JupyterHub
JupyterHub es un entorno de desarrollo multiusuario basado en iPython Notebooks que ofrece acceso a recursos computacionales compartidos en un servidor remoto, sin necesidad de instalación ni mantenimiento por parte de los usuarios. Los únicos requisitos para acceder a JupyterHub son: tener una cuenta de usuario en LIneA (consulte aquí cómo crear su cuenta) y un navegador con acceso a internet. Los llamados Jupyter Notebooks permiten combinar código interactivo, resultados de ejecución, texto explicativo y recursos multimedia en un solo documento.
Como parte de la Plataforma Científica LIneA, el JupyterHub de LIneA está integrado con otras herramientas de visualización (Science Server) y acceso a datos (User Query). De esta manera, todo el análisis de datos puede realizarse en línea dentro de la plataforma, desde la lectura, visualización, procesamiento hasta el análisis de resultados, sin necesidad de descargar los datos.
Al hacer clic en la tarjeta "JupyterHub" dentro de la Plataforma Científica LIneA, será dirigido a la página de inicio de sesión y luego a la página principal de JupyterHub que mostrará su perfil de usuario. Haga clic en el botón START para comenzar.
La instalación estándar de JupyterHub utiliza la nueva interfaz JupyterLab y se basa en la imagen datascience-notebook, extendida con las bibliotecas Astropy y dblinea (la biblioteca que conecta con la base de datos). Esto significa que varias bibliotecas populares de Python como Numpy y Matplotlib estarán automáticamente disponibles.
Soporte al usuario¶
Tutoriales en Jupyter Notebooks¶
En el repositorio jupyterhub-tutorial encontrará tutoriales en formato notebook:
1-primeiros-passos.ipynb¶
Instrucciones generales para usar la plataforma JupyterLab, consejos y atajos para escribir notebooks para diferentes tipos de celdas.
2-acesso-a-dados.ipynb¶
Instrucciones para usar la biblioteca dblinea para leer datos directamente desde la base de datos dentro de una celda del notebook con ejemplos de uso (construcción de un diagrama color-magnitud simple para una muestra de estrellas).
3-conda-env.ipynb¶
Instrucciones para crear entornos conda para gestionar bibliotecas que persistan y sobrevivan a la destrucción y recreación de contenedores, permitiendo a los usuarios volver en una nueva sesión y encontrar el mismo entorno que en la sesión anterior (no disponible para usuarios de perfil público bronce).
Para acceder a los notebooks, simplemente abra una Terminal en JupyterLab haciendo clic en el botón "+" en la barra superior y luego en el ícono "Terminal" en la sección "Other" de la pestaña "Launcher", e ingrese el comando:
git clone https://github.com/linea-it/jupyterhub-tutorial.git
Recursos Computacionales¶
Configuraciones disponibles para Jupyter over K8S Después de iniciar sesión en la plataforma, se mostrará un menú con hasta tres opciones de configuración. Solo seleccione y haga clic en Start My Server.
| Tamaño | CPUs | RAM |
|---|---|---|
| Small | 1.0 | 4 GiB |
| Medium | 2.0 | 8 GiB |
| Large | 4.0 | 16 GiB |
Configuración de servidores del entorno K8S La plataforma Jupyter se ejecuta sobre Kubernetes (K8S) y cuenta con 12 servidores físicos dedicados. Cada máquina está equipada con los siguientes recursos computacionales:
| Kubernetes Node Configuration | |
|---|---|
| RAM | 64 GB |
| Thread(s) per core | 2 |
| Core(s) per socket | 6 |
| Socket(s) | 2 |
Jupyter over K8S vs Jupyter over HPC
LIneA ofrece dos entornos separados de Jupyter Notebook. El primero se ejecuta en contenedores en la plataforma Kubernetes (K8S). El segundo está disponible en la plataforma Ondemand y accede directamente a la infraestructura HPC.