container-apps-gpu-2025

Azure Container Apps の GPU サポート - 2025 年の機能

GPU サポート、サーバーレス機能、Dapr 統合を備えた Azure Container Apps の包括的なナレッジベース（2025 年 GA 機能）です。

概要

Azure Container Apps は、ネイティブの GPU サポート、Dapr 統合、ゼロへのスケール機能を備えたサーバーレスコンテナプラットフォームであり、コスト効率の高い AI/ML ワークロードを実現します。

2025 年の主な機能（Build での発表）

1. サーバーレス GPU（GA）

• 自動スケーリング：需要に応じて GPU ワークロードをスケールします
• ゼロへのスケール：GPU が実際に使用されている場合にのみ料金が発生します
• 秒単位の課金：きめ細かなコスト管理が可能です
• 最適化されたコールドスタート：AI モデルをすばやく初期化します
• 運用負荷の軽減：インフラストラクチャ管理が不要です

2. 専用 GPU（GA）

• 安定したパフォーマンス：専用 GPU リソースを利用できます
• AI のデプロイを簡素化：モデルを簡単にホストできます
• 長時間実行されるワークロード：トレーニングや継続的な推論に最適です
• 複数の GPU タイプ：NVIDIA A100、T4 など

3. GPU を使用した動的セッション（早期アクセス）

• サンドボックスでの実行：信頼できない AI 生成コードを実行します
• Hyper-V 分離：セキュリティを強化します
• GPU 対応 Python インタープリター：計算負荷の高い AI ワークロードに対応します
• 実行時のスケール：リソースを動的に割り当てます

4. Foundry Models の統合

• AI モデルを直接デプロイ：コンテナアプリの作成時にデプロイできます
• すぐに使えるモデル：事前構成済みの推論エンドポイントを利用できます
• Azure AI Foundry：シームレスに統合できます

5. Durable Task Scheduler を使用したワークフロー（プレビュー）

• 長時間実行されるワークフロー：信頼性の高いオーケストレーションを実現します
• 状態管理：状態を自動的に永続化します
• イベント駆動型：イベントからワークフローをトリガーします

6. Azure Functions のネイティブサポート

• Functions ランタイム：Container Apps で Azure Functions を実行します
• 一貫性のある開発：同じコードでサーバーレス実行できます
• イベントトリガー：すべての Functions トリガーをサポートします

7. Dapr 統合（GA）

• サービス検出：DNS ベースの検出機能が組み込まれています
• 状態管理：分散状態ストアを利用できます
• Pub/sub メッセージング：信頼性の高いメッセージングパターンを利用できます
• サービス呼び出し：回復性の高いサービス間呼び出しを実現します
• 可観測性：トレースとメトリックを統合できます

GPU を使用した Container Apps の作成

サーバーレス GPU を使用した基本的な Container App

# Create Container Apps environment
az containerapp env create \
  --name myenv \
  --resource-group MyRG \
  --location eastus \
  --logs-workspace-id <workspace-id> \
  --logs-workspace-key <workspace-key>

# Create Container App with GPU
az containerapp create \
  --name myapp-gpu \
  --resource-group MyRG \
  --environment myenv \
  --image myregistry.azurecr.io/ai-model:latest \
  --cpu 4 \
  --memory 8Gi \
  --gpu-type nvidia-a100 \
  --gpu-count 1 \
  --min-replicas 0 \
  --max-replicas 10 \
  --ingress external \
  --target-port 8080

GPU を使用した本番環境対応の Container App

az containerapp create \
  --name myapp-gpu-prod \
  --resource-group MyRG \
  --environment myenv \
  \
  # Container configuration
  --image myregistry.azurecr.io/ai-model:latest \
  --registry-server myregistry.azurecr.io \
  --registry-identity system \
  \
  # Resources
  --cpu 4 \
  --memory 8Gi \
  --gpu-type nvidia-a100 \
  --gpu-count 1 \
  \
  # Scaling
  --min-replicas 0 \
  --max-replicas 20 \
  --scale-rule-name http-scaling \
  --scale-rule-type http \
  --scale-rule-http-concurrency 10 \
  \
  # Networking
  --ingress external \
  --target-port 8080 \
  --transport http2 \
  --exposed-port 8080 \
  \
  # Security
  --registry-identity system \
  --env-vars "AZURE_CLIENT_ID=secretref:client-id" \
  \
  # Monitoring
  --dapr-app-id myapp \
  --dapr-app-port 8080 \
  --dapr-app-protocol http \
  --enable-dapr \
  \
  # Identity
  --system-assigned

Container Apps 環境の構成

ゾーン冗長性を備えた環境

az containerapp env create \
  --name myenv-prod \
  --resource-group MyRG \
  --location eastus \
  --logs-workspace-id <workspace-id> \
  --logs-workspace-key <workspace-key> \
  --zone-redundant true \
  --enable-workload-profiles true

ワークロードプロファイル（専用 GPU）

# Create environment with workload profiles
az containerapp env create \
  --name myenv-gpu \
  --resource-group MyRG \
  --location eastus \
  --enable-workload-profiles true

# Add GPU workload profile
az containerapp env workload-profile add \
  --name myenv-gpu \
  --resource-group MyRG \
  --workload-profile-name gpu-profile \
  --workload-profile-type GPU-A100 \
  --min-nodes 0 \
  --max-nodes 10

# Create container app with GPU profile
az containerapp create \
  --name myapp-dedicated-gpu \
  --resource-group MyRG \
  --environment myenv-gpu \
  --workload-profile-name gpu-profile \
  --image myregistry.azurecr.io/training-job:latest \
  --cpu 8 \
  --memory 16Gi \
  --min-replicas 1 \
  --max-replicas 5

GPU スケーリングルール

カスタム Prometheus スケーリング

az containerapp create \
  --name myapp-gpu-prometheus \
  --resource-group MyRG \
  --environment myenv \
  --image myregistry.azurecr.io/ai-model:latest \
  --cpu 4 \
  --memory 8Gi \
  --gpu-type nvidia-a100 \
  --gpu-count 1 \
  --min-replicas 0 \
  --max-replicas 10 \
  --scale-rule-name gpu-utilization \
  --scale-rule-type custom \
  --scale-rule-custom-type prometheus \
  --scale-rule-metadata \
    serverAddress=http://prometheus.monitoring.svc.cluster.local:9090 \
    metricName=gpu_utilization \
    threshold=80 \
    query="avg(nvidia_gpu_utilization{app='myapp'})"

キューベースのスケーリング（Azure Service Bus）

az containerapp create \
  --name myapp-queue-processor \
  --resource-group MyRG \
  --environment myenv \
  --image myregistry.azurecr.io/batch-processor:latest \
  --cpu 4 \
  --memory 8Gi \
  --gpu-type nvidia-t4 \
  --gpu-count 1 \
  --min-replicas 0 \
  --max-replicas 50 \
  --scale-rule-name queue-scaling \
  --scale-rule-type azure-servicebus \
  --scale-rule-metadata \
    queueName=ai-jobs \
    namespace=myservicebus \
    messageCount=5 \
  --scale-rule-auth connection=servicebus-connection

Dapr の統合

Container App で Dapr を有効化する

az containerapp create \
  --name myapp-dapr \
  --resource-group MyRG \
  --environment myenv \
  --image myregistry.azurecr.io/myapp:latest \
  --enable-dapr \
  --dapr-app-id myapp \
  --dapr-app-port 8080 \
  --dapr-app-protocol http \
  --dapr-http-max-request-size 4 \
  --dapr-http-read-buffer-size 4 \
  --dapr-log-level info \
  --dapr-enable-api-logging true

Dapr の状態ストア（Azure Cosmos DB）

# Create Dapr component for state store
apiVersion: dapr.io/v1alpha1
kind: Component
metadata:
  name: statestore
spec:
  type: state.azure.cosmosdb
  version: v1
  metadata:
    - name: url
      value: "https://mycosmosdb.documents.azure.com:443/"
    - name: masterKey
      secretRef: cosmosdb-key
    - name: database
      value: "mydb"
    - name: collection
      value: "state"

# Create the component
az containerapp env dapr-component set \
  --name myenv \
  --resource-group MyRG \
  --dapr-component-name statestore \
  --yaml component.yaml

Dapr Pub/Sub（Azure Service Bus）

apiVersion: dapr.io/v1alpha1
kind: Component
metadata:
  name: pubsub
spec:
  type: pubsub.azure.servicebus.topics
  version: v1
  metadata:
    - name: connectionString
      secretRef: servicebus-connection
    - name: consumerID
      value: "myapp"

サービス間呼び出し

# Python example using Dapr SDK
from dapr.clients import DaprClient

with DaprClient() as client:
    # Invoke another service
    response = client.invoke_method(
        app_id='other-service',
        method_name='process',
        data='{"input": "data"}'
    )

    # Save state
    client.save_state(
        store_name='statestore',
        key='mykey',
        value='myvalue'
    )

    # Publish message
    client.publish_event(
        pubsub_name='pubsub',
        topic_name='orders',
        data='{"orderId": "123"}'
    )

AI モデルのデプロイパターン

OpenAI 互換エンドポイント

# Dockerfile for vLLM model serving
FROM vllm/vllm-openai:latest

ENV MODEL_NAME="meta-llama/Llama-3.1-8B-Instruct"
ENV GPU_MEMORY_UTILIZATION=0.9
ENV MAX_MODEL_LEN=4096

CMD ["--model", "${MODEL_NAME}", \
     "--gpu-memory-utilization", "${GPU_MEMORY_UTILIZATION}", \
     "--max-model-len", "${MAX_MODEL_LEN}", \
     "--port", "8080"]

# Deploy vLLM model
az containerapp create \
  --name llama-inference \
  --resource-group MyRG \
  --environment myenv \
  --image vllm/vllm-openai:latest \
  --cpu 8 \
  --memory 32Gi \
  --gpu-type nvidia-a100 \
  --gpu-count 1 \
  --min-replicas 1 \
  --max-replicas 5 \
  --target-port 8080 \
  --ingress external \
  --env-vars \
    MODEL_NAME="meta-llama/Llama-3.1-8B-Instruct" \
    GPU_MEMORY_UTILIZATION="0.9" \
    HF_TOKEN=secretref:huggingface-token

Stable Diffusion による画像生成

az containerapp create \
  --name stable-diffusion \
  --resource-group MyRG \
  --environment myenv \
  --image myregistry.azurecr.io/stable-diffusion:latest \
  --cpu 4 \
  --memory 16Gi \
  --gpu-type nvidia-a100 \
  --gpu-count 1 \
  --min-replicas 0 \
  --max-replicas 10 \
  --target-port 7860 \
  --ingress external \
  --scale-rule-name http-scaling \
  --scale-rule-type http \
  --scale-rule-http-concurrency 1

バッチ処理ジョブ

az containerapp job create \
  --name batch-training-job \
  --resource-group MyRG \
  --environment myenv \
  --trigger-type Manual \
  --image myregistry.azurecr.io/training:latest \
  --cpu 8 \
  --memory 32Gi \
  --gpu-type nvidia-a100 \
  --gpu-count 2 \
  --parallelism 1 \
  --replica-timeout 7200 \
  --replica-retry-limit 3 \
  --env-vars \
    DATASET_URL="https://mystorage.blob.core.windows.net/datasets/train.csv" \
    MODEL_OUTPUT="https://mystorage.blob.core.windows.net/models/" \
    EPOCHS="100"

# Execute job
az containerapp job start \
  --name batch-training-job \
  --resource-group MyRG

監視と可観測性

Application Insights の統合

az containerapp create \
  --name myapp-monitored \
  --resource-group MyRG \
  --environment myenv \
  --image myregistry.azurecr.io/myapp:latest \
  --env-vars \
    APPLICATIONINSIGHTS_CONNECTION_STRING=secretref:appinsights-connection

ログのクエリ

# Stream logs
az containerapp logs show \
  --name myapp-gpu \
  --resource-group MyRG \
  --follow

# Query with Log Analytics
az monitor log-analytics query \
  --workspace <workspace-id> \
  --analytics-query "ContainerAppConsoleLogs_CL | where ContainerAppName_s == 'myapp-gpu' | take 100"

メトリックとアラート

# Create metric alert for GPU usage
az monitor metrics alert create \
  --name high-gpu-usage \
  --resource-group MyRG \
  --scopes $(az containerapp show -g MyRG -n myapp-gpu --query id -o tsv) \
  --condition "avg Requests > 100" \
  --window-size 5m \
  --evaluation-frequency 1m \
  --action <action-group-id>

セキュリティのベストプラクティス

マネージド ID

# Create with system-assigned identity
az containerapp create \
  --name myapp-identity \
  --resource-group MyRG \
  --environment myenv \
  --system-assigned \
  --image myregistry.azurecr.io/myapp:latest

# Get identity principal ID
IDENTITY_ID=$(az containerapp show -g MyRG -n myapp-identity --query identity.principalId -o tsv)

# Assign role to access Key Vault
az role assignment create \
  --assignee $IDENTITY_ID \
  --role "Key Vault Secrets User" \
  --scope /subscriptions/<sub-id>/resourceGroups/MyRG/providers/Microsoft.KeyVault/vaults/mykeyvault

# Use user-assigned identity
az identity create --name myapp-identity --resource-group MyRG
IDENTITY_RESOURCE_ID=$(az identity show -g MyRG -n myapp-identity --query id -o tsv)

az containerapp create \
  --name myapp-user-identity \
  --resource-group MyRG \
  --environment myenv \
  --user-assigned $IDENTITY_RESOURCE_ID \
  --image myregistry.azurecr.io/myapp:latest

シークレット管理

# Add secrets
az containerapp secret set \
  --name myapp-gpu \
  --resource-group MyRG \
  --secrets \
    huggingface-token="<token>" \
    api-key="<key>"

# Reference secrets in environment variables
az containerapp update \
  --name myapp-gpu \
  --resource-group MyRG \
  --set-env-vars \
    HF_TOKEN=secretref:huggingface-token \
    API_KEY=secretref:api-key

コストの最適化

ゼロへのスケールの構成

az containerapp create \
  --name myapp-scale-zero \
  --resource-group MyRG \
  --environment myenv \
  --image myregistry.azurecr.io/myapp:latest \
  --min-replicas 0 \
  --max-replicas 10 \
  --scale-rule-name http-scaling \
  --scale-rule-type http \
  --scale-rule-http-concurrency 10

コスト削減：リクエストの処理中にのみ料金が発生します。GPU の料金は、アクティブな場合に秒単位で課金されます。

リソースの適正化

# Start with minimal resources
--cpu 2 --memory 4Gi --gpu-count 1

# Monitor and adjust based on actual usage
az monitor metrics list \
  --resource $(az containerapp show -g MyRG -n myapp-gpu --query id -o tsv) \
  --metric "CpuPercentage,MemoryPercentage"

Spot／プリエンプティブル GPU の使用（将来の機能）

利用可能になったら、重要度の低いワークロードでスポットインスタンスを構成すると、GPU コストを最大 80％ 削減できます。

トラブルシューティング

リビジョンの状態を確認する

az containerapp revision list \
  --name myapp-gpu \
  --resource-group MyRG \
  --output table

リビジョンの詳細を表示する

az containerapp revision show \
  --name <revision-name> \
  --app myapp-gpu \
  --resource-group MyRG

Container App を再起動する

az containerapp update \
  --name myapp-gpu \
  --resource-group MyRG \
  --force-restart

GPU を利用できない

GPU がプロビジョニングされない場合：

1. リージョンの利用可否を確認します：すべてのリージョンが GPU をサポートしているわけではありません
2. クォータを確認します：必要に応じてクォータの引き上げを申請します
3. ワークロードプロファイルを確認します：GPU ワークロードプロファイルが作成されていることを確認します

ベストプラクティス

✓ 間欠的なワークロードにはスケール・トゥ・ゼロを使用します ✓ ヘルスプローブ（ライブネスとレディネス）を実装します ✓ 認証にはマネージド ID を使用します ✓ シークレットは Azure Key Vault に保存します ✓ マイクロサービスのパターンには Dapr を有効にします ✓ 適切なスケーリングルールを構成します ✓ GPU の使用率を監視し、リソースを調整します ✓ バッチ処理には Container Apps のジョブを使用します ✓ 一時的な障害に備えて再試行ロジックを実装します ✓ 可観測性には Application Insights を使用します

参考資料

• Container Apps の GPU ドキュメント
• Dapr の統合
• スケーリングルール
• Build 2025 の発表

GPU をサポートする Azure Container Apps は、AI/ML ワークロードに最適なサーバーレスプラットフォームです！