AWS为HyperPod集群提供可观测与用户管理扩展
时间:2026年11月20日,亚马逊云科技在官方博客发布 Amazon SageMaker HyperPod Slurm 的集群扩展功能,并宣布该功能自2026年11月起在所有支持 SageMaker HyperPod 的区域可用。
地点:亚马逊云科技总部位于美国西雅图,本次发布面向全球所有支持 SageMaker HyperPod 的区域。
人物:亚马逊云科技 SageMaker 产品团队,以及负责维护 Slurm 训练集群的平台工程团队和算法团队。
事件详情:集群扩展是 AWS 托管的软件包,管理员通过 API 或 Amazon SageMaker AI 控制台即可安装、配置、升级和卸载,首批提供两个扩展。sagemaker-observability 负责采集节点、GPU、EFA、Slurm 作业与 Slurm 集群指标,上报到 Amazon CloudWatch 或 Amazon Managed Service for Prometheus;sagemaker-user-management 在每个节点创建 ID 一致的用户和组,按节点类型控制谁可以使用 SSH 与 sudo,把用户注册进 Slurm 账户体系,并可将集群接入 Active Directory。每个扩展有自己的 ARN,平台团队和监控团队可以各自持有其中一部分。使用的前提是集群基于 2026年11月2日或更新的 HyperPod AMI,且启用了持续预置。
背景:在此之前,节点上的软件主要靠生命周期脚本管理,脚本只在节点预置时执行一次,改动要编辑脚本并替换节点或在全机群重跑,节点之间的配置容易随时间漂移。2026 年内 AWS 已把 Slurm 配置、基于 AMI 的配置、持续预置、拓扑自动管理和深度健康检查改成声明式管理,集群扩展把这套做法延伸到运行中节点上的软件层。
影响:扩展提交时先按 schema 校验,配置写错在到达节点之前就会被拒绝;节点扩容或替换后由节点代理统一应用,健康探针回传状态与逐节点健康情况,管理员能看到每个节点是否运行在预期配置上。AWS 表示集群扩展本身不额外收费,用户只需为 CloudWatch、Amazon Managed Service for Prometheus、AWS Secrets Manager 等实际使用的资源付费。由于扩展以 root 权限在每个节点上运行,AWS 建议把 CreateClusterExtension、UpdateClusterExtension、DeleteClusterExtension 视为管理员权限,不要授给集群执行角色。
总结:Amazon SageMaker HyperPod 用集群扩展把训练集群的监控与账号管理从手工脚本变成声明式 API 管理,首批覆盖可观测和用户管理两类需求。对长期维护 GPU 训练集群的团队来说,节点配置漂移和脚本返工有了统一的替代方案。使用该功能需要 11月2日之后的 HyperPod AMI 并开启持续预置,老集群要先升级才能启用。
参考来源:
Amazon SageMaker HyperPod 官方博客英文原文
https://aws.amazon.com/blogs/machine-learning/introducing-managed-cluster-extensions-for-observability-and-user-management-in-amazon-sagemaker-hyperpod-slurm/
亚马逊云科技官方博客中文版
https://aws.amazon.com/cn/blogs/machine-learning/introducing-managed-cluster-extensions-for-observability-and-user-management-in-amazon-sagemaker-hyperpod-slurm/
Unite.AI:AWS Adds Managed Cluster Extensions to SageMaker HyperPod Slurm
https://www.unite.ai/aws-adds-managed-cluster-extensions-to-sagemaker-hyperpod-slurm/
AWS News:Introducing managed cluster extensions for observability and user management
https://aws-news.com/article/01a1fb3a-7a29-d355-0979-3de626620621
AIToolMaps:AWS adds managed cluster extensions to SageMaker HyperPod Slurm
https://aitoolmaps.com/news/2026-11-20/aws-adds-managed-cluster-extensions-to-sagemaker-hyperpod-sl
OZZZER AI News:AWS launched managed cluster extensions on November 20, 2026
https://ozzzer.com/ai-news/story/258756/







