Canonical annonce le lancement de Canonical Kubernetes 1.24 qui reprend toutes les innovations de la version upstream de Kubernetes 1.24 sortie début mai. Les nouvelles fonctionnalités de cette dernière sont également disponibles avec sa distribution allégée MicroK8s et la version managée, Charmed Kubernetes.

Toutes les fonctionnalités Kubernetes 1.24 sont ainsi disponibles dans Canonical Kubernetes et pour ses deux distributions, MicroK8s et Charmed Kubernetes. Par ailleurs, MicroK8s a bénéficié des améliorations suivantes :

Stockage distribué à haute disponibilité avec OpenEBS Mayastor

Kubernetes utilise de nombreux concepts et abstractions pour gérer le stockage requis par les charges de travail : PersistentVolumes, PersistentVolumeClaims, Container Storage Interface (CSI), volume provisioning, réplication... Pour faire fonctionner ces outils sur des simples ou des déploiements HA multi-nœuds, il est maintenant possible d’utiliser l’addon MicroK8s OpenEBS Mayastor. 

Des addons MicroK8s, personnalisés pour les clusters K8s

MicroK8s permet maintenant de lancer une commande unique pour activer n’importe quel service du cluster K8s, sans configuration nécessaire. Dans MicroK8s v1.24, Canonical permet à ses utilisateurs d’apporter leurs propres addons, en créant leur propre dépôt d’addons. Cela permet de personnaliser les clusters Kubernetes tout en conservant la simplicité de MicroK8s en tant qu’outil de développement et plateforme K8s intégrée.

Kubernetes simplifié pour les scientifiques des données avec MicroK8s sur NVIDIA DGX

NVIDIA DGX est une suite matérielle spécialement conçue pour exécuter une pile logicielle optimisée pour les équipes de datascience. Les équipes de petite et moyenne taille peuvent désormais bénéficier de la certification de MicroK8s sur DGX, qui leur offre une expérience Kubernetes rationalisée avec une faible empreinte, ainsi que des optimisations de plateforme et des mises à jour transactionnelles. La simplicité avec laquelle MicroK8s gère les déploiements Kubernetes et consomme les composants matériels DGX tels que les GPU permet aux data scientists de se concentrer sur leur métier plutôt que de gérer l’infrastructure.

Charmed Kubernetes profite également de plusieurs améliorations telles que :

Autoscaling des nœuds de travail avec le Cluster Autoscaler (CA)

Cluster Autoscaler est un projet upstream qui ajuste automatiquement la taille des clusters Kubernetes en fonction de quotas prédéfinis d’utilisation des ressources. Dans le cadre de Charmed Kubernetes (CK8s) 1.24, un nouveau charm a été développé pour apporter les mêmes capacités aux clusters Canonical. Cela permet à l’opérateur de gestion du cycle de vie, Juju, de déployer le service Cluster Autoscaler dans le cadre d’un déploiement de modèles CK8s, et d’ajouter ou de supprimer des unités en fonction des décisions prises par le service. Cela s’applique aussi bien aux hôtes réguliers basés sur les VM qu’aux hôtes « à usage spécial » tels que les machines équipées de GPU pour l’accélération matérielle. 

Traefik ingress charm pour une mise en réseau et une observabilité améliorées

Traefik est un projet CNCF populaire qui vise à faciliter les opérations réseau. Charmed Kubernetes 1.24 est livré avec un nouveau charm Traefik ingress qui permet aux clusters CK8s d’effectuer une configuration d’ingress plus complexe et de contrôler le trafic vers les services du cluster. En outre, le charme Traefik ingress intègre les clusters CK8s à la nouvelle pile d’observabilité Canonical en utilisant la capacité de routage par unité qui permet d’acheminer les services vers un pod précis.

AI-aaS composable à l’échelle avec Charmed Kubernetes sur NVIDIA DGX

Alors que MicroK8s répond aux besoins spécialisés en IA/MLOps des petites et moyennes équipes de science des données sur les systèmes NVIDIA DGX, Charmed Kubernetes est là pour répondre aux besoins des équipes qui recherchent une solution AI/ML as-a-Service à grande échelle sur DGX. Charmed K8s, certifié DGX-Ready, permet de mettre en place des architectures de clusters d’IA composables basées sur les projets CNCF et autres projets open source les plus populaires. Il apporte également l’automatisation complète du cycle de vie de Kubernetes et des charges de travail de conteneurs pour éliminer les difficultés liées à l’exploitation des piles AI/MLOps à l’échelle.