缩小 SageMaker HyperPod 集群规模 - 亚马逊 SageMaker AI
重要注意事项在实例组级别缩小规模在实例级别缩小规模
Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异，请参阅 中国的 Amazon Web Services 服务入门 (PDF)。

本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

缩小 SageMaker HyperPod 集群规模

您可以缩减在 Amazon SageMaker HyperPod 集群上运行的实例数量。出于各种原因，例如资源利用率降低或成本优化，您可能需要缩小集群。

下一页概述了缩小规模的两种主要方法：

  • 在实例组级别缩小规模：此方法使用 UpdateCluster API，您可以：

    • 独立缩小特定实例组的实例数量。 SageMaker AI 以达到您为每个组设置的新目标实例计数的方式处理节点的终止。请参阅缩小实例组规模。

    • 从您的集群中完全删除实例组。请参阅删除实例组。

  • 在实例级别缩小规模：此方法使用 BatchDeleteClusterNodes API，您可以使用它来指定要终止的各个节点。请参阅在实例级别缩小规模。

注意

使用缩减实例级别时BatchDeleteCusterNodes，您一次最多只能终止 99 个实例。 UpdateCluster支持终止任意数量的实例。

重要注意事项

  • 缩小集群规模时，应确保剩余资源足以处理您的工作负载，并确保正确处理任何必要的数据迁移或重新平衡以避免中断。

  • 在工作节点组上调用 API 之前，请务必将数据备份到 Amazon S3 或 for Lustre 文件系统。 FSx 这有助于防止实例根卷中可能丢失任何数据。有关备份的更多信息，请参见使用提供的备份脚本 SageMaker HyperPod。

  • 要在现有集群上调用此 API，必须先运行 UpdateClusterSoftwareAPI 来修补集群。有关修补集群的更多信息，请参阅更新集群的 SageMaker HyperPod 平台软件。

  • 按需实例的计量/计费将在缩小规模后自动停止。要停止对缩小规模的预留实例进行计量，您应该联系您的 Amazon 账户团队寻求支持。

  • 您可以使用从缩减的预留实例中释放的容量来扩展另一个 SageMaker HyperPod 集群。

在实例组级别缩小规模

该UpdateCluster操作允许您对 SageMaker HyperPod 集群的配置进行更改，例如缩小实例组的实例数量或删除整个实例组。当您想要根据工作负载的变化调整分配给集群的资源、优化成本或更改实例组的实例类型时，这可能很有用。

缩小实例组规模

如果您的实例组处于空闲状态，并且可以安全地终止任何实例以缩小规模，请使用此方法。当您提交缩减UpdateCluster请求时，会 HyperPod 随机选择要终止的实例，然后缩减到该实例组的指定节点数。

注意

当您将实例组中的实例数量缩减到 0 时，该组中的所有实例都将被终止。但是，实例组本身仍将作为 SageMaker HyperPod 集群的一部分存在。您可以稍后使用相同的实例组配置向上扩展实例组。

或者，您可以选择永久移除实例组。有关更多信息，请参阅 删除实例组。

要缩小规模 UpdateCluster

  1. 按照中概述的步骤进行操作更新 SageMaker HyperPod 集群配置。当您到达指定InstanceCount字段的步骤 1.d 时，请输入一个小于当前实例数的数字以缩小集群。

  2. 运行 update-cluster Amazon CLI 命令提交您的请求。

以下是 UpdateCluster JSON 对象的示例。考虑一下您的实例组当前有 2 个正在运行的实例的情况。如果将该InstanceCount字段设置为 1（如示例所示），则 HyperPod 随机选择其中一个实例并将其终止。

{
  "ClusterName": "name-of-cluster-to-update",
  "InstanceGroups": [
    {
      "InstanceGroupName": "training-instances",
      "InstanceType": "instance-type",
      "InstanceCount": 1,
      "LifeCycleConfig": {
        "SourceS3Uri": "s3://amzn-s3-demo-bucket/training-script.py",
        "OnCreate": "s3://amzn-s3-demo-bucket/setup-script.sh"
      },
      "ExecutionRole": "arn:aws:iam::123456789012:role/SageMakerRole",
      "ThreadsPerCore": number-of-threads,
      "OnStartDeepHealthChecks": [
        "InstanceStress",
        "InstanceConnectivity"
      ]
    }
  ],
  "NodeRecovery": "Automatic"
}

删除实例组

当不再需要实例组时，您可以使用该UpdateCluster操作将整个实例组从 SageMaker HyperPod 集群中移除。这不仅仅是简单的缩小规模，还允许您从集群的配置中完全消除特定的实例组。

注意

移除实例组时：

  • 目标组中的所有实例都已终止。

  • 整个组配置已从集群中删除。

  • 在该实例组上运行的所有工作负载都将停止。

使用删除实例组 UpdateCluster

  1. 按照中概述的步骤进行操作时更新 SageMaker HyperPod 集群配置：

    1. 在 UpdateCluster JSON 中设置可选InstanceGroupsToDelete参数，然后传递要删除的实例组名称的逗号分隔列表。

    2. 指定InstanceGroups列表时，请确保要删除的实例组的规格不再列在InstanceGroups列表中。

  2. 运行 update-cluster Amazon CLI 命令提交您的请求。

重要

  • 您的 SageMaker HyperPod 集群必须始终维护至少一个实例组。

  • 确保在删除所有关键数据之前都已备份。

  • 移除过程无法撤消。

以下是 UpdateCluster JSON 对象的示例。考虑一个集群当前有 3 个实例组、一个训练、一个原型训练和一个推理服务组的情况。你想删除原型训练组。

{
  "ClusterName": "name-of-cluster-to-update",
  "InstanceGroups": [
    {
      "InstanceGroupName": "training",
      "InstanceType": "instance-type",
      "InstanceCount": ,
      "LifeCycleConfig": {
        "SourceS3Uri": "s3://amzn-s3-demo-bucket/training-script.py",
        "OnCreate": "s3://amzn-s3-demo-bucket/setup-script.sh"
      },
      "ExecutionRole": "arn:aws:iam::123456789012:role/SageMakerRole",
      "ThreadsPerCore": number-of-threads,
      "OnStartDeepHealthChecks": [
        "InstanceStress",
        "InstanceConnectivity"
      ]
    },
    {
      "InstanceGroupName": "inference-serving",
      "InstanceType": "instance-type",
      "InstanceCount": 2,
      [...]
    },
  ],
  "InstanceGroupsToDelete": [ "prototype-training" ],
  "NodeRecovery": "Automatic"
}

在实例级别缩小规模

该BatchDeleteClusterNodes操作允许您通过指定要终止的各个节点来缩小 SageMaker HyperPod集群。 BatchDeleteClusterNodes为目标节点移除和集群优化提供了更精细的控制。例如，您可以使用删除目标节点BatchDeleteClusterNodes以进行维护、滚动升级或在地理位置上重新平衡资源。

API 请求和响应

当您提交BatchDeleteClusterNodes请求时， SageMaker HyperPod 会按节点的实例删除节点 IDs。API 接受包含集群名称和 IDs 要删除的节点列表的请求。

答复包括两个部分：

验证和错误处理

API 会执行各种验证，例如：

  • 验证节点 ID 格式（前缀i-和 Amazon EC2 实例 ID 结构）。

  • 检查节点列表长度，单个BatchDeleteClusterNodes请求中限制为 99 个或更少 IDs 的节点。

  • 确保存在带有输入 SageMaker HyperPod 集群名称的有效集群，并且没有正在进行任何集群级别的操作（更新、系统更新、修补或删除）。

  • 处理未找到实例、实例状态无效或正在使用中的情况。

API 响应码

  • API 会返回成功请求（例如，所有输入节点验证成功）或部分成功请求（例如，某些输入节点验证失败）的200状态码。

  • 如果所有这些验证都失败（例如，所有输入节点都未通过验证），API 将返回包含相应错误消息和错误代码的 400 Bad Request 响应。

示例

以下是使用实例级别缩小集群规模的示例 Amazon CLI：

aws sagemaker batch-delete-cluster-nodes --cluster-name "cluster-name" --node-ids '["i-111112222233333", "i-111112222233333"]'