Amazon SageMaker HyperPod Slurm にクラスター拡張機能が登場:オブザーバビリティとユーザー管理の2つのマネージド拡張、HyperPod対応の全リージョンで利用可能

AWSは SageMaker HyperPod Slurm クラスター向けにクラスター拡張機能を発表しました。第1弾はオブザーバビリティとユーザー管理の2つのマネージド拡張で、API またはコンソールから管理できます。AWSによると追加料金はなく、AMI と継続的プロビジョニングなどの条件があります。

ニュース日: 読了目安 9 分

LINEで送るThreadsFacebookX
目次
  1. 1. クラスター拡張機能とライフサイクルスクリプトの違いは?
  2. 2. 現在の2つの拡張と、それぞれの機能は?
  3. 3. 導入の流れと運用への影響は?
  4. 4. 料金と利用可能なリージョンは?

AWSは公式ブログで、Amazon SageMaker HyperPod の Slurm クラスターに「クラスター拡張機能」が加わったと発表しました。Slurm は複数の GPU マシン上で計算ジョブをスケジューリング・割り当てるシステムで、大規模 AI モデルを訓練する共有クラスターでよく使われます。これまで、ノード上の監視ツールやユーザーアカウントは、多くの場合「ライフサイクルスクリプト」、つまりノード作成時に自動実行されるインストールスクリプトで設定されてきました。新機能では、チームは API または SageMaker AI コンソールから、これらのソフトウェアを宣言・更新・確認できます。AWSによると、ノードごとの設定が次第にずれていく問題を減らせるうえ、エラー発生時にどのノードのどの工程で問題が起きたかを直接確認できます。

クラスター拡張機能とライフサイクルスクリプトの違いは?

AWSによると、ライフサイクルスクリプトはノードのプロビジョニング時にしか実行されません。変更のたびにスクリプトを修正し、ノードを交換するかクラスター全体で再実行する必要があります。エラーはスクリプト実行時にしか表面化せず、実際に何がインストールされたかを報告する仕組みもないため、ノード間で徐々に差異が生じる可能性があります。AWSはクラスター拡張機能を、AWSが管理するソフトウェアパッケージであり、API またはコンソールからインストール・設定・更新・削除できるものと説明しています。

  • 事前検証:設定は送信時にスキーマ(各設定項目の名前と形式を定めるルール)で検査され、スペルミスのある設定はノードに届く前に拒否されます。
  • ノード間の一貫性:スケールアウトや交換されたノードを含む全ノードに適用されます。
  • API またはコンソールで変更可能:どちらの方法でも、同じ検証済みの設定を使用します。
  • 状態の可視化:各拡張がステータスとノードごとの健全性を報告します。

現在の2つの拡張と、それぞれの機能は?

AWSによると、現在サポートされている拡張は2つです。オブザーバビリティ拡張は監視メトリクスを収集し、対象はノード、GPU、EFA(Elastic Fabric Adapter、ノード間の高速ネットワークインターフェース)、Slurm ジョブ、Slurm クラスターに及びます。メトリクスは Amazon CloudWatch または Amazon Managed Service for Prometheus に送信でき、Amazon Managed Grafana と組み合わせれば、Clusters と Jobs の2つのビルド済みダッシュボードが使えます。ユーザー管理拡張は、各ノードに同一 ID のユーザーとグループを作成し、ノードタイプごとの SSH と sudo の権限を制御します。また Slurm アカウンティングにユーザーを登録し、Active Directory とも連携できます。

2つのマネージドクラスター拡張の比較(AWSブログに基づく)
項目オブザーバビリティユーザー管理
拡張名sagemaker-observabilitysagemaker-user-management
主な機能ノード、GPU、EFA、Slurm のメトリクスを収集一貫した ID のユーザーとグループを作成し、SSH と sudo を管理
出力・連携CloudWatch または Managed Service for Prometheus。Managed Grafana と併用可能Active Directory(LDAPS)に接続、またはローカルアカウントを使用可能
追加要件実行ロールに CloudWatch または aps:RemoteWrite の権限が必要共有ファイルシステム(FSx for Lustre など)が必要。AD シークレットの読み取りには secretsmanager:GetSecretValue が必要

導入の流れと運用への影響は?

利用前に、クラスターで2026年11月2日以降の HyperPod AMI を使用し、継続的プロビジョニングを有効にする必要があります。AMI はあらかじめ設定されたシステムイメージで、継続的プロビジョニングはバックグラウンドでコンピューティング容量の取得を再試行し続ける仕組みです。AWSによると、拡張のステータスは Creating、Updating、Active、Degraded の4つです。ノードレベルの問題は DescribeClusterExtension の Health フィールドに、コード、メッセージ、影響を受けたノード数として表示されます。HyperPod は内部的な失敗を自動で再試行します。それ以外の問題は原因を修正した上で、内容を変更しない UpdateClusterExtension で再試行します。バージョンアップ時に既存の設定が新しいスキーマに適合しない場合、リクエストは拒否され、何も変更されません。

すでにスクリプトで同じ機能を提供している場合、AWSは機能ごとの段階的な移行を推奨しており、手順は次のとおりです。まず UpdateClusterSoftware で2026年11月 AMI 以降にアップグレードします。次に、ライフサイクルスクリプトでその機能を無効にして S3 にアップロードします。続いて、計画したメンテナンス時間帯に、各ノードからスクリプトでインストールされたエージェントを削除します。最後に CreateClusterExtension を呼び出します。AWSは同時に、ユーザーがコントローラーを含む全ノードに引き続き SSH でき、独自のスクリプトも実行できると強調しています。

料金と利用可能なリージョンは?

AWSによると、クラスター拡張機能は2026年11月から HyperPod 対応の全リージョンで利用でき、拡張自体に追加料金はありません。ただし、併用する Amazon CloudWatch、Amazon Managed Service for Prometheus、AWS Secrets Manager などの AWS リソースの料金は利用者の負担です。

よくある質問

どのような場合に拡張を使い、どのような場合にスクリプトを使うべきですか?

AWSの推奨では、GPU やジョブのメトリクス、一貫したユーザーアカウントなど、HyperPod が対応するマネージドソフトウェア機能がある場合は拡張を使います。組織固有のソフトウェアや初期化処理には、カスタム AMI とライフサイクルスクリプトを使います。

拡張を使うと、ノードに直接ログインできなくなりますか?

いいえ、ログインできます。AWSによると、ユーザーはコントローラーノードを含む全ノードへの完全なアクセス権を保持し、SSH で入って設定を行い、独自のライフサイクルスクリプトを実行することもできます。

拡張のバージョンアップに AMI の更新は必要ですか?

AWSの説明では不要です。AWSが新しい拡張バージョンを公開した後、インストール可能なバージョンを一覧表示し、その場でアップグレードできます。以降に追加されるノードも新バージョンになります。アップグレードは前方向のみです。

スクリプトからユーザー管理拡張に切り替えると、アカウントは変わりますか?

AWSによると、ユーザー管理拡張に切り替えても、同じユーザー名とユーザー ID が維持されます。

拡張が Degraded になった場合はどうすればよいですか?

AWSの説明では、DescribeClusterExtension の Health フィールドで問題コードと影響ノード数を確認し、原因を修正してから、変更なしの UpdateClusterExtension を呼び出して再試行します。内部的な失敗は HyperPod が自動で再試行します。

このトピックの最新ニュースを見る

この記事が役に立ったら、必要な方にシェアしてください

LINEで送るThreadsFacebookX

出典

上記の参考資料および記載の確認日時点の情報をもとに整理しています。料金・時刻・機能・利用規約は変更される場合があるため、ご旅行や予約・購入の前には該当する公式サイトで最新情報をご確認ください。

ライフスタイル