Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

# Penyediaan berkelanjutan untuk operasi cluster yang ditingkatkan dengan Slurm
<a name="sagemaker-hyperpod-scaling-slurm"></a>

 SageMaker HyperPod Cluster Amazon yang dibuat dengan orkestrasi Slurm sekarang mendukung penyediaan berkelanjutan, kemampuan yang memungkinkan fleksibilitas dan efisiensi yang lebih besar saat menjalankan beban kerja skala besar. AI/ML Penyediaan berkelanjutan memungkinkan Anda memulai pelatihan dengan cepat, menskalakan dengan mulus, melakukan pemeliharaan tanpa mengganggu operasi, dan memiliki visibilitas terperinci ke dalam operasi klaster.

**catatan**  
Penyediaan berkelanjutan tersedia sebagai konfigurasi opsional untuk HyperPod cluster yang dibuat dengan orkestrasi Slurm.

## Cara kerjanya
<a name="sagemaker-hyperpod-scaling-slurm-how"></a>

Sistem penyediaan berkelanjutan memperkenalkan arsitektur negara yang diinginkan yang menggantikan model penskalaan semua-atau-tidak sama sekali tradisional. Pada model sebelumnya, jika ada grup instans yang tidak dapat sepenuhnya disediakan, seluruh pembuatan klaster atau operasi pembaruan gagal dan diputar kembali. Dengan penyediaan berkelanjutan, sistem menerima kapasitas sebagian dan terus menyediakan instance yang tersisa secara asinkron.

Sistem penyediaan berkelanjutan:
+ **Menerima permintaan**: Merekam jumlah instans target untuk setiap grup instans.
+ **Memulai penyediaan**: Mulai meluncurkan instance untuk semua grup instance secara paralel.
+ **Ketentuan node prioritas pertama**: Transisi cluster `InService` setelah setidaknya satu node controller (dan satu node login, jika grup instance login ditentukan) berhasil disediakan.
+ **Melacak kemajuan**: Memantau setiap upaya peluncuran instance dan mencatat statusnya.
+ **Menangani kegagalan**: Secara otomatis mencoba ulang peluncuran yang gagal untuk node pekerja secara asinkron.

Penyediaan berkelanjutan dinonaktifkan secara default. Untuk menggunakan fitur ini, setel `NodeProvisioningMode` ke `Continuous` dalam `CreateCluster` permintaan Anda.

Dengan penyediaan berkelanjutan diaktifkan, Anda dapat memulai beberapa operasi penskalaan secara bersamaan tanpa menunggu operasi sebelumnya selesai. Ini memungkinkan Anda menskalakan grup instans yang berbeda dalam kluster yang sama secara bersamaan dan mengirimkan beberapa permintaan penskalaan ke grup instans yang sama.

## Priority-based penyediaan
<a name="sagemaker-hyperpod-scaling-slurm-priority"></a>

Cluster slurm memerlukan node pengontrol untuk beroperasi sebelum node pekerja dapat mendaftar dan menerima pekerjaan. Penyediaan berkelanjutan menangani ini secara otomatis melalui penyediaan berbasis prioritas:

1. Grup instance controller disediakan terlebih dahulu.

1. Setelah satu node pengontrol sehat, node login dan node pekerja mulai menyediakan secara paralel.

1. Cluster bertransisi ke `InService` ketika satu node pengontrol naik dan satu node login naik (jika grup instance login ditentukan). Jika tidak ada grup instance login yang ditentukan, klaster bertransisi ke `InService` segera setelah node pengontrol disediakan.

1. Node pekerja yang tidak dapat segera disediakan karena kendala kapasitas memasuki loop coba ulang asinkron dan ditambahkan ke cluster Slurm secara otomatis saat tersedia.

## Penanganan kegagalan pengontrol
<a name="sagemaker-hyperpod-scaling-slurm-controller-failure"></a>

Selama pembuatan klaster, jika node pengontrol gagal menyediakan, perilaku tergantung pada apakah kesalahan dapat dicoba ulang atau tidak dapat dicoba ulang.

**Kesalahan yang dapat dicoba ulang** (misalnya, contoh tidak sehat atau kegagalan sementara):
+ HyperPod terus mengganti instance dan mencoba lagi penyediaan sampai pengontrol muncul.
+ Node pekerja dan login yang telah disediakan tetap tersedia, tetapi cluster tidak bertransisi `InService` hingga pengontrol sehat.

**Non-retryable kesalahan** (misalnya, tidak ada kapasitas yang tersedia untuk jenis instance pengontrol atau kegagalan skrip siklus hidup):
+ Cluster ditandai sebagai`Failed`.
+ Anda diberi tahu tentang alasan kegagalan dan harus mengambil tindakan korektif, seperti memilih jenis instans yang berbeda, memperbaiki skrip siklus hidup, atau mencoba kembali di Availability Zone yang berbeda.

## Prasyarat
<a name="sagemaker-hyperpod-scaling-slurm-prerequisites"></a>

Penyediaan berkelanjutan mengharuskan parameter penyediaan Slurm (tipe node, nama partisi) disediakan melalui payload API di setiap bidang grup instans. `SlurmConfig` Cluster yang mengandalkan `provisioning_parameters.json` file lama di Amazon S3 tidak kompatibel dengan penyediaan berkelanjutan.

**catatan**  
Fitur-fitur berikut saat ini tidak didukung dengan penyediaan berkelanjutan pada cluster Slurm: konfigurasi node multi-head melalui topologi Slurm, dan. API-based `SlurmConfigStrategy` Penyediaan berkelanjutan beroperasi secara eksklusif dalam mode gabungan untuk manajemen. `slurm.conf`

## Pengukuran penggunaan
<a name="sagemaker-hyperpod-scaling-slurm-metering"></a>

HyperPod cluster dengan penyediaan berkelanjutan menggunakan pengukuran tingkat instans untuk memberikan penagihan akurat yang mencerminkan penggunaan sumber daya aktual. Pendekatan pengukuran ini berbeda dari penagihan tingkat cluster tradisional dengan melacak setiap instance secara independen.

**Instance-level penagihan**

Dengan penyediaan berkelanjutan, penagihan dimulai dan berhenti di tingkat instans individu daripada menunggu perubahan status tingkat klaster. Pendekatan ini memberikan manfaat sebagai berikut:
+ **Akurasi penagihan yang tepat**: Penagihan dimulai saat eksekusi skrip siklus hidup dimulai. Jika skrip siklus hidup gagal, penyediaan instance akan dicoba ulang dan Anda dikenakan biaya selama durasi runtime skrip siklus hidup.
+ **Pengukuran independen**: Siklus hidup penagihan setiap instans dikelola secara terpisah, mencegah kesalahan penagihan berjenjang.
+ **Real-time pembaruan penagihan**: Penagihan dimulai saat instance mulai mengeksekusi skrip konfigurasi siklus hidupnya dan berhenti saat instance memasuki status penghentian.

**Siklus hidup penagihan**

Setiap instance di HyperPod klaster Anda mengikuti siklus hidup penagihan ini:
+ **Penagihan dimulai**: Ketika instance berhasil diluncurkan dan mulai mengeksekusi skrip konfigurasi siklus hidupnya.
+ **Penagihan berlanjut**: Sepanjang masa operasional instans.
+ **Penagihan berhenti**: Ketika instance memasuki status penghentian, terlepas dari alasan penghentian.

**catatan**  
Penagihan tidak dimulai untuk instance yang gagal diluncurkan. Jika peluncuran instans gagal karena kapasitas yang tidak mencukupi atau masalah lain, Anda tidak dikenakan biaya untuk upaya yang gagal tersebut. Penagihan dihitung pada tingkat instans dan biaya dikumpulkan dan dilaporkan di bawah Amazon Resource Name (ARN) klaster Anda.

## Buat klaster dengan penyediaan berkelanjutan diaktifkan
<a name="sagemaker-hyperpod-scaling-slurm-create"></a>

**catatan**  
Siapkan skrip konfigurasi siklus hidup dan unggah ke bucket Amazon S3 yang dapat diakses oleh peran eksekusi Anda. Untuk informasi selengkapnya, lihat [SageMaker HyperPod Operasi klaster slurm](sagemaker-hyperpod-operate-slurm.md).

Siapkan file permintaan `CreateCluster` API dalam format JSON. Atur `NodeProvisioningMode` ke `Continuous` dan berikan informasi topologi Slurm di setiap bidang grup instance. `SlurmConfig`

```
// create_cluster.json
{
    "ClusterName": "my-training-cluster",
    "NodeProvisioningMode": "Continuous",
    "Orchestrator": {
        "Slurm": {}
    },
    "InstanceGroups": [
        {
            "InstanceGroupName": "controller-group",
            "InstanceType": "ml.m5.xlarge",
            "InstanceCount": 1,
            "LifeCycleConfig": {
                "SourceS3Uri": "s3://amzn-s3-demo-bucket/lifecycle-scripts/src/",
                "OnCreate": "on_create.sh"
            },
            "ExecutionRole": "arn:aws:iam::111122223333:role/iam-role-for-cluster",
            "SlurmConfig": {
                "NodeType": "Controller"
            }
        },
        {
            "InstanceGroupName": "login-group",
            "InstanceType": "ml.m5.xlarge",
            "InstanceCount": 1,
            "LifeCycleConfig": {
                "SourceS3Uri": "s3://amzn-s3-demo-bucket/lifecycle-scripts/src/",
                "OnCreate": "on_create.sh"
            },
            "ExecutionRole": "arn:aws:iam::111122223333:role/iam-role-for-cluster",
            "SlurmConfig": {
                "NodeType": "Login"
            }
        },
        {
            "InstanceGroupName": "worker-gpu-a",
            "InstanceType": "ml.p5.48xlarge",
            "InstanceCount": 16,
            "LifeCycleConfig": {
                "SourceS3Uri": "s3://amzn-s3-demo-bucket/lifecycle-scripts/src/",
                "OnCreate": "on_create.sh"
            },
            "ExecutionRole": "arn:aws:iam::111122223333:role/iam-role-for-cluster",
            "SlurmConfig": {
                "NodeType": "Compute",
                "PartitionNames": ["gpu-training"]
            }
        }
    ],
    "VpcConfig": {
        "SecurityGroupIds": ["sg-12345678"],
        "Subnets": ["subnet-12345678"]
    }
}
```

Jalankan `create-cluster` perintah untuk mengirimkan permintaan.

```
aws sagemaker create-cluster \
    --cli-input-json file://complete/path/to/create_cluster.json
```

Ini mengembalikan ARN dari cluster baru.

```
{
    "ClusterArn": "arn:aws:sagemaker:us-west-2:111122223333:cluster/abcde12345"
}
```

## Manajemen konfigurasi slurm
<a name="sagemaker-hyperpod-scaling-slurm-config"></a>

Penyediaan berkelanjutan beroperasi secara eksklusif dalam mode gabungan untuk `slurm.conf` manajemen partisi. Dalam mode gabungan, HyperPod menerapkan perubahan konfigurasi partisi secara aditif di atas apa pun yang telah Anda modifikasi. `slurm.conf` HyperPod hanya memperbarui bagian terkait partisi `slurm.conf` (seperti nama partisi dan entri nama node); parameter konfigurasi Slurm lainnya tidak dimodifikasi. Ini berarti:
+ Pengeditan manual Anda `slurm.conf` dipertahankan.
+ Tidak ada deteksi drift otomatis atau penyelesaian konflik antara modifikasi Anda dan status HyperPod yang diharapkan.

`SlurmConfigStrategy`Parameter (`Managed`,`Merge`,`Overwrite`) tidak didukung dengan penyediaan berkelanjutan. Melewati `SlurmConfigStrategy` nilai apa pun menghasilkan kesalahan API.

## Persyaratan kapasitas minimum (MinCount)
<a name="sagemaker-hyperpod-scaling-slurm-mincount"></a>

 MinCount Fitur ini memungkinkan Anda menentukan jumlah minimum instance yang harus berhasil disediakan sebelum grup instans beralih ke status. `InService` Fitur ini memberikan kontrol yang lebih baik atas operasi penskalaan dan membantu mencegah skenario di mana grup instans yang disediakan sebagian tidak dapat digunakan secara efektif untuk beban kerja pelatihan.

**penting**  
MinCount bukan jaminan permanen kapasitas minimum. Ini hanya memastikan bahwa jumlah minimum instance yang ditentukan tersedia ketika grup instance pertama kali menjadi`InService`. Penurunan singkat di bawah ini MinCount dapat terjadi selama operasi normal seperti penggantian instans yang tidak sehat atau kegiatan pemeliharaan.

### Bagaimana cara MinCount kerja
<a name="sagemaker-hyperpod-scaling-slurm-mincount-how"></a>

Saat Anda membuat atau memperbarui grup instans dengan MinCount diaktifkan, perilaku berikut akan terjadi:
+ **Grup instans baru**: Grup instance tetap dalam `Creating` status hingga setidaknya MinCount instance berhasil disediakan dan siap. Setelah ambang batas ini terpenuhi, grup instance bertransisi ke`InService`.
+ **Grup instans yang** ada: Saat memperbarui MinCount grup instans yang ada, status berubah `Updating` hingga MinCount persyaratan baru terpenuhi.
+ **Penskalaan berkelanjutan**: Jika TargetCount lebih besar dari MinCount, sistem penskalaan kontinu terus mencoba meluncurkan instance tambahan hingga tercapai. TargetCount 
+ **Timeout dan rollback**: Jika MinCount tidak dapat dipenuhi dalam waktu 3 jam, sistem secara otomatis memutar kembali grup instans ke keadaan baik terakhir yang diketahui. Untuk informasi selengkapnya tentang perilaku rollback, lihat Perilaku [rollback otomatis](#sagemaker-hyperpod-scaling-slurm-mincount-rollback).

### Status grup instans selama MinCount operasi
<a name="sagemaker-hyperpod-scaling-slurm-mincount-status"></a>

Grup instans dengan MinCount konfigurasi menunjukkan perilaku status berikut:

Membuat  
Untuk grup instance baru saat CurrentCount < MinCount. Grup instans tetap dalam status ini sampai persyaratan kapasitas minimum terpenuhi.

Memperbarui  
Untuk grup instance yang ada saat MinCount dimodifikasi dan CurrentCount < MinCount. Grup instans tetap dalam status ini sampai persyaratan kapasitas minimum yang baru terpenuhi.

InService  
Ketika MinCount ≤ CurrentCount ≤ TargetCount. Grup instance siap digunakan dan semua operasi mutasi tidak diblokir.

Selama `Creating` atau `Updating` status, pembatasan berikut berlaku:
+ Operasi mutasi seperti`BatchAddClusterNodes`,`BatchDeleteClusterNodes`, atau `UpdateClusterSoftware` diblokir
+ Anda masih dapat memodifikasi MinCount dan TargetCount nilai untuk memperbaiki kesalahan konfigurasi
+ Penghapusan grup Cluster dan Instance selalu diizinkan

### Perilaku rollback otomatis
<a name="sagemaker-hyperpod-scaling-slurm-mincount-rollback"></a>

Jika grup instans tidak dapat mencapainya MinCount dalam waktu 3 jam, sistem secara otomatis memulai rollback untuk mencegah penantian yang tidak terbatas:
+ **Grup instance baru**: MinCount dan TargetCount diatur ulang ke (0, 0)
+ **Grup instance yang ada**: MinCount dan TargetCount dikembalikan ke nilainya dari `InService` status terakhir
+ **Pemilihan instans untuk penghentian**: Jika instance perlu dihentikan selama rollback, sistem memilih instance yang tidak sehat terlebih dahulu, lalu yang terbaru disediakan.
+ **Transisi status**: Grup instans segera beralih ke `InService` status setelah inisiasi rollback, memungkinkan sistem penskalaan berkelanjutan untuk mengelola kapasitas sesuai dengan pengaturan rollback

Batas waktu 3 jam disetel ulang setiap kali MinCount diperbarui. Misalnya, jika Anda memperbarui MinCount beberapa kali, periode batas waktu mulai baru dari pembaruan terbaru.

### MinCount acara
<a name="sagemaker-hyperpod-scaling-slurm-mincount-events"></a>

Sistem memancarkan peristiwa tertentu untuk membantu Anda melacak MinCount operasi:
+ **Kapasitas minimum tercapai**: Dipancarkan ketika grup instans berhasil mencapai MinCount dan transisi ke `InService`
+ **Rollback dimulai: Dipancarkan** saat batas waktu 3 jam berakhir dan rollback otomatis dimulai

Anda dapat memantau peristiwa ini menggunakan [ListClusterEvents](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_ListClusterEvents.html)untuk melacak kemajuan MinCount operasi Anda.

### Penggunaan API
<a name="sagemaker-hyperpod-scaling-slurm-mincount-api"></a>

MinCount ditentukan menggunakan `MinInstanceCount` parameter dalam konfigurasi grup instance:

```
aws sagemaker create-cluster \
--cluster-name $HP_CLUSTER_NAME \
--instance-groups '[
    {
      "InstanceGroupName": "controller-machine",
      "InstanceType": "ml.c5.xlarge",
      "InstanceCount": 1,
      "SlurmConfig": {"NodeType": "Controller"},
      "LifeCycleConfig": {
        "SourceS3Uri": "s3://'$BUCKET_NAME'",
        "OnCreate": "on_create.sh"
      },
      "ExecutionRole": "'$EXECUTION_ROLE'",
      "ThreadsPerCore": 2
    },
    {
      "InstanceGroupName": "my-login-group",
      "InstanceType": "ml.c5.xlarge",
      "InstanceCount": 1,
      "SlurmConfig": {"NodeType": "Login"},
      "LifeCycleConfig": {
        "SourceS3Uri": "s3://'$BUCKET_NAME'",
        "OnCreate": "on_create.sh"
      },
      "ExecutionRole": "'$EXECUTION_ROLE'",
      "ThreadsPerCore": 1
    },
    {
      "InstanceGroupName": "worker-group-1",
      "InstanceType": "ml.c5.xlarge",
      "MinInstanceCount": 1,
      "InstanceCount": 2,
      "SlurmConfig": {
        "NodeType": "Compute",
        "PartitionNames": ["p1"]
      },
      "LifeCycleConfig": {
        "SourceS3Uri": "s3://'$BUCKET_NAME'",
        "OnCreate": "on_create.sh"
      },
      "ExecutionRole": "'$EXECUTION_ROLE'",
      "ThreadsPerCore": 1
    }
  ]' \
  --vpc-config '{
    "SecurityGroupIds": ["'$SECURITY_GROUP'"],
    "Subnets": ["'$SUBNET'"]
  }' \
  --node-provisioning-mode Continuous
```

Pertimbangan utama untuk MinCount penggunaan:
+ `MinInstanceCount`harus antara 0 dan `InstanceCount` (inklusif) nilai dari kelompok instance yang ditentukan dalam [CreateCluster](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateCluster.html)atau permintaan [UpdateCluster](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_UpdateCluster.html)
+ Pengaturan `MinInstanceCount` ke 0 (default) mempertahankan perilaku penskalaan berkelanjutan standar
+  Default `MinInstanceCount` untuk Controller dan Login InstanceGroup diatur ke 1 selama pembuatan cluster
+ Pengaturan `MinInstanceCount` sama dengan `InstanceCount` memberikan perilaku penskalaan semua-atau-tidak sama sekali
+ MinCount hanya tersedia untuk cluster dengan `NodeProvisioningMode` set ke `Continuous`