Rayサンドボックスで分散RayクラスタにgVisorの隔離環境を導入

Googleは、Anyscaleとのパートナーシップにより、Rayの試験運用版ライブラリを導入しました。Rayサンドボックスは、分散Rayクラスタへサンドボックス環境を直接提供し、gVisorがノード上の隔離を担います。日本語版は米国時間2026年8月26日の投稿の抄訳です。^[1]

モデルが生成したコードを、Rayクラスタ上で隔離して実行したい場合に関係する発表です。各ハイレベルサンドボックスはRayアクターとして表現され、Ray 2.58以降は使い慣れたRay APIで管理でき、GKEで試すためのユーザーガイドも用意されています。

Rayサンドボックスは、Anyscaleとのパートナーシップによる試験運用版ライブラリとして導入されました。隔離された実行のための新たな抽象化を導入せず、既存のRayプログラミングモデルに自然に馴染ませることを重要な設計目標としています。主な点は次のとおりです。

• Google Cloudの顧客はマルチモーダルデータパイプラインから最先端のRLまでRayを活用
• トレーニング後のワークロードをオーケストレートするための標準的なランタイムとしてRayが定着（Google Cloud）
• Google Cloudは安全で分離されたサンドボックスの大規模なオーケストレーションを課題と指摘
• 試験運用版ライブラリはネイティブで高性能なサンドボックス環境を分散Rayクラスタに直接提供（Google Cloud）
• 試験運用版ライブラリはGoogleで開発中のエージェント型AIテクノロジーを活用
• 各ハイレベルサンドボックスをRayアクターとして表現
• 配置、リソースの割り当て、作成と破棄、障害からの復旧は他のRayリソースと同様の管理が必要
• 周囲のワークロードに応じたスケーリングも他のRayリソースと同様の管理が必要
• Rayスケジューラが実行ノードを決めCPUとメモリを予約
• サンドボックスアクターが自身のライフサイクルを管理
• 初期サンドボックスランタイムはgVisor
• Ray 2.58以降はフレームワークの作成者と研究者がサンドボックス環境を管理できる
• その際は他のワークロードで使い慣れたRay APIやパターンをそのまま使える
• ローカルのgVisorサンドボックスをより詳細に制御する場合はSandboxRuntimeを利用できる

Google Cloudによると、強化学習のエコシステムでは、複雑なトレーニング後のワークフローを支える統合コンピューティングランタイムとしてRayの採用が急速に進んでいます。発表の基本情報を次の表にまとめます。

コードの書き方と隔離の仕組み、試し方と版の条件を押さえると、採用を検討しやすいと考えて次の観点を選びました。

難易度と緊急度は編集部が定めた非公式の目安です。難易度は、基礎がこの記事の説明だけで理解できる、中級がRayの基本的な使い方の知識が要る、上級がクラスタ運用や隔離技術の知識が要る水準です。緊急度は、高が試す前、中が導入の検討時、低が必要になったときに確認する目安です。

試す前に、版と提供状態、ノードの前提、ネットワークの既定値を確認します。^[2][3]

Rayの今後のバージョンでは、Agent SubstrateやKata Containersといった他のサンドボックスランタイムにもサポートを拡大する予定です。

Ray 2.58以降では、sandbox.createでサンドボックスを作成し、返されたアクターのハンドルからexecを呼び出します。

import ray
from ray.experimental import sandbox

ray.init()
# Create a gVisor sandbox environment and return an actor handle for a proxy actor
sb = sandbox.create(
    cpu=1.0,
    memory="512Mi",
    image="python:3.12-slim"
)
# Execute code inside the sandbox
result = ray.get(sb.exec.remote("python -c 'import sys; print(sys.version)'"))
print(result.stdout)

公式資料からの抜粋：分散 Ray クラスタに gVisor サンドボックスを導入（Ray プリミティブとしてのサンドボックス）。対象版・範囲：Ray 2.58以降。

Ray 2.58以降の試験運用版ライブラリでの指定は次のとおりです。

サンドボックスAPIは、エージェント型ワークロードに必要な次のライフサイクル管理に対応しています。

• OCIコンテナイメージからの環境作成
• CPUとメモリの上限設定
• 環境変数、作業ディレクトリ、ネットワーキングの構成
• コマンドの実行
• ファイルの読み取り、書き込み、アップロード、ダウンロード
• サンドボックスの状態の検査
• 環境の終了または削除

Ray 2.58以降では、SandboxRuntimeを使うと、ローカルのgVisorサンドボックスを直接操作し、gVisorへ渡す前のOCI仕様を編集できます。次のコードは、アクター内にローカルサンドボックスのプールを作る例です。

import ray
from ray.experimental.sandbox.runtime import SandboxRuntime

@ray.remote
class SandboxPool:
    def __init__(self, size: int = 3, image: str = "python:3.10-slim"):
        self.runtime = SandboxRuntime()
        self.sandboxes = [
            self.runtime.create(image=image, memory="512Mi")
            for _ in range(size)
        ]

    def run_command(self, index: int, command: str):
        return self.runtime.exec(self.sandboxes[index], command)

    def close(self):
        for sb_id in self.sandboxes:
            self.runtime.delete(sb_id)

# Deploy an actor managing a pool of local sandboxes
pool = SandboxPool.remote(size=3)
result = ray.get(pool.run_command.remote(0, "python3 -c 'print(\"Hello from pool!\")'"))
print(result.stdout)
ray.get(pool.close.remote())

公式資料からの抜粋：分散 Ray クラスタに gVisor サンドボックスを導入（Ray プリミティブとしてのサンドボックス）。対象版・範囲：Ray 2.58以降。

Rayサンドボックスは、GoogleのオープンソースのアプリケーションカーネルであるgVisorを、初期サンドボックスランタイムとして使います。その前提にある考え方は、次の引用のとおりです。

モデルが生成したコードを実行する際は、その環境内のコードを「信頼できないもの」として扱う必要があります。

出典:Google Cloud「分散 Ray クラスタに gVisor サンドボックスを導入」

gVisorの特徴と、GoogleとAnyscaleによる評価を観点別に整理します。

Rayサンドボックスの詳細はRayのドキュメントに、GKEで試す手順はユーザーガイドにあります。Step 1〜5と出力例は、Ray開発版ドキュメント（2026-09-22確認）の内容です。

Ray開発版ドキュメント（2026-09-22確認）の例です。GKEクラスタの作成、KubeRay operatorの導入、RayJobの適用と進み、Rayクラスタの準備ができてからPodとログを確認します。

gcloud container clusters create ray-sandbox-cluster \
    --region=us-central1 \
    --machine-type=e2-standard-16 \
    --num-nodes=3

公式資料からの抜粋：Deploy Ray sandboxes with KubeRay #（Deploy Ray sandboxes with KubeRay # / Step 1: Create a GKE cluster #）。対象版・範囲：Ray開発版ドキュメント（docs.ray.io/en/master、確認日2026-09-22時点）。

kubectl apply -f https://raw.githubusercontent.com/ray-project/kuberay/master/ray-operator/config/samples/ray-job.sandbox.yaml

公式資料からの抜粋：Deploy Ray sandboxes with KubeRay #（Deploy Ray sandboxes with KubeRay # / Step 3: Run sandboxes with a RayJob #）。対象版・範囲：Ray開発版ドキュメント（docs.ray.io/en/master、確認日2026-09-22時点）。

# List running job pods (wait for Ray cluster to be in ready state)
kubectl get pods -l job-name=rayjob-sandbox

# Stream the demo logs
kubectl logs -f -l job-name=rayjob-sandbox

公式資料からの抜粋：Deploy Ray sandboxes with KubeRay #（Deploy Ray sandboxes with KubeRay # / Step 3: Run sandboxes with a RayJob #）。対象版・範囲：Ray開発版ドキュメント（docs.ray.io/en/master、確認日2026-09-22時点）。

Ray開発版ドキュメントの手順で試す場合、編集部は次の表の2か所を出力例と照合することを勧めます。出力は例と似た形になるとされ、完全一致は前提にしません。

Ray開発版ドキュメント（2026-09-22確認）の出力例との照合先です。

Sandbox output:
=== Hello from inside Ray Sandbox! ===
Python Version : 3.12.14 (main, Aug 13 2026, 19:41:13) [GCC 14.2.0]
Platform       : Linux-4.19.0-gvisor-x86_64-with-glibc2.41

RayJob completed successfully!
2026-08-15 17:38:41,535	INFO sdk.py:520 -- WebSocket closed for job rayjob-sandbox-gz8j6 with close code 1000
2026-08-15 17:38:41,546	SUCC cli.py:66 -- ------------------------------------
2026-08-15 17:38:41,546	SUCC cli.py:67 -- Job 'rayjob-sandbox-gz8j6' succeeded
2026-08-15 17:38:41,546	SUCC cli.py:68 -- ------------------------------------

公式資料からの抜粋：Deploy Ray sandboxes with KubeRay #（Deploy Ray sandboxes with KubeRay # / Step 3: Run sandboxes with a RayJob #）。対象版・範囲：Ray開発版ドキュメント（docs.ray.io/en/master、確認日2026-09-22時点）。

書き込み保護は、Ray開発版ドキュメント（2026-09-22確認）の例です。sandbox.createで作成した稼働中のサンドボックスを前提に確認します。既定のreadonly=Trueでは/etcへの書き込みが失敗し、Read-only file systemが出ます。

# Assuming an active sandbox `sb = sandbox.create(...)`
# Attempting to modify /etc or rootfs will fail
res = ray.get(sb.exec.remote("touch /etc/hacked.txt"))
print(res.exit_code)  # Non-zero exit code
print(res.stderr)     # "Read-only file system"

公式資料からの抜粋：Deploy Ray sandboxes with KubeRay #（Deploy Ray sandboxes with KubeRay # / (Optional) Step 4: Verify isolation and security guarantees # / Filesystem write protection #）。対象版・範囲：Ray開発版ドキュメント（docs.ray.io/en/master、確認日2026-09-22時点）。

意見や要望は、GitHubのissueでのディスカッションで伝えられます。GoogleとAnyscaleは、強化学習におけるRayの未来を一緒に考えていこうと呼びかけています。