Konfigurieren von Raster-Analysen

In der Raster-Analyse sind Werkzeuge und Funktionen für Vorbearbeitung, Orthorektifizierung und Mosaikieren, Fernerkundungsanalyse und eine umfassende Palette an mathematischen und trigonometrischen Operatoren integriert. Mit benutzerdefinierten Funktionen können Sie die Analysemöglichkeiten Ihrer Organisation noch mehr erweitern.

Die Raster-Analyse wurde auch entwickelt, um die Kollaboration und Freigabe zu vereinfachen und zu optimieren. Benutzer in der gesamten Organisation können Daten, Verarbeitungsmodelle und Fachkenntnisse zu einem Bilddatenprojekt beitragen und Ergebnisse mit Einzelpersonen, Abteilungen und Organisationen in Ihrem Unternehmen gemeinsam nutzen.

Einführung in die Raster-Analyse

Die Raster-Analyse in ArcGIS Enterprise on Kubernetes ist ein flexibles System für die Verarbeitung, Speicherung und Freigabe von Raster-Daten, das die verteilte Verarbeitung und Speicherung der Daten nutzt. Die Anwendung von Raster-Analyse-Werkzeugen und Raster-Funktionen in ArcGIS ermöglicht Ihnen das Erstellen von benutzerdefinierten Funktionen und Werkzeugen oder das Kombinieren mehrerer Werkzeuge und Funktionen in Raster-Verarbeitungsketten, um benutzerdefinierte Algorithmen auf umfangreiche Sammlungen von Raster-Daten anzuwenden. Quelldaten und verarbeitete Ergebnisse werden in Ihrem Unternehmen entsprechend Ihren Anforderungen und Prioritäten gespeichert, veröffentlicht und freigegeben.

Dieses umfangreiche Funktionsspektrum kann durch Nutzung der Funktionen und Ressourcen des Cloud-Computing noch erweitert werden. Das Resultat sind Bildbearbeitungs- und Analyseaufträge, die statt in Tagen oder Wochen nun in Minuten oder Stunden ausgeführt werden können. Aufträge, die früher zu groß oder umfangreich waren, sind jetzt realisierbar.

Tipp:

Cloud-Datenspeicherung ist eine Voraussetzung für lokale und Cloud-Bereitstellungen. Sie dient zur Speicherung der Raster-Analyseausgaben.

Vergewissern Sie sich, dass Ihr Administrator genügend Ressourcenkontingente und Worker-Knoten zugewiesen hat, um diese Premium-Funktion zu unterstützen.

Aktivieren von Raster-Analysen

Die folgenden Konfigurationsschritte erfordern möglicherweise Änderungen an der Art der Bereitstellung von ArcGIS in Ihrer Organisation. Lesen Sie sie sorgfältig durch, bevor Sie den Vorgang fortsetzen. Führen Sie die folgenden Schritte aus, um die Raster-Analyse als Funktion für die Organisation zu aktivieren.

1. Stellen Sie sicher, dass Ihre Organisation über beide erforderlichen Raster-Speicher verfügt: Einen Cloud-Speicher und einen Data Store vom Typ "relational".

   Der Cloud-Speicher wird zur Speicherung der Raster-Analyseausgabe verwendet. Wenn Ihre Organisation in einer Cloud-Umgebung bereitgestellt wird, empfiehlt sich die Verwendung eines Cloud-Speicherservice desselben Cloud-Providers. Der Data Store vom Typ "relational" wird für die Speicherung von Mosaik-Datasets verwendet, wenn ein gehosteter Bilddaten-Layer erstellt wird oder die Raster-Analyse eine Sammlung als Ausgabe erzeugt. Weitere Informationen zum Hinzufügen eines Raster-Speichers finden Sie unter Verwalten von Raster-Speichern.

2. Klicken Sie in ArcGIS Enterprise Manager auf die Schaltfläche Funktionen auf der Seitenleiste.

   Die Seite mit den Funktionen wird angezeigt.

3. Aktivieren Sie die Umschaltfläche Raster-Analysen.

   Eine Meldung weist darauf hin, dass der Aktivierungsvorgang einige Zeit in Anspruch nehmen kann.

4. Klicken Sie auf Aktivieren.

   Es wird eine Anforderung zum Aktivieren der Raster-Analyse übermittelt. Im Rahmen dieses Vorgangs werden die Voraussetzungen geprüft und die unterstützenden Ressourcen aktiviert. Die folgenden Systemdienste werden automatisch gestartet:

   • RasterAnalysisTools
   • RasterProcessing
   • RasterProcessingGPU
   • RasterRendering

Sollte beim Aktivieren der Funktion ein Fehler auftreten, wiederholen Sie die obigen Schritte, um sicherzustellen, dass die Raster-Speicher hinzugefügt wurden, die Lizenz für Raster-Analysen gültig und verfügbar ist und die Systemdienste gestartet wurden. In den Protokollen finden Sie die Anforderungen für diese Funktion.

Damit ist die Konfiguration von Raster-Analysen abgeschlossen. Sie können nun Raster-Analysewerkzeuge verwenden und Bilddaten in Ihrer Organisation hosten. Erfahren Sie, wie Sie die Raster-Analyse und Deep Learning nutzen können.

Im Folgenden finden Sie auch Informationen dazu, wie Sie Workflows für die Raster-Analyse optimieren können.

Aktivieren von GPU-Ressourcen für Raster-Analysen

Raster-Analysen, insbesondere Deep-Learning-Analysen und KI-Werkzeuge, können Grafikprozessor-Ressourcen (GPU) in Ihrem Cluster nutzen. Sie können GPU-Ressourcen konfigurieren, um die Performance von Deep-Learning-Modellen und -Inferenzwerkzeugen zu verbessern. Für Deep Learning bieten GPUs Verarbeitungsgeschwindigkeit, Ressourceneffizienz und Skalierbarkeit für Ihre Organisation. Da sie massive parallele Berechnungen durchführen können, sind GPUs für Raster-Analysen und Deep Learning unverzichtbar. Einzelne Services funktionieren für beide Tasks besser, wenn für jeden Service GPUs konfiguriert sind.

Führen Sie die nachfolgenden Schritte mithilfe eines Cluster-Administrators durch, um GPU-Ressourcen für die Raster-Analyse in Ihrer Organisation zu aktivieren:

1. Aktivieren Sie die GPU für Knoten in Ihrem Kubernetes-Cluster.

   Es wird empfohlen, eine benutzerdefinierte Beschriftung für die GPU-Knoten zu erstellen. Um einen Knoten beispielsweise mit dem Namen node1 mit dem Schlüssel raster und dem Wert GPU zu versehen, verwenden Sie den folgenden Befehl:

   kubectl label nodes node1 raster=GPU
   

2. Melden Sie sich bei ArcGIS Enterprise Manager als Administrator an.
3. Stellen Sie sicher, dass die Raster-Analyse aktiviert ist.
4. Verwenden Sie die Einstellungen für die Pod-Platzierung, um sicherzustellen, dass Services, die eine GPU erfordern, für GPU-fähige Knoten geplant werden.

   Es gibt zwei Raster-Analyse-Services, die GPU-Knoten für die Datenverarbeitung nutzen können: RasterAnalysisTools und RasterProcessingGPU. Es wird empfohlen, die Pod-Platzierung für den Service RasterProcessingGPU so zu konfigurieren, dass die GPU genutzt werden kann. Wenn Ihre Workflows das Trainieren von Modellen beinhalten, wird empfohlen, auch die Pod-Platzierung für den Service RasterAnalysisTools zu konfigurieren.

   1. Klicken Sie auf Services > Systemservices
   2. Klicken Sie auf den Namen des Service und anschließend auf Pod-Platzierung.
   3. Um eine Knotenaffinitätsregel anzuwenden, mit der sichergestellt wird, dass die Pods des Service auf GPU-Knoten geplant werden, geben Sie im Abschnitt Knotenaffinität die folgenden Informationen an, und klicken Sie auf Hinzufügen:
      • Typ: Erforderlich
      • Schlüssel: Geben Sie den Schlüssel an, der zur Beschriftung des GPU-Knotens verwendet wird, z. B. raster.
      • Operator: In
      • Wert: Geben Sie den Wert an, der für die Beschriftung des GPU-Knotens verwendet wird, z. B. GPU.
   4. Um sicherzustellen, dass Ihre Raster-Analyse-Workloads auf GPU-Knoten ausgeführt werden können und gleichzeitig andere Workloads mithilfe von Taints von diesen Knoten ausgeschlossen werden, geben Sie die folgenden Informationen im Abschnitt Toleranzen ein, und klicken Sie auf Hinzufügen:
      • Effekt: Keine Ausführung
      • Schlüssel: nvidia.com/gpu
      • Operator: Ist vorhanden

   5. Klicken Sie auf Speichern, und warten Sie, bis die Pods geplant sind.

      Vorsicht:

      Es ist wichtig abzuwarten, bis die Pods geplant sind, bevor Sie fortfahren. Andernfalls können die Pods im Status "Ausstehend" blockiert werden, da Kubernetes keine geeigneten Knoten finden kann, die den GPU-Anforderungen und Platzierungsregeln entsprechen.

5. Aktivieren Sie die GPU für alle Services, die für die Verwendung der GPU konfiguriert werden sollen.
   1. Klicken Sie oben auf der Seite "Service" auf Einstellungen.
   2. Aktivieren Sie GPU aktivieren.
   3. Klicken Sie auf Speichern.
6. Sie können die GPU-Knoten optional mit einem Taint kennzeichnen, um sicherzustellen, dass andere Workloads nicht für GPU-fähige Knoten geplant werden.

   kubectl taint nodes <your-node-name> nvidia.com/gpu=Exists:NoExecute
   

Optimieren von Raster-Analysen

Beachten Sie für eine optimale Performance und Skalierbarkeit der Raster-Analyse die folgenden Empfehlungen:

• Verwenden Sie beim Erstellen Ihrer Organisation einen Cloud-Speicherservice für den Objektspeicher.
• Vergrößern Sie die Anzahl der Worker-Knoten. Für Premiumfunktionen wie die Raster-Analyse ist mindestens ein zusätzlicher Worker-Knoten für jedes Architekturprofil erforderlich, um die zusätzlichen Funktionen zu unterstützen. Ermitteln Sie gemeinsam mit Ihrem Administrator, welches Architekturprofil bei der Erstellung der Organisation ausgewählt wurde, und erhöhen Sie die Anzahl der Worker-Knoten entsprechend. Je nach der Analyse, die durchgeführt werden soll, benötigen Sie möglicherweise mehr als einen zusätzlichen Knoten.
• Verwenden Sie wenn möglich GPU-fähige Knoten. Konfigurieren Sie optional die Knotenaffinität und Toleranzen, um GPU-Workloads ausschließlich auf GPU-Knoten auszuführen. Dies ist bei der Durchführung von Deep-Learning- und KI-Workflows besonders wichtig.
• Durch Anpassung von Service-Bereitstellungen mit zusätzlichen Pods und Ressourcen können Sie die Verfügbarkeit und den Durchsatz Ihrer Workflows wie folgt generell verbessern:
  • Skalieren Sie bei Workflows ohne Deep Learning und KI die Bereitstellung des RasterProcessing-Service.
  • Skalieren Sie bei der Durchführung von Workflows zum Trainieren von Modellen für Deep-Learning-Workflows die Bereitstellung des Service RasterAnalysisTools.
  • Skalieren Sie bei der Durchführung von Inferenzierungs-Workflows die Bereitstellung des RasterProcessingGPU-Service.
• Bei einigen Raster-Analysewerkzeugen wird die Datenverarbeitung auf mehrere Worker-Pods verteilt, und während der Analyse werden temporäre Daten geschrieben. Verwenden Sie kurzlebige Volumes, wenn Sie verteilte Raster-Analysen für große Aufträge durchführen, bei denen Daten zur Verarbeitung in einen temporären Speicher geladen werden müssen. Nähere Informationen finden Sie unter Konfigurieren kurzlebiger Volumes.
• Beim Ausführen von Raster-Analyseprozessen wird empfohlen, eine niedrigere Protokollierungsebene als Debuggen zu verwenden. Falls Sie kein Problem aktiv beheben, verwenden Sie die Ebene Warnung. Wenn Sie eine detailliertere Protokollierung benötigen, verwenden Sie stattdessen eine andere Protokollierungsebene.
• Sie können ggf. einen Faktor für parallele Verarbeitung festlegen, um die Anzahl der Instanzen des Service "Raster-Verarbeitung" zu steuern, die für die Verarbeitung der Daten herangezogen werden können.
• Je nach Art des Analyse-Workflows und der Größe der verarbeiteten Daten, müssen die Speicherkapazitäten möglicherweise überwacht und ggf. erhöht werden. Bei Deep-Learning- und KI-Workflows wird beispielsweise für größere Batches mehr Speicher benötigt.
• Für Raster-Analyse-Werkzeuge sind voreingestellte Limits festgelegt. Für bestimmte Aufträge sind möglicherweise zusätzliche Kapazitäten erforderlich, damit die Werkzeuge ordnungsgemäß funktionieren. Sie können die Skalierungseigenschaften bearbeiten, um den Speicher für verschiedene Microservices zu erhöhen.