AI解説

出版社版: https://doi.org/10.29007/f8vp（運用: jupyterhub.uni-muenster.de） 情報源: 全文（PDF・8頁）を精読して検証済み。OpenStack+Ceph の WWU Cloud、ベアメタル Kubernetes（Cluster API + Metal3.io + OpenStack Ironic）、KubeSpawner、vGPU=VFIO mdev（NVIDIA GRID）で CUDA ネイティブ実行、VirtualGL+noVNC、CPU 15倍/RAM 1.5倍オーバーコミット、を確認。

一言で

ドイツ・ミュンスター大学の IT 部門が、自前のオンプレ クラウド（OpenStack 上のベアメタル Kubernetes）の上に JupyterHub を構築し、GPU を使う機械学習とブラウザ越しの 3D 可視化まで提供した運用報告。各ユーザを 1 Pod として KubeSpawner で起動し、セッション内で vGPU を使って CUDA コードをネイティブに走らせ、X11 の 3D アプリは VirtualGL + noVNC でブラウザにストリーミングする——「クライアント側に何も要らない」のが売り。

背景・問題

大学の IT 部門として、学生・教員・研究者に計算環境を提供したい。困りごとは、

• 一般的な JupyterHub は CPU 中心で、GPU 機械学習や3D 可視化のような重い・特殊なワークロードを素直に扱えない。
• 3D 可視化は通常、ローカルに GPU と専用ソフトが要り、ブラウザだけでは動かない。
• 大学のデータを外部クラウドに出さず、オンプレで完結させたい（コスト・データ主権）。

問題は「オンプレ クラウド上の JupyterHub で、GPU ML と 3D 可視化までを”クライアント要件ゼロ”で提供する標準構成がない」こと。

提案手法（システム構成＝やったこと）

土台はハイパーコンバージド（計算＋ストレージ＋GPU を同居）な OpenStack「WWU Cloud」。その上にベアメタル Kubernetes クラスタを敷き（将来は Cluster API + OpenStack Ironic へ移行）、ストレージは Ceph。

• JupyterHub × KubeSpawner：ログインした各ユーザに 1 Pod を割り当てる。
• vGPU：セッションに仮想 GPU を割り当て、ユーザは Pod 内で CUDA コードをコンパイルしてネイティブ実行できる（機械学習）。
• 3D 可視化のサイドカー：VirtualGL + Xorg のサイドカーが、共有 GPU のフレームバッファ上で X11 アプリ（3D 可視化ソフト）をレンダリングし、その画面を noVNC でブラウザにストリーミングする。これによりクライアント側に GPU もソフトも不要になる。

直感：KubeSpawner で「1 ユーザ = 1 Pod」を実現するのは定番だが、本論文の独自色は (a) vGPU をセッションに通して CUDA をネイティブに動かすことと、(b) サーバ側 GPU で 3D をレンダリングして noVNC で配信すること。重い GPU 処理をサーバに集約し、ユーザはブラウザだけで使える。

数式・アルゴリズム

最適化ではなく運用アーキテクチャ。スタックの対応を書くと：OpenStack(WWU Cloud) → ベアメタル Kubernetes → JupyterHub/KubeSpawner → ユーザ Pod(+vGPU, +VirtualGL/Xorg サイドカー → noVNC)、ストレージは Ceph。

実験・結果（運用知見）

• GPU 機械学習（vGPU で CUDA ネイティブ実行）と 3D 可視化（VirtualGL→noVNC）を、同一の JupyterHub から提供できることを実証。
• クライアント要件ゼロ（ブラウザのみ）で 3D 可視化を実現——研究・教育の利用障壁を下げる。
• オンプレ OpenStack ＋ ベアメタル K8s ＋ Ceph という構成での運用知見（GPU 共有・サイドカー設計）を提示。
• jupyterhub.uni-muenster.de として実運用。

関連研究との関係（メモ）

• stubbs（TACC）（stubbs2020integrating）/ sarajlic（sarajlic2018scaling）/ zonca（zonca2018deploying）/ espinoza（espinoza2023deploying）：いずれも JupyterHub を Kubernetes/クラウドにデプロイする系。本論文はオンプレ OpenStack＋ベアメタル K8sかつ GPU ML と 3D 可視化に踏み込む点が独自。
• Cori/NERSC（thomas2021cori）：GPU/大規模計算を Jupyter から使う点は共通だが、あちらは Slurm/HPC ネイティブ、本論文は K8s/オンプレ クラウド。
• corc（munk2021corc）：大学が学内 JupyterHub に GPU を供給する動機を共有。corc はクラウド（OCI）へ動的にバースト、本論文はオンプレで完結、という対照。

Q&A

（自分がAIに実際に質問したことだけを Q/A 形式で残す。まだなし。）

自分のコメント

（ここは自分で都度書く欄。例：vGPU をセッションに通す方式は、自分が考える「実行中だけ GPU を割り当てる」設計（NotebookOS 的）とどう両立するか、Pod 常駐と GPU 共有の関係を確認したい。）