Notas da versão 1.13.3 do Google Distributed Cloud com isolamento físico

30 de agosto de 2024


Anúncio
O Google Distributed Cloud (GDC) com isolamento físico 1.13.3 está disponível.
Consulte a visão geral do produto para saber mais sobre os recursos do Distributed Cloud.

Recurso

Gerenciamento de clusters:

  • Introdução de um conjunto mais amplo de perfis de GPU de várias instâncias (MIG) (modo uniforme e misto). É possível criar clusters do Google Kubernetes Engine em VMs de GPU (VMs A3) com vários esquemas de fatiamento de GPU e atender dinamicamente às necessidades de recursos de GPU de serviços que hospedam cargas de trabalho de inteligência artificial (IA).

Hardware:

  • Novos servidores DL380a com as GPUs NVIDIA Hopper H100 mais recentes (2x2 NVL), combinados com os processadores Intel de 5ª geração mais recentes, estão disponíveis.

Máquinas virtuais:

  • Um novo tipo de VM A3 otimizado para GPU está disponível. O tipo de VM A3 tem quatro GPUs NVIDIA H100 de 80 GB anexadas, que podem executar cargas de trabalho de IA que exigem modelos de linguagem grandes de até 100 bilhões de parâmetros.
  • Foram introduzidos formatos menores de VM A3, com 1 GPU H100 de 80 GB e 2 GPUs H100 de 80 GB anexadas por VM. Esse recurso está na visualização.

Vertex AI:



Segurança

Atualizamos a versão da imagem do SO Rocky para 20240731 para aplicar os patches de segurança mais recentes e atualizações importantes.


Problema

Faturamento:

  • O usuário não consegue criar BillingAccountBinding devido a um erro de webhook de validação.

Armazenamento em blocos:

  • Pods do Grafana travados no estado Init devido a erros de montagem de volume.
  • Há um erro de anexação múltipla do Trident.

Serviço de banco de dados:

  • O subcomponente dbs-fleet tem um erro de reconciliação ao fazer upgrade.
  • A criação de DBCluster falha após o upgrade.

Identity and Access Management:

  • Os pods gatekeeper-audit no namespace opa-system são reiniciados com frequência.

Monitoramento:

  • Os pods do gateway de armazenamento do Cortex podem entrar em loop de falha na inicialização durante a sincronização com o back-end de armazenamento. Os pods excedem os limites de memória, fazendo com que o Kubernetes os encerre.
  • Os pods de proxy de métricas do plano de controle do Kube podem entrar em crashloop com o erro de recuo de extração de imagem.
  • Um crescimento no WAL (registro prévio de escrita) faz com que o Prometheus use muita memória. O nó da VM do plano de controle do sistema informa eventos NodeHasInsufficientMemory e EvictionThresholdMet devido a esse problema.

Rede:

  • A imagem do switch não conseguiu extrair ou extrair uma imagem.

Repositório de objetos:

  • Alguns avisos de upgrade do repositório de objetos podem ser ignorados.

Sistema operacional:

  • Os pods estão travados em um estado ContainerCreating em um único nó.

Servidores físicos:

  • O servidor DL380a não é provisionado.

Fazer upgrade:

  • Uma falha do Helm durante o upgrade causa uma série de reversões.
  • Ao fazer upgrade do HW2.0 e do Ubuntu, o upgrade do nó exibe incorretamente o RockyLinux.
  • O pod dhcp-tftp-core-server não é drenado.
  • O OrganizationUpgrade está travado na fase de upgrade do nó.
  • Falha de conectividade intermitente com o VIP do cluster externo.
  • O kernel não consegue criar o contêiner.
  • Um erro Incorrect version of Trident aparece durante o upgrade.
  • Durante o provisionamento do cluster de usuário, alguns pods não são programados.
  • O upgrade da organização de locatário falha na fase de verificação de simulação com ErrImagePull.
  • O upgrade da organização raiz está travado em um job de assinatura com falha.
  • Durante o upgrade, a tarefa de uma organização raiz falha devido à falta de contas de serviço.
  • Falha no upgrade em shared-service-cluster upgrade
  • O nó falha durante o upgrade do cluster de usuário.
  • O upgrade da organização raiz falha na verificação de simulação.
  • Há um tempo limite persistente durante o organizationupgrade raiz inicial.
  • A reconciliação do subcomponente obj-syslog-server falha na organização raiz.

Máquinas virtuais:

  • O plug-in de dispositivo NVIDIA DaemonSet falha com a mensagem driver rpc error em nós de cluster com GPUs. Esse problema faz com que as GPUs fiquem indisponíveis para máquinas virtuais e pods.
  • A VM do cluster do sistema não está pronta.
  • Um volume de dados informa que o espaço de rascunho não foi encontrado.
  • A reconciliação do subcomponente obj-syslog-server falha na organização raiz.

Vertex AI:

  • A função de API pré-treinada streaming_recognize da Speech-to-Text falha devido a um problema com a biblioteca de cliente.
  • A sondagem do status do job não é compatível com a API batchTranslateDocument.
  • As solicitações de batchTranslateDocument podem causar problemas de desempenho.
  • Na primeira vez que você ativar as APIs pré-treinadas, o console do GDC poderá mostrar um status inconsistente após alguns minutos.
  • As solicitações de tradução com mais de 250 caracteres podem causar falhas nos pods do translation-prediction-server.
  • O GPUAllocation do cluster de serviços compartilhados não está configurado corretamente.
  • Ao fazer upgrade da versão 1.9.x para a 1.13.3, o controlador de gerenciamento do ciclo de vida de componentes operáveis (OCLCM, na sigla em inglês) para subcomponentes da Vertex AI pode mostrar erros.
  • As solicitações de tradução podem gerar o código do erro RESOURCE_EXHAUSTED quando o limite de frequência do sistema é excedido.
  • As solicitações batchTranslateDocument retornam o erro 503 "Batch Document translation is not implemented se o parâmetro operável enableRAG não estiver definido como true no cluster.

Corrigido

Monitoramento:

  • Correção de um problema em que o ConfigMap do Prober é redefinido para não incluir jobs de sondagem.

Rede:

  • Correção de um problema com um PodCIDR não atribuído a nós, mesmo que um ClusterCIDRConfig seja criado.

Sistema operacional:

  • Correção de um problema com o job do Ansible bm-system-machine-preflight-check para um nó bare metal ou de VM que falhava com Either ip_tables or nf_tables kernel module must be loaded.

Servidores físicos:

  • Correção de um problema com a inicialização do servidor que falhava devido a problemas de POST no servidor HPE.

Fazer upgrade:

  • Correção de um problema com falha de upgrade no subcomponente iac-zoneselection-global.

Vertex AI:

  • Correção de um problema em que o MonitoringTarget mostrava um status Not Ready quando os clusters de usuário estavam sendo criados, fazendo com que as APIs pré-treinadas mostrassem continuamente um estado Enabling na interface do usuário.

Alterar

Gerenciador de complementos:

Fazer upgrade:

  • A documentação de upgrade fornece durações estimadas para as diferentes etapas do processo de upgrade.