Use o Lote do Azure para executar cargas de trabalho em contêineres

O Lote do Azure permite executar e dimensionar um grande número trabalhos de computação em lote no Azure. As tarefas do Batch podem ser executadas diretamente nas máquinas virtuais (nós) de um pool do Batch, mas também é possível configurar um pool do Batch para executar tarefas em contêineres compatíveis com Docker nos nós. Este artigo mostra como criar um pool de nós de computação que dão suporte a tarefas de contêiner em execução e, em seguida, executar tarefas de contêiner no pool.

Os exemplos de código aqui usam os SDKs do Batch para .NET e Python. Também é possível usar outras ferramentas e SDKs do Batch, incluindo o portal do Azure, para criar pools do Batch habilitados para contêineres e executar tarefas de contêiner.

Por que usar contêineres?

Os contêineres oferecem uma maneira simples de executar tarefas do Azure Batch sem precisar gerenciar o ambiente e as dependências necessários para executar aplicativos. Os contêineres implantam aplicativos como unidades leves, portáteis e autossuficientes que podem ser executadas em vários ambientes diferentes. Por exemplo, crie e teste um contêiner localmente e, em seguida, carregue a imagem do contêiner em um registro no Azure ou em outro local. O modelo de implantação do contêiner garante que o ambiente de runtime do aplicativo sempre seja instalado e configurado corretamente, independente de onde você hospeda o aplicativo. As tarefas baseadas em contêiner no Batch também podem aproveitar funcionalidades das tarefas sem contêiner, incluindo pacotes de aplicativos e o gerenciamento de arquivos de recursos e de saída.

Pré-requisitos

Você deve estar familiarizado com os conceitos de contêiner e como criar um pool do Lote e um trabalho.

• Versões do SDK: Os SDKs do Batch oferecem suporte a imagens de contêiner a partir das seguintes versões:

  • API REST em lote versão 2017-09-01.6.0
  • SDK do .NET para o Lote versão 8.0.0
  • SDK do Python para o Lote versão 4.0
  • SDK Java para o Lote versão 3.0
  • SDK Node. js para o Lote versão 3.0

• Contas: na sua assinatura do Azure, você precisa criar uma conta do Batch e, opcionalmente, uma conta de Armazenamento do Azure.

• Uma imagem de máquina virtual (VM) com suporte: Há suporte para contêineres apenas nos pools criados com a Configuração de Máquina Virtual a partir de uma imagem com suporte (listada na próxima seção). Se você fornecer uma imagem personalizada, consulte as considerações na seção seguinte e os requisitos em Usar uma imagem gerenciada para criar um pool de imagens personalizadas.

Atualmente, a propriedade containerConfiguration requer que Type seja passada e os valores suportados são: ContainerType.DockerCompatible e ContainerType.CriCompatible.

Lembre-se das seguintes limitações:

• O Azure Batch oferece suporte para acesso remoto direto à memória (RDMA) somente para contêineres executados em pools Linux.
• Para cargas de trabalho de contêiner do Windows, você deve escolher um tamanho de VM com vários núcleos para seu pool.

Imagens de VM compatíveis

Use uma das imagens a seguir com suporte do Windows ou Linux para criar um conjunto de nós de computação da VM para cargas de trabalho de contêiner. Para obter mais informações sobre imagens do Marketplace compatíveis com o Lote, consulte Lista de imagens de máquinas virtuais.

Suporte do Windows

O Batch oferece suporte a imagens do Windows Server designadas para dar suporte a contêineres. A API para listar todas as imagens com suporte no Lote do Azure denota uma funcionalidade de DockerCompatible se a imagem for compatível com contêineres do Docker. O Lote permite, mas não dá suporte diretamente, a imagens publicadas pelo Mirantis com funcionalidade anotada como DockerCompatible. Essas imagens só podem ser implantadas em uma conta do Lote do modo de alocação do pool de Assinaturas de Usuário.

Você também pode criar uma imagem personalizada para habilitar a funcionalidade de contêiner no Windows.

Suporte para Linux

Para cargas de trabalho de contêiner Linux, atualmente o Batch dá suporte às seguintes imagens Linux publicadas no Azure Marketplace sem necessidade de uma imagem personalizada.

• Publicador: microsoft-dsvm
  • Oferta: ubuntu-hpc
• Publicador: almalinux
  • Oferta: 8-hpc-gen1
  • Oferta: 8-hpc-gen2

Opções alternativas de imagem

Atualmente, há outras imagens publicadas por microsoft-azure-batch que dão suporte a cargas de trabalho de contêiner:

• Publicador: microsoft-azure-batch
  • Oferta: ubuntu-server-container
  • Oferta: ubuntu-server-container-rdma (para uso exclusivo em SKUs de VM com Infiniband)

Observações

A raiz de dados do docker das imagens acima está em lugares diferentes:

• Para a imagem HPC ou microsoft-dsvm (Oferta: ubuntu-hpc, etc.), a raiz de dados do Docker é inalterada em relação ao padrão do Docker, que é /var/lib/docker no Linux e C:\ProgramData\Docker no Windows. Essas pastas estão localizadas no disco do sistema operacional.

Para imagens não publicadas em lote, o disco do sistema operacional tem o risco potencial de ser preenchido rapidamente à medida que as imagens de contêiner são baixadas.

Soluções potenciais para clientes

Altere a raiz de dados do docker em uma tarefa inicial ao criar um pool no BatchExplorer. Veja um exemplo do comando Iniciar tarefa:

1)  sudo systemctl stop docker
2)  sudo vi /lib/systemd/system/docker.service
    +++
    FROM:
    ExecStart=/usr/bin/docker daemon -H fd://
    TO:
    ExecStart=/usr/bin/docker daemon -g /new/path/docker -H fd://
    +++
3)  sudo systemctl daemon-reload
4)  sudo systemctl start docker

Essas imagens têm suporte apenas para uso em pools do Lote do Azure e foram projetadas para a execução de contêineres do Docker. Elas apresentam:

• Um runtime de contêiner Moby compatível com o Docker pré-instalado.
• Drivers de GPU da NVIDIA pré-instalados e o runtime de contêiner da NVIDIA, para agilizar a implantação nas VMs da série N do Azure.
• As imagens de VM com o sufixo -rdma são pré-configuradas com suporte para tamanhos de VM infiniBand RDMA. Estas imagens de VM não devem ser usadas com tamanhos de VM que não tenham suporte para InfiniBand.

Você também pode criar imagens personalizadas compatíveis com contêineres do Batch em uma das distribuições Linux compatíveis com o Batch. Para ter suporte ao Docker em uma imagem personalizada, instale um runtime adequado compatível com Docker, como uma versão do Docker ou do Mirantis Container Runtime. A instalação de apenas uma ferramenta compatível com o Docker-CLI é insuficiente; um runtime compatível com o Mecanismo do Docker é necessário.

Mais considerações para usar uma imagem personalizada do Linux:

• Para aproveitar o desempenho da GPU dos tamanhos da série N do Azure ao usar uma imagem personalizada, pré-instale os drivers da NVIDIA. Além disso, é necessário instalar o Docker Engine Utility para GPUs NVIDIA, NVIDIA Docker.
• Para acessar a rede RDMA do Azure, use um tamanho de VM compatível com RDMA. Os drivers RDMA necessários são instalados nas imagens CentOS HPC e Ubuntu com suporte pelo Batch. Configurações extra podem ser necessárias para executar cargas de trabalho de MPI. Confira Usar instâncias de GPU ou RDMA em pools do Lote do Azure.

Configuração do contêiner para o pool do Batch

Para habilitar um pool do Batch para executar workloads de contêiner, você deve especificar as configurações de BatchVmContainerConfiguration no objeto BatchVmConfiguration do pool. Este artigo fornece links para a referência da API .NET do Batch. As configurações correspondentes estão na API Batch Python.

Você pode criar um pool com suporte a contêineres, com ou sem imagens de contêiner pré-carregadas, como mostrado nos exemplos a seguir. O processo de pull (ou pré-carregamento) permite que você pré-carregue imagens de contêineres no Docker Hub ou em outro registro de contêiner na Internet. Para obter o melhor desempenho, use um Registro de contêiner do Azure na mesma região da conta do Lote.

A vantagem de pré-carregar as imagens de contêiner é que, quando as tarefas começam a ser executadas pela primeira vez, elas não precisam esperar pelo download das imagens de contêiner. A configuração do contêiner baixa imagens de contêiner para as VMs quando o pool é criado. As tarefas executadas no pool podem referenciar a lista de imagens de contêiner e opções de execução de contêiner.

Pool sem imagens de contêiner de pré-busca

Para configurar um pool habilitado para contêineres sem imagens de contêiner pré-buscadas, defina os objetos ContainerConfiguration e VirtualMachineConfiguration, conforme mostrado nos exemplos a seguir. Estes exemplos usam a imagem de pools de contêiner do Ubuntu Server para Lote do Azure do Marketplace.

Observação: a versão do servidor Ubuntu usada no exemplo é apenas ilustrativa. Fique à vontade para alterar a node_agent_sku_id para a versão que você está usando.

image_ref_to_use = models.BatchVmImageReference(
    publisher='microsoft-dsvm',
    offer='ubuntu-hpc',
    sku='2204',
    version='latest')

"""
Specify container configuration. This is required even though there are no prefetched images.
"""

container_conf = models.BatchContainerConfiguration(type='dockerCompatible')

new_pool = models.BatchPoolCreateOptions(
    id=pool_id,
    virtual_machine_configuration=models.VirtualMachineConfiguration(
        image_reference=image_ref_to_use,
        container_configuration=container_conf,
        node_agent_sku_id='batch.node.ubuntu 22.04'),
    vm_size='STANDARD_D2S_V3',
    target_dedicated_nodes=1)
...

BatchImageReference imageReference = new BatchImageReference()
{
    Publisher = "microsoft-dsvm",
    Offer = "ubuntu-hpc",
    Sku = "2204",
    Version = "latest"
};

// Specify container configuration. This is required even though there are no prefetched images.
BatchVmContainerConfiguration containerConfig = new BatchVmContainerConfiguration("dockerCompatible");

// VM configuration
BatchVmConfiguration vmConfiguration = new BatchVmConfiguration(
    imageReference: imageReference,
    nodeAgentSkuId: "batch.node.ubuntu 22.04")
{
    ContainerConfiguration = containerConfig
};

BatchAccountPoolData poolData = new BatchAccountPoolData()
{
    VmSize = "STANDARD_D2S_V3",
    DeploymentConfiguration = new BatchDeploymentConfiguration() { VmConfiguration = vmConfiguration },
    ScaleSettings = new BatchAccountPoolScaleSettings()
    {
        FixedScale = new BatchAccountFixedScaleSettings() { TargetDedicatedNodes = 1 }
    }
};

await batchAccount.GetBatchAccountPools().CreateOrUpdateAsync(WaitUntil.Completed, poolId, poolData);

Pré-carregar imagens para configuração de contêiner

Para pré-carregar imagens de contêineres no pool, adicione a lista de imagens de contêineres (container_image_names em Python) ao ContainerConfiguration.

O exemplo básico do Python a seguir mostra como pré-buscar uma imagem de contêiner padrão do Ubuntu a partir do Hub do Docker.

image_ref_to_use = models.BatchVmImageReference(
    publisher='microsoft-dsvm',
    offer='ubuntu-hpc',
    sku='2204',
    version='latest')

"""
Specify container configuration, fetching the official Ubuntu container image from Docker Hub.
"""

container_conf = models.BatchContainerConfiguration(
    type='dockerCompatible',
    container_image_names=['ubuntu'])

new_pool = models.BatchPoolCreateOptions(
    id=pool_id,
    virtual_machine_configuration=models.VirtualMachineConfiguration(
        image_reference=image_ref_to_use,
        container_configuration=container_conf,
        node_agent_sku_id='batch.node.ubuntu 22.04'),
    vm_size='STANDARD_D2S_V3',
    target_dedicated_nodes=1)
...

O exemplo C# a seguir pressupõe que você deseja pré-buscar uma imagem do TensorFlow do Hub do Docker. Este exemplo inclui uma tarefa de inicialização que é executada no host da VM nos nós do pool. Você pode executar uma tarefa inicial no host, por exemplo, para montar um servidor de arquivos que pode ser acessado por meio dos contêineres.

BatchImageReference imageReference = new BatchImageReference()
{
    Publisher = "microsoft-dsvm",
    Offer = "ubuntu-hpc",
    Sku = "2204",
    Version = "latest"
};

BatchVmContainerRegistry containerRegistry = new BatchVmContainerRegistry()
{
    RegistryServer = "https://hub.docker.com",
    IdentityResourceId = new ResourceIdentifier("/subscriptions/SUB/resourceGroups/RG/providers/Microsoft.ManagedIdentity/userAssignedIdentities/identity-name")
};

// Specify container configuration, prefetching Docker images
BatchVmContainerConfiguration containerConfig = new BatchVmContainerConfiguration("dockerCompatible")
{
    ContainerImageNames = { "tensorflow/tensorflow:latest-gpu" },
    ContainerRegistries = { containerRegistry }
};

// VM configuration
BatchVmConfiguration vmConfiguration = new BatchVmConfiguration(
    imageReference: imageReference,
    nodeAgentSkuId: "batch.node.ubuntu 22.04")
{
    ContainerConfiguration = containerConfig
};

// Set a native host command line start task
BatchAccountPoolStartTask startTaskContainer = new BatchAccountPoolStartTask()
{
    CommandLine = "<native-host-command-line>"
};

BatchAccountPoolData poolData = new BatchAccountPoolData()
{
    VmSize = "Standard_NC6S_V3",
    DeploymentConfiguration = new BatchDeploymentConfiguration() { VmConfiguration = vmConfiguration },
    StartTask = startTaskContainer
};

await batchAccount.GetBatchAccountPools().CreateOrUpdateAsync(WaitUntil.Completed, poolId, poolData);

Pré-carregar imagens de um registro privado de contêineres

Você também pode executar a pré-busca de imagens de contêiner ao fazer a autenticação em um servidor de registro de contêiner privado. Nos exemplos a seguir, os objetos ContainerConfiguration e VirtualMachineConfiguration fazem o pré-carregamento de uma imagem privada do TensorFlow de um Registro de Contêiner do Azure privado. A referência da imagem é a mesma do exemplo anterior.

image_ref_to_use = models.BatchVmImageReference(
    publisher='microsoft-dsvm',
    offer='ubuntu-hpc',
    sku='2204',
    version='latest')

# Specify a container registry
subscription_id = "yyyy-yyy-yyy-yyy-yyy"
resource_group_name = "TestRG"
user_assigned_identity_name = "testUMI"
resource_id = f"/subscriptions/{subscription_id}/resourceGroups/{resource_group_name}/providers/Microsoft.ManagedIdentity/userAssignedIdentities/{user_assigned_identity_name}"

container_registry = models.ContainerRegistryReference(
        registry_server="myRegistry.azurecr.io",
        identity_reference=models.BatchNodeIdentityReference(resource_id=resource_id))

# Create container configuration, prefetching Docker images from the container registry
container_conf = models.BatchContainerConfiguration(
        type='dockerCompatible',
        container_image_names=["myRegistry.azurecr.io/samples/myImage"],
        container_registries=[container_registry])

new_pool = models.BatchPoolCreateOptions(
            id="myPool",
            virtual_machine_configuration=models.VirtualMachineConfiguration(
                image_reference=image_ref_to_use,
                container_configuration=container_conf,
                node_agent_sku_id='batch.node.ubuntu 22.04'),
            vm_size='STANDARD_D2S_V3',
            target_dedicated_nodes=1)

// Specify a container registry
BatchVmContainerRegistry containerRegistry = new BatchVmContainerRegistry()
{
    RegistryServer = "myContainerRegistry.azurecr.io",
    IdentityResourceId = new ResourceIdentifier("/subscriptions/SUB/resourceGroups/RG/providers/Microsoft.ManagedIdentity/userAssignedIdentities/identity-name")
};

// Create container configuration, prefetching Docker images from the container registry
BatchVmContainerConfiguration containerConfig = new BatchVmContainerConfiguration("dockerCompatible")
{
    ContainerImageNames = { "myContainerRegistry.azurecr.io/tensorflow/tensorflow:latest-gpu" },
    ContainerRegistries = { containerRegistry }
};

// VM configuration
BatchVmConfiguration vmConfiguration = new BatchVmConfiguration(
    imageReference: imageReference,
    nodeAgentSkuId: "batch.node.ubuntu 22.04")
{
    ContainerConfiguration = containerConfig
};

BatchAccountPoolData poolData = new BatchAccountPoolData()
{
    VmSize = "Standard_NC6S_V3",
    DeploymentConfiguration = new BatchDeploymentConfiguration() { VmConfiguration = vmConfiguration },
    ScaleSettings = new BatchAccountPoolScaleSettings()
    {
        FixedScale = new BatchAccountFixedScaleSettings() { TargetDedicatedNodes = 2 }
    }
};

await batchAccount.GetBatchAccountPools().CreateOrUpdateAsync(WaitUntil.Completed, poolId, poolData);

Suporte de identidade gerenciada para ACR

Quando você acessar contêineres armazenados no Registro de Contêiner do Azure, uma identidade gerenciada pode ser usada para autenticação no serviço. Para usar uma identidade gerenciada, primeiro verifique se a identidade foi atribuída ao conjunto e se a identidade tem a função AcrPull atribuída ao registro de contêiner que você deseja acessar. Em seguida, instrua o Batch sobre qual identidade usar ao se autenticar no ACR.

BatchVmContainerRegistry containerRegistry = new BatchVmContainerRegistry()
{
    RegistryServer = "myContainerRegistry.azurecr.io",
    IdentityResourceId = new ResourceIdentifier("/subscriptions/SUB/resourceGroups/RG/providers/Microsoft.ManagedIdentity/userAssignedIdentities/identity-name")
};

Configurações de contêiner para a tarefa

Para executar uma tarefa de contêiner em um pool habilitado para contêiner, especifique as configurações específicas do contêiner. As configurações incluem a imagem a ser usada, o registro e as opções de execução do contêiner.

• Use a propriedade ContainerSettings das classes de tarefa para definir configurações específicas ao contêiner. Essas configurações são definidas pela classe BatchTaskContainerSettings . A opção --rm de contêiner não requer a opção --runtime, pois isso já é gerenciado pelo Batch.

• Se você executar tarefas em imagens de contêiner, a tarefa BatchTask e o gerenciador de trabalhos exigirão configurações de contêiner. No entanto, a tarefa inicial, a tarefa de preparação do trabalho e a tarefa de liberação de trabalho não exigem configurações de contêiner (ou seja, elas podem ser executadas em um contexto de contêiner ou diretamente no nó).

• No Linux, o Azure Batch mapeia as permissões de usuário/grupo para o contêiner. Se o acesso a qualquer pasta dentro do contêiner exigir permissão de administrador, talvez seja necessário executar a tarefa no escopo do pool com nível de elevação de administrador. Isso garante que o Azure Batch execute a tarefa como root no contexto do contêiner. Caso contrário, um usuário não administrador pode não ter acesso a essas pastas.

• Para conjuntos de contêineres com hardware habilitado para GPU, o Azure Batch habilita automaticamente a GPU para as tarefas de contêiner, portanto, você não deve incluir o argumento –gpus.

Linha de comando da tarefa do contêiner

Quando você faz a execução de uma tarefa de contêiner, o Batch usa automaticamente o comando docker create para criar um contêiner usando a imagem especificada na tarefa. O Batch então controla a execução da tarefa no contêiner.

Assim como ocorre com as tarefas em lotes que não são contêineres, você define uma linha de comando para uma tarefa de contêiner. Como o Azure Batch cria automaticamente o contêiner, na linha de comando você especifica apenas o comando ou os comandos a serem executados no contêiner.

A seguir estão os comportamentos padrão que o Batch aplica às tarefas de contêineres Docker:

• O Lote executará o contêiner com a linha de comando da tarefa especificada como o CMD.
• O Lote não interferirá com o ENTRYPOINT especificado da imagem de contêiner.
• O Batch substituirá o WORKDIR pelo diretório de trabalho da tarefa do Batch.

Verifique a documentação do Docker entre ENTRYPOINT e CMD para entender os efeitos de interação que podem surgir quando imagens de contêiner tiverem um ENTRYPOINT especificado e você também especificar uma linha de comando da tarefa.

Se você quiser substituir ENTRYPOINT da imagem de contêiner, poderá especificar o argumento --entrypoint <args> como um containerRunOption. Consulte as opções opcionais de ContainerRunOptions para ver os argumentos que você pode fornecer ao comando docker create que o Batch usa para criar e executar o contêiner. Por exemplo, para definir um diretório de trabalho para o contêiner, defina a opção --workdir <directory>.

Veja a seguir alguns exemplos de imagens de contêiner e opções de contêiner do Lote ou linhas de comando da tarefa e seu efeito:

• O ENTRYPOINT da imagem de contêiner não é especificado e a linha de comando da tarefa do Lote é "/bin/sh -c python myscript.py".
  • O Batch cria o contêiner com a linha de comando da tarefa do Batch, conforme especificado, e o executa no diretório de trabalho da tarefa do Batch. Isso pode causar falha se "myscript.py" não estiver no diretório de trabalho da tarefa de Batch.
  • Se a linha de comando da tarefa tiver sido especificada como "/bin/sh -c python /path/to/script/myscript.py", essa tarefa poderá funcionar corretamente mesmo com o diretório de trabalho definido como o diretório de trabalho da tarefa do Lote se todas as dependências do script forem atendidas.
• O ENTRYPOINT da imagem de contêiner é especificado como "./myscript.sh" e a linha de comando da tarefa do Lote está vazia.
  • O Lote cria o contêiner que depende do ENTRYPOINT e o executa no diretório de trabalho da tarefa do Lote. Essa tarefa poderá falhar se o WORKDIR da imagem de contêiner não for o mesmo que o diretório de trabalho da tarefa do Batch, o qual depende de vários fatores, como o sistema operacional, a ID do trabalho, a ID da tarefa etc.
  • Se "--workdir /path/to/script" tiver sido especificado como um containerRunOption, essa tarefa poderá funcionar corretamente se todas as dependências do script forem atendidas.
• O ENTRYPOINT da imagem de contêiner não é especificado, a linha de comando da tarefa do Lote é "./myscript.sh" e WORKDIR é substituído em ContainerRunOptions como "--workdir /path/to/script".
  • O Batch cria o contêiner com o diretório de trabalho definido como "/path/to/script" e executa o comando "./myscript.sh", o que funciona corretamente, pois o script é encontrado no diretório de trabalho especificado.

Diretório de trabalho da tarefa do contêiner

Uma tarefa de contêiner do Azure Batch é executada em um diretório de trabalho no contêiner, semelhante ao diretório que o Azure Batch configura para uma tarefa comum (sem contêiner). Esse diretório de trabalho é diferente do WORKDIR, se configurado na imagem, ou do diretório de trabalho do contêiner padrão (C:\ em um contêiner do Windows ou / em um contêiner do Linux).

Para uma tarefa de contêiner em lote:

• Todos os diretórios recursivamente abaixo do AZ_BATCH_NODE_ROOT_DIR no nó do host (a raiz dos diretórios do Lote do Azure) são mapeados para dentro do contêiner.
• Todas as variáveis de ambiente de tarefa são mapeadas para dentro do contêiner.
• O diretório de trabalho da tarefa AZ_BATCH_TASK_WORKING_DIR no nó é definido da mesma forma que para uma tarefa regular e mapeado para o contêiner.

Esses mapeamentos permitem trabalhar com tarefas de contêiner da mesma maneira que as tarefas que não são contêineres. Por exemplo, instale aplicativos usando pacotes de aplicativos, acesse arquivos de recursos do Armazenamento do Microsoft Azure, use configurações de ambiente de tarefas e persista arquivos de saída de tarefas depois que o contêiner for interrompido.

Independentemente de como WORKDIR é definido para uma imagem de contêiner, stdout.txt e stderr.txt são capturados no AZ_BATCH_TASK_DIR.

Solucionar problemas de tarefas de contêiner

Se a tarefa do contêiner não for executada conforme o esperado, talvez seja necessário obter informações sobre a configuração WORKDIR ou ENTRYPOINT da imagem de contêiner. Para ver a configuração, execute o comando docker image inspect.

Se necessário, ajuste as configurações da tarefa do contêiner com base na imagem:

• Especifique um caminho absoluto na linha de comando da tarefa. Se o ENTRYPOINT padrão da imagem for usado para a linha de comando da tarefa, assegure-se de que um caminho absoluto esteja configurado.
• Nas opções de execução do contêiner da tarefa, altere o diretório de trabalho para corresponder ao WORKDIR na imagem. Por exemplo, definir --workdir /app.

Exemplos de tarefas de contêiner

O fragmento Python a seguir mostra uma linha de comando básica em execução em um contêiner criado a partir de uma imagem fictícia extraída do Docker Hub. Aqui, a opção de contêiner --rm remove o contêiner após a conclusão da tarefa, e a opção --workdir define um diretório de trabalho. A linha de comando substitui o contêiner ENTRYPOINT por um comando shell simples que grava um arquivo pequeno no diretório de trabalho da tarefa no host.

task_id = 'sampletask'
task_container_settings = models.BatchTaskContainerSettings(
    image_name='myimage',
    container_run_options='--rm --workdir /')
task = models.BatchTaskCreateOptions(
    id=task_id,
    command_line='/bin/sh -c \"echo \'hello world\' > $AZ_BATCH_TASK_WORKING_DIR/output.txt\"',
    container_settings=task_container_settings
)

O exemplo C# a seguir mostra as configurações básicas do contêiner para uma tarefa de nuvem:

// Simple container task command
string cmdLine = @"c:\app\myApp.exe";

Azure.Compute.Batch.BatchTaskContainerSettings cmdContainerSettings = new Azure.Compute.Batch.BatchTaskContainerSettings("myimage")
{
    ContainerRunOptions = @"--rm --workdir c:\app"
};

BatchTaskCreateOptions containerTask = new BatchTaskCreateOptions(
    id: "Task1",
    commandLine: cmdLine)
{
    ContainerSettings = cmdContainerSettings
};

Próximas etapas

• Para informações sobre a instalação e uso do Docker CE no Linux, consulte a Documentação do docker.
• Aprenda como Usar uma imagem gerenciada para criar um pool de imagens personalizadas.
• Saiba mais sobre o projeto Moby, uma estrutura para criar sistemas baseados em contêiner.