Tanulás bővítmény üzembe helyezéséhez:
```
az k8s-extension create --name <extension-name> --extension-type Microsoft.AzureML.Kubernetes --config enableTraining=True enableInference=True inferenceRouterServiceType=NodePort sslCname=<ssl cname> installNvidiaDevicePlugin=True installDcgmExporter=True --config-protected sslCertPemFile=<file-path-to-cert-PEM> sslKeyPemFile=<file-path-to-cert-KEY> --cluster-type connectedClusters --cluster-name <your-connected-cluster-name> --resource-group <your-RG-name> --scope cluster
```

Azure Machine Learning-bővítmény üzembehelyezési hitelesítése

Futtassa a következő CLI-parancsot az Azure Machine Tanulás bővítmény részleteinek ellenőrzéséhez:

az k8s-extension show --name <extension-name> --cluster-type connectedClusters --cluster-name <your-connected-cluster-name> --resource-group <resource-group>

A válaszban keresse meg a "name" és a "provisioningState" kifejezést: "Sikeres". Vegye figyelembe, hogy a "provisioningState" felirat jelenhet meg: "Függőben" az első néhány percben.
Ha a provisioningState sikeres állapotot mutat, futtassa a következő parancsot a számítógépen a fürtre mutatott kubeconfig fájllal annak ellenőrzéséhez, hogy az "azureml" névtérben lévő összes pod "Fut" állapotban van-e:
```
 kubectl get pods -n azureml
```

Azure Machine Learning-bővítmény összetevőjének áttekintése

Az Azure Machine Tanulás bővítmény üzembe helyezése után kubectl get deployments -n azureml megtekintheti a fürtben létrehozott erőforrások listáját. Ez általában a következő erőforrások egy részhalmazából áll a megadott konfigurációs beállítások szerint.

Erőforrás neve	Erőforrás típusa	Tanfolyam	Következtetés	Betanítás és következtetés	Leírás	Kommunikáció a felhővel
relayserver	Kubernetes üzembe helyezése	✓	✓	✓	A Relay-kiszolgáló csak az Arc Kubernetes-fürthöz jön létre, az AKS-fürtben nem . A Relay-kiszolgáló az Azure Relayrel együttműködve kommunikál a felhőszolgáltatásokkal.	A feladatlétrehozás és a modell üzembe helyezésének kérése a felhőszolgáltatástól; szinkronizálja a feladat állapotát a felhőszolgáltatással.
átjáró	Kubernetes üzembe helyezése	✓	✓	✓	Az átjáróval kommunikálhat, és adatokat küldhet oda-vissza.	Csomópontok és fürterőforrás-információk küldése a felhőszolgáltatásoknak.
aml-operátor	Kubernetes üzembe helyezése	✓	n/a	✓	A betanítási feladatok életciklusának kezelése.	Jogkivonatok cseréje a felhőalapú jogkivonat-szolgáltatással az Azure Container Registry hitelesítéséhez és engedélyezéséhez.
metrics-controller-manager	Kubernetes üzembe helyezése	✓	✓	✓	A Prometheus konfigurációjának kezelése	n/a
{EXTENSION-NAME}-kube-state-metrics	Kubernetes üzembe helyezése	✓	✓	✓	Exportálja a fürthöz kapcsolódó metrikákat a Prometheusba.	n/a
{EXTENSION-NAME}-prometheus-operátor	Kubernetes üzembe helyezése	Lehetséges	Lehetséges	Lehetséges	A Kubernetes natív üzembe helyezésének és felügyeletének biztosítása a Prometheus és a kapcsolódó monitorozási összetevők számára.	n/a
amlarc-identity-controller	Kubernetes üzembe helyezése	n/a	✓	✓	Azure Blob/Azure Container Registry-jogkivonat kérése és megújítása felügyelt identitáson keresztül.	Jogkivonatok cseréje a felhőalapú jogkivonat-szolgáltatással az Azure Container Registry és a következtetés/modell üzembe helyezése által használt Azure Blob hitelesítéséhez és engedélyezéséhez.
amlarc-identity-proxy	Kubernetes üzembe helyezése	n/a	✓	✓	Azure Blob/Azure Container Registry-jogkivonat kérése és megújítása felügyelt identitáson keresztül.	Jogkivonatok cseréje a felhőalapú jogkivonat-szolgáltatással az Azure Container Registry és a következtetés/modell üzembe helyezése által használt Azure Blob hitelesítéséhez és engedélyezéséhez.
azureml-fe-v2	Kubernetes üzembe helyezése	n/a	✓	✓	Az előtérbeli összetevő, amely a bejövő következtetési kérelmeket az üzembe helyezett szolgáltatásokhoz irányítja.	Szolgáltatásnaplók küldése az Azure Blobba.
következtetés-operátor-controller-manager	Kubernetes üzembe helyezése	n/a	✓	✓	A következtetési végpontok életciklusának kezelése.	n/a
vulkán-belépés	Kubernetes üzembe helyezése	Választható	n/a	Választható	Vulkán belépési webhook.	n/a
vulkánvezérlők	Kubernetes üzembe helyezése	Választható	n/a	Választható	Az Azure Machine Tanulás betanítási feladat podjainak életciklusának kezelése.	n/a
volcano-scheduler	Kubernetes üzembe helyezése	Választható	n/a	Választható	Fürtön belüli feladatütemezés végrehajtására szolgál.	n/a
fluent-bit	Kubernetes démonkészlet	✓	✓	✓	Gyűjtse össze az összetevők rendszernaplóját.	Töltse fel az összetevők rendszernaplóját a felhőbe.
{EXTENSION-NAME}-dcgm-exporter	Kubernetes démonkészlet	Lehetséges	Lehetséges	Lehetséges	A dcgm-exporter gpu-metrikákat tesz elérhetővé a Prometheushoz.	n/a
nvidia-device-plugin-daemonset	Kubernetes démonkészlet	Lehetséges	Lehetséges	Lehetséges	Az nvidia-device-plugin-daemonset gpu-kat tesz elérhetővé a fürt minden csomópontján	n/a
prometheus-prom-prometheus	Kubernetes statefulset	✓	✓	✓	Feladatmetrikák összegyűjtése és küldése a felhőbe.	Feladatmetrikák, például processzor-/gpu-/memóriakihasználtság küldése a felhőbe.

Fontos

Az Azure Relay-erőforrás ugyanabban az erőforráscsoportban található, mint az Arc-fürterőforrás. A Kubernetes-fürttel való kommunikációra szolgál, és a módosításuk megszakítja a csatolt számítási célokat.
Alapértelmezés szerint a kubernetes üzembehelyezési erőforrásai véletlenszerűen vannak üzembe helyezve a fürt 1 vagy több csomópontján, és a démonkészlet-erőforrások minden csomóponton üzembe lesznek helyezve. Ha a bővítmény üzembe helyezését adott csomópontokra szeretné korlátozni, használja nodeSelector a konfigurációs beállítások táblázatában leírt konfigurációs beállítást.

Feljegyzés

{EXTENSION-NAME}: a CLI-paranccsal megadott az k8s-extension create --name bővítménynév.

Azure Machine Learning-bővítmény kezelése

Azure Machine-Tanulás bővítmény frissítése, listázása, megjelenítése és törlése.

Azure Arc-kapcsolat nélküli AKS-fürtök esetén tekintse meg a fürtbővítmények üzembe helyezését és kezelését.
Az Azure Arc-kompatibilis Kubernetes esetében tekintse meg az Azure Arc-kompatibilis Kubernetes-fürtbővítmények üzembe helyezését és kezelését.