יצירת מופע באמצעות קונטיינר בהתאמה אישית

בדף הזה מוסבר איך ליצור מכונה של Workbench ב-Gemini Enterprise Agent Platform על סמך קונטיינר בהתאמה אישית.

סקירה כללית

במכונות של Agent Platform Workbench אפשר להשתמש בקונטיינר בהתאמה אישית, שנוצר מאחד מקונטיינרי הבסיס ש-Google מספקת. אתם יכולים לשנות את הקונטיינרים הבסיסיים האלה כדי ליצור קובץ אימג' של קונטיינר בהתאמה אישית, ולהשתמש בקונטיינרים האלה כדי ליצור מכונה של Agent Platform Workbench.

הקונטיינרים הבסיסיים מוגדרים עם מערכת הפעלה שמותאמת לקונטיינרים במכונה הווירטואלית (VM) המארחת. תמונת המארח נוצרת מcos-stable משפחת התמונות.

מגבלות

כשמתכננים את הפרויקט, כדאי להביא בחשבון את המגבלות הבאות:

• הקונטיינר בהתאמה אישית חייב להיות נגזרת של קונטיינר בסיסי ש-Google מספקת. שימוש בקונטיינר שלא נגזר מקונטיינר בסיס מגדיל את הסיכון לבעיות תאימות ומגביל את היכולת שלנו לתמוך בשימוש שלכם במכונות של Agent Platform Workbench.

• אי אפשר להשתמש ביותר מקונטיינר אחד עם מכונה של Agent Platform Workbench.

• המכונה הווירטואלית שמארחת את הקונטיינר בהתאמה אישית פועלת מחוץ למערכת הפעלה שמותאמת לקונטיינרים, מה שמגביל את האופן שבו אתם יכולים לקיים אינטראקציה עם המכונה המארחת. לדוגמה, מערכת הפעלה שמותאמת לקונטיינרים לא כוללת מנהל חבילות. כלומר, חבילות שפועלות במארח צריכות לפעול בקונטיינר עם נקודות טעינה.

• במכונות של Agent Platform Workbench משתמשים ב-nerdctl (ממשק שורת פקודה של containerd) כדי להריץ את הקונטיינר בהתאמה אישית. הדרישה הזו נועדה להבטיח תאימות לשירות הסטרימינג של התמונות. כל פרמטר של מאגר שמוסיפים באמצעות ערך של מטא-נתונים צריך להיות תואם למה שנתמך על ידי nerdctl.

• מופעי Agent Platform Workbench מוגדרים לשליפה מ-Artifact Registry או ממאגר קונטיינרים ציבורי. כדי להגדיר מכונה שתמשוך נתונים ממאגר פרטי, צריך להגדיר ידנית את פרטי הכניסה שמשמשים את containerd.

מאגרי תגים בסיסיים

ב-Agent Platform Workbench יש קובצי אימג' בסיסיים של קונטיינרים שנוצרו על ידי Google בשתי גרסאות: רגילה ודקה. כל גרסה כוללת את Python 3.10 (ברירת המחדל) או את Python 3.12. כשאתם כותבים את הצהרת FROM של מאגר הנגזרת, השתמשו ב-URI שתואם לגרסת Python שאתם רוצים.

מאגר בסיסי רגיל

הקונטיינר הבסיסי הרגיל תומך בכל התכונות של Agent Platform Workbench, וכולל את הדברים הבאים:

• חבילות של מדעי הנתונים שמותקנות מראש.
• ספריות CUDA, בדומה לקונטיינרים של למידה עמוקה (Deep Learning).
• Google Cloud שילובים של JupyterLab, כמו השילובים של Managed Service for Apache Spark ו-BigQuery.
• חבילות מערכת נפוצות כמו curl או git.
• הגדרת JupyterLab שמבוססת על מטא-נתונים.
• ניהול קרנל שמבוסס על Micromamba.

מפרטים

אלה המפרטים של מאגר בסיסי רגיל:

• תמונת בסיס: nvidia/cuda:12.6.1-cudnn-devel-ubuntu24.04
• גודל קובץ האימג': כ-22GB
• ‫URI (Python 3.10, ברירת מחדל): us-docker.pkg.dev/deeplearning-platform-release/gcr.io/workbench-container:latest
• ‫URI ‏ (Python 3.12): us-docker.pkg.dev/workbench-images/gcr.io/workbench-container-2606:latest

מאגר בסיס צר

הקונטיינר הבסיסי הקטן מספק קבוצה מינימלית של הגדרות אישיות שמאפשרות חיבור של שרת proxy למכונה. ‫Standard התכונות והחבילות של Agent Platform Workbench לא כלולות, חוץ מהבאות:

• JupyterLab
• הגדרת JupyterLab שמבוססת על מטא-נתונים
• ניהול קרנל מבוסס-Micromamba

צריך להתקין ולנהל באופן עצמאי חבילות נוספות או תוספים של JupyterLab.

מפרטים

המפרט של מאגר הבסיס הקטן:

• תמונת בסיס: marketplace.gcr.io/google/ubuntu24.04
• גודל התמונה: כ-2GB
• ‫URI (Python 3.10, ברירת מחדל): us-docker.pkg.dev/deeplearning-platform-release/gcr.io/workbench-container-slim:latest
• ‫URI ‏ (Python 3.12): us-docker.pkg.dev/workbench-images/gcr.io/workbench-container-slim-2606:latest

לפני שמתחילים

נכנסים לחשבון Google Cloud . אנחנו ממליצים למשתמשים חדשים ב- Google Cloud ליצור חשבון כדי שיוכלו להעריך את הביצועים של המוצרים שלנו בתרחישים מהעולם האמיתי. לקוחות חדשים מקבלים בחינם גם קרדיט בשווי 300$ להרצה, לבדיקה ולפריסה של עומסי העבודה.

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Roles required to select or create a project

• Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
• Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

Enable the Notebooks API, if it is not already enabled.

Roles required to enable APIs

To enable APIs, you need the serviceusage.services.enable permission. If you created the project, then you likely already have this permission through the Owner role (roles/owner). Otherwise, you can get this permission through the Service Usage Admin role (roles/serviceusage.serviceUsageAdmin). Learn how to grant roles.

Enable the API

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Roles required to select or create a project

• Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
• Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.

Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

Go to project selector

Verify that billing is enabled for your Google Cloud project.

Enable the Notebooks API, if it is not already enabled.

Roles required to enable APIs

To enable APIs, you need the serviceusage.services.enable permission. If you created the project, then you likely already have this permission through the Owner role (roles/owner). Otherwise, you can get this permission through the Service Usage Admin role (roles/serviceusage.serviceUsageAdmin). Learn how to grant roles.

Enable the API

התפקידים הנדרשים

כדי לקבל את ההרשאות שדרושות ליצירת מכונה של Agent Platform Workbench עם קונטיינר בהתאמה אישית, בקשו מהאדמין להקצות לכם את תפקידי ה-IAM הבאים:

• מפעיל Notebooks ‏(roles/notebooks.runner) בחשבון המשתמש
• כדי לשלוף קובצי אימג' מהמאגר של Artifact Registry: קריאה מ-Artifact Registry (roles/artifactregistry.reader) בחשבון השירות

להסבר על מתן תפקידים, ראו איך מנהלים את הגישה ברמת הפרויקט, התיקייה והארגון.

יכול להיות שאפשר לקבל את ההרשאות הנדרשות גם באמצעות תפקידים בהתאמה אישית או תפקידים מוגדרים מראש.

יצירת מאגר מותאם אישית

כדי ליצור קונטיינר בהתאמה אישית לשימוש עם מכונות של Agent Platform Workbench:

1. יוצרים קונטיינר נגזר מקובץ אימג' בסיסי של קונטיינר ש-Google מספקת.

2. יוצרים את הקונטיינר ומעבירים אותו בדחיפה ל-Artifact Registry. תצטרכו להשתמש ב-URI של הקונטיינר כשתצרו את המכונה של Agent Platform Workbench. לדוגמה, ה-URI יכול להיראות כך: gcr.io/PROJECT_ID/IMAGE_NAME.

יצירת המכונה

אפשר ליצור מכונה של Agent Platform Workbench שמבוססת על קונטיינר בהתאמה אישית באמצעות מסוף Google Cloud או Google Cloud CLI.

המסוף

כדי ליצור מכונה של Agent Platform Workbench שמבוססת על קונטיינר בהתאמה אישית:

1. נכנסים לדף Instances במסוף Google Cloud .

   כניסה לדף Instances

2. לוחצים על  יצירת פריט חדש.

3. בתיבת הדו-שיח New instance, לוחצים על Advanced options.

4. בתיבת הדו-שיח Create instance, בקטע Environment, בוחרים באפשרות Use custom container.

5. עבור קובץ אימג' של קונטיינר של Docker, לחצו על Select.

6. בתיבת הדו-שיח Select container image, עוברים לקובץ האימג' של הקונטיינר שבו רוצים להשתמש ולוחצים על Select.

7. זה שינוי אופציונלי. בשדה Post-startup script, מזינים את הנתיב לסקריפט שרוצים להפעיל אחרי האתחול.

8. זה שינוי אופציונלי. מוסיפים מטא-נתונים למכונה. מידע נוסף זמין במאמר מטא-נתונים של מאגרים בהתאמה אישית.

9. זה שינוי אופציונלי. בקטע Networking, מתאימים אישית את הגדרות הרשת. מידע נוסף זמין במאמר אפשרויות להגדרת רשת.

10. ממלאים את שאר הפרטים בתיבת הדו-שיח ליצירת מכונה ולוחצים על Create.

    ‫Agent Platform Workbench יוצר מכונה ומפעיל אותה באופן אוטומטי. כשהמכונה מוכנה לשימוש, ב-Agent Platform Workbench מופעל הקישור Open JupyterLab.

gcloud

לפני השימוש בנתוני הפקודה הבאים, צריך להחליף את הנתונים הבאים:

• ‫INSTANCE_NAME: השם של מכונת Agent Platform Workbench. השם חייב להתחיל באות, ואחריה עד 62 אותיות קטנות, מספרים או מקפים (-). השם לא יכול להסתיים במקף.
• ‫PROJECT_ID: מזהה הפרויקט
• ‫LOCATION: האזור שבו רוצים למקם את המכונה
• ‫CUSTOM_CONTAINER_PATH: הנתיב למאגר קובצי האימג' של הקונטיינר, לדוגמה: gcr.io/PROJECT_ID/IMAGE_NAME
• ‫METADATA: מטא-נתונים בהתאמה אישית שיוחלו על המכונה הזו. לדוגמה, כדי לציין סקריפט להפעלה אחרי האתחול, אפשר להשתמש בתג המטא-נתונים post-startup-script בפורמט: "--metadata=post-startup-script=gs://BUCKET_NAME/hello.sh"

מריצים את הפקודה הבאה:

‫Linux,‏ macOS או Cloud Shell

הערה: חשוב לוודא שהפעלתם את Google Cloud CLI עם אימות ופרויקט, על ידי הרצת הפקודה gcloud init או הפקודות gcloud auth login ו- gcloud config set project.

gcloud workbench instances create INSTANCE_NAME \
    --project=PROJECT_ID \
    --location=LOCATION \
    --container-repository=CUSTOM_CONTAINER_URL \
    --container-tag=latest \
    --metadata=METADATA

‏Windows (PowerShell)

הערה: חשוב לוודא שהפעלתם את Google Cloud CLI עם אימות ופרויקט, על ידי הרצת הפקודה gcloud init או הפקודות gcloud auth login ו- gcloud config set project.

gcloud workbench instances create INSTANCE_NAME `
    --project=PROJECT_ID `
    --location=LOCATION `
    --container-repository=CUSTOM_CONTAINER_URL `
    --container-tag=latest `
    --metadata=METADATA

Windows‏ (cmd.exe)

הערה: חשוב לוודא שהפעלתם את Google Cloud CLI עם אימות ופרויקט, על ידי הרצת הפקודה gcloud init או הפקודות gcloud auth login ו- gcloud config set project.

gcloud workbench instances create INSTANCE_NAME ^
    --project=PROJECT_ID ^
    --location=LOCATION ^
    --container-repository=CUSTOM_CONTAINER_URL ^
    --container-tag=latest ^
    --metadata=METADATA

מידע נוסף על הפקודה ליצירת מכונה משורת הפקודה זמין במסמכי התיעוד של ה-CLI של gcloud.

‫Agent Platform Workbench יוצר מכונה ומפעיל אותה באופן אוטומטי. כשהמכונה מוכנה לשימוש, Agent Platform Workbench מפעיל קישור Open JupyterLab במסוף Google Cloud .

אפשרויות להגדרת הרשת

בנוסף לאפשרויות הרשת הכלליות, למכונה של Agent Platform Workbench עם קונטיינר בהתאמה אישית צריכה להיות גישה לשירות Artifact Registry.

אם השבתתם את הגישה לכתובת IP ציבורית ב-VPC, ודאו שהפעלתם את הגישה הפרטית ל-Google.

הפעלת סטרימינג של תמונות

המארח של הקונטיינר בהתאמה אישית מוגדר לאינטראקציה עם סטרימינג של תמונות ב-Google Kubernetes Engine ‏ (GKE), שמושך קונטיינרים מהר יותר ומקצר את זמן האתחול של קונטיינרים גדולים אחרי שהם נשמרים במטמון במערכת הקבצים המרוחקת של GKE.

כדי לראות את הדרישות להפעלת סטרימינג של תמונות, עיינו בקטע דרישות. במקרים רבים, אפשר להשתמש בהעברת תמונות בסטרימינג עם מכונות של Agent Platform Workbench על ידי הפעלת Container File System API.

הפעלת Container File System API

איך המכונה המארחת מריצה את הקונטיינר בהתאמה אישית

במקום להשתמש ב-Docker כדי להריץ את הקונטיינר בהתאמה אישית, המכונה המארחת משתמשת ב-nerdctl במרחב השמות של Kubernetes כדי לטעון ולהריץ את הקונטיינר. כך אפשר להשתמש בסטרימינג של קובצי אימג' בקונטיינרים בהתאמה אישית ב-Agent Platform Workbench.

# Runs the custom container.
sudo /var/lib/google/nerdctl/nerdctl --snapshotter=gcfs -n k8s.io run --name payload-container

דוגמה להתקנה: קונטיינר בהתאמה אישית עם ליבה בהתאמה אישית כברירת מחדל

בדוגמה הבאה מוסבר איך ליצור ליבה חדשה עם חבילת pip מותקנת מראש.

1. יוצרים מאגר חדש בהתאמה אישית:

   FROM us-docker.pkg.dev/deeplearning-platform-release/gcr.io/workbench-container:latest
   
   ENV MAMBA_ROOT_PREFIX=/opt/micromamba
   
   RUN micromamba create -n ENVIRONMENT_NAME -c conda-forge python=PYTHON_VERSION -y
   
   SHELL ["micromamba", "run", "-n", "ENVIRONMENT_NAME", "/bin/bash", "-c"]
   
   RUN micromamba install -c conda-forge pip -y
   RUN pip install PACKAGE
   RUN pip install ipykernel
   RUN python -m ipykernel install --prefix /opt/micromamba/envs/ENVIRONMENT_NAME --name ENVIRONMENT_NAME --display-name KERNEL_NAME
   # Creation of a micromamba kernel automatically creates a python3 kernel
   # that must be removed if it's in conflict with the new kernel.
   RUN rm -rf "/opt/micromamba/envs/ENVIRONMENT_NAME/share/jupyter/kernels/python3"

2. מוסיפים את מאגר התגים החדש ל-Artifact Registry:

   gcloud auth configure-docker REGION-docker.pkg.dev
   docker build -t REGION-docker.pkg.dev/PROJECT_ID/REPOSITORY_NAME/IMAGE_NAME .
   docker push REGION-docker.pkg.dev/PROJECT_ID/REPOSITORY_NAME/IMAGE_NAME:latest

3. יוצרים מכונה:

   gcloud workbench instances create INSTANCE_NAME  \
       --project=PROJECT_ID \
       --location=ZONE \
       --container-repository=REGION-docker.pkg.dev/PROJECT_ID/REPOSITORY_NAME/IMAGE_NAME \
       --container-tag=latest

קרנלים קבועים לקונטיינרים בהתאמה אישית

קונטיינרים מותאמים אישית של Agent Platform Workbench טוענים דיסק נתונים רק לספרייה /home/USER בכל קונטיינר, כאשר jupyter הוא משתמש ברירת המחדל. כלומר, כל שינוי מחוץ ל-/home/USER הוא זמני ולא יישמר אחרי הפעלה מחדש. אם אתם צריכים שהחבילות המותקנות יישמרו בקרנל ספציפי, אתם יכולים ליצור קרנל בספרייה /home/USER.

הערה: קונטיינרים בסיסיים מוגדרים עם נקודת טעינה ב-/home/USER. כדי ליצור ליבה קבועה כשיוצרים קובץ אימג' בהתאמה אישית, צריך להפעיל את Docker BuildKit. הערות לגבי ציון נפחים מידע נוסף על BuildKit זמין במסמכי התיעוד של BuildKit.

כדי ליצור ליבה בספרייה /home/USER:

1. יוצרים סביבת micromamba:

   micromamba create -p /home/USER/ENVIRONMENT_NAME -c conda-forge python=3.11 -y
   micromamba activate /home/USER/ENVIRONMENT_NAME
   pip install ipykernel
   pip install -r ~/requirement.txt
   python -m ipykernel install --prefix "/home/USER/ENVIRONMENT_NAME" --display-name "Example Kernel"

   מחליפים את מה שכתוב בשדות הבאים:

   • ‫USER: שם ספריית המשתמש, שמוגדר כברירת מחדל בתור jupyter
   • ‫ENVIRONMENT_NAME: שם הסביבה
   • ‫PYTHON_VERSION: גרסת Python, לדוגמה 3.11

2. ממתינים 30 שניות עד דקה כדי שהקרנלים יתרעננו.

עדכון ההפעלה של מאגר התגים הבסיסי

הקונטיינר הבסיסי של מכונת Agent Platform Workbench (us-docker.pkg.dev/deeplearning-platform-release/gcr.io/workbench-container:latest) מפעיל את JupyterLab באמצעות הרצת /run_jupyter.sh.

אם משנים את ההפעלה של מאגר ה-Docker במאגר נגזר, צריך להוסיף את /run_jupyter.sh כדי להריץ את הגדרת ברירת המחדל של JupyterLab.

הדוגמה הבאה מראה איך אפשר לשנות את קובץ ה-Dockerfile:

# DockerFile
FROM us-docker.pkg.dev/deeplearning-platform-release/gcr.io/workbench-container:latest

CP startup_file.sh /
# Ensure that you have the correct permissions and startup is executable.
RUN chmod 755 /startup_file.sh && \
    chown jupyter:jupyter /startup_file.sh

# Override the existing CMD directive from the base container.
CMD ["/startup_file.sh"]

# /startup_file.sh

echo "Running startup scripts"
...

/run_jupyter.sh

עדכון ההגדרות של JupyterLab במאגר הבסיסי

אם אתם צריכים לשנות את ההגדרות של JupyterLab בקונטיינר הבסיסי, אתם צריכים לבצע את הפעולות הבאות:

• מוודאים ש-JupyterLab מוגדר ליציאה 8080. סוכן ה-proxy שלנו מוגדר להעביר כל בקשה ליציאה 8080, ואם שרת Jupyter לא מאזין ליציאה הנכונה, המכונה נתקלת בבעיות בהקצאה.

• משנים את החבילות של JupyterLab בסביבת micromamba של jupyterlab. אנחנו מספקים סביבת חבילה נפרדת להרצת JupyterLab והפלאגין שלו, כדי לוודא שאין התנגשויות של יחסי תלות עם סביבת הליבה. אם רוצים להתקין תוסף נוסף של JupyterLab, צריך להתקין אותו בסביבת jupyterlab. לדוגמה:

  # DockerFile
  FROM us-docker.pkg.dev/deeplearning-platform-release/gcr.io/workbench-container:latest
  RUN micromamba activate jupyterlab && \
    jupyter nbextension install nbdime

מטא-נתונים של מאגר בהתאמה אישית

בנוסף לרשימה הרגילה של המטא-נתונים שאפשר להחיל על מכונה של Gemini Enterprise Agent Platform Workbench, מכונות עם קונטיינרים בהתאמה אישית כוללות את המטא-נתונים הבאים לניהול יצירת המכונה של קונטיינר המטען הייעודי (payload):

תכונה	תיאור	מפתח המטא-נתונים	ערכים קבילים וערכי ברירת מחדל
הפעלת Cloud Storage FUSE בקובץ אימג' של קונטיינר	הפקודה הזו טוענת את /dev/fuse לקונטיינר ומפעילה את gcsfuse לשימוש בקונטיינר.	container-allow-fuse	‫true: מפעיל את Cloud Storage FUSE. ‫false (ברירת המחדל): לא מפעיל את Cloud Storage FUSE.
פרמטרים נוספים להרצת קונטיינר	הוספת עוד פרמטרים של קונטיינר ל-nerdctl run, כאשר nerdctl הוא ה-CLI של Containerd.	container-custom-params	מחרוזת של פרמטרים להרצת מאגר. לדוגמה: --v /mnt/disk1:/mnt/disk1.
דגלים נוספים של סביבת קונטיינר	שומר את משתני הסביבה בדגל ב-/mnt/stateful_partition/workbench/container_env ומוסיף אותו ל-nerdctl run.	container-env-file	מחרוזת של משתני סביבה של קונטיינר. לדוגמה: CONTAINER_NAME=derivative-container.

שדרוג קונטיינר בהתאמה אישית

בפעם הראשונה שהמכונה מופעלת, היא שולפת את קובץ האימג' של הקונטיינר מ-URI שמאוחסן במטא-נתונים של custom-container-payload. אם משתמשים בתג :latest, הקונטיינר מתעדכן בכל הפעלה מחדש. אי אפשר לשנות ישירות את ערך המטא-נתונים custom-container-payload כי זה מפתח מטא-נתונים מוגן.

כדי לעדכן את קובץ האימג' של קונטיינר בהתאמה אישית של המכונה, אתם יכולים להשתמש בשיטות הבאות שנתמכות על ידי Google Cloud CLI,‏ Terraform או Notebooks API.

gcloud

כדי לעדכן את המטא-נתונים של קובץ האימג' של הקונטיינר בהתאמה אישית במכונה של Agent Platform Workbench, משתמשים בפקודה הבאה:

gcloud workbench instances update INSTANCE_NAME \
    --container-repository=CONTAINER_URI \
    --container-tag=CONTAINER_TAG

Terraform

אפשר לשנות את השדה container_image בהגדרות של Terraform כדי לעדכן את המטען הייעודי (payload) של מאגר ה-Docker.

כדי ללמוד איך להחיל הגדרות ב-Terraform או להסיר אותן, ראו פקודות בסיסיות ב-Terraform.

resource "google_workbench_instance" "default" {
  name     = "workbench-instance-example"
  location = "us-central1-a"

  gce_setup {
    machine_type = "n1-standard-1"
    container_image {
      repository = "us-docker.pkg.dev/deeplearning-platform-release/gcr.io/workbench-container"
      family  = "latest"
    }
  }
}

Notebooks API

משתמשים ב-method‏ instances.patch עם שינויים ב-gce_setup.container_image.repository וב-gce_setup.container_image.tag ב-updateMask.

הפעלת כלי האבחון

כלי האבחון בודק ומאמת את הסטטוס של שירותים שונים ב-Agent Platform Workbench. מידע נוסף על המשימות שכלי האבחון מבצע

כשיוצרים מכונה של Agent Platform Workbench באמצעות קונטיינר בהתאמה אישית, כלי האבחון לא זמין כסקריפט בסביבת המארח שהמשתמשים יכולים להריץ. במקום זאת, הוא עובר קומפילציה לקובץ בינארי ונטען לקונטיינר של סביבת זמן ריצה של Google, שמיועד להריץ שירותי אבחון בסביבה של מערכת הפעלה שמותאמת לקונטיינרים. סקירה כללית על מערכת הפעלה שמותאמת לקונטיינרים

כדי להפעיל את כלי האבחון:

1. משתמשים ב-SSH כדי להתחבר למכונה של Agent Platform Workbench.

2. במסוף SSH, מריצים את הפקודה הבאה:

   sudo docker exec diagnostic-service ./diagnostic_tool

3. כדי לראות אפשרויות נוספות של פקודות, מריצים את הפקודה הבאה:

   sudo docker exec diagnostic-service ./diagnostic_tool --help

למידע נוסף על האפשרויות של כלי האבחון, עיינו במסמכי התיעוד בנושא מעקב אחרי סטטוס התקינות.

כדי להריץ את כלי האבחון באמצעות ה-API בארכיטקטורת REST, עיינו במאמרי העזרה של ה-API בארכיטקטורת REST.

גישה למכונה

אתם יכולים לגשת למכונה דרך כתובת URL של שרת proxy.

אחרי שהמכונה נוצרה והיא פעילה, אפשר לקבל את כתובת ה-URL של שרת ה-Proxy באמצעות ה-CLI של gcloud.

לפני השימוש בנתוני הפקודה הבאים, צריך להחליף את הנתונים הבאים:

• ‫INSTANCE_NAME: השם של המכונה של Agent Platform Workbench
• ‫PROJECT_ID: מזהה הפרויקט
• ‫LOCATION: האזור שבו נמצאת המכונה

מריצים את הפקודה הבאה:

‫Linux,‏ macOS או Cloud Shell

הערה: חשוב לוודא שהפעלתם את Google Cloud CLI עם אימות ופרויקט, על ידי הרצת הפקודה gcloud init או הפקודות gcloud auth login ו- gcloud config set project.

gcloud workbench instances describe INSTANCE_NAME \
--project=PROJECT_ID \
--location=LOCATION | grep proxy-url

‏Windows (PowerShell)

הערה: חשוב לוודא שהפעלתם את Google Cloud CLI עם אימות ופרויקט, על ידי הרצת הפקודה gcloud init או הפקודות gcloud auth login ו- gcloud config set project.

gcloud workbench instances describe INSTANCE_NAME `
--project=PROJECT_ID `
--location=LOCATION | grep proxy-url

Windows‏ (cmd.exe)

הערה: חשוב לוודא שהפעלתם את Google Cloud CLI עם אימות ופרויקט, על ידי הרצת הפקודה gcloud init או הפקודות gcloud auth login ו- gcloud config set project.

gcloud workbench instances describe INSTANCE_NAME ^
--project=PROJECT_ID ^
--location=LOCATION | grep proxy-url

proxy-url: 7109d1b0d5f850f-dot-datalab-vm-staging.googleusercontent.com

הפקודה describe מחזירה את כתובת ה-URL של שרת ה-proxy. כדי לגשת למכונה, פותחים את כתובת ה-URL של שרת ה-proxy בדפדפן אינטרנט.

למידע נוסף על הפקודה לתיאור מכונה משורת הפקודה, קראו את המסמכים של ה-CLI של gcloud.