Azure Container Apps Dynamic Sessions proporciona acceso rápido a entornos sandbox seguros y aislados, ideales para ejecutar código generado por IA o aplicaciones que requieren aislamiento. Con inicio en milisegundos, gestión automática del ciclo de vida y escalado masivo, es la solución perfecta para escenarios de code interpreter, ejecución de agentes de IA o sandboxing de código no confiable.
Las Dynamic Sessions son entornos sandboxed que se ejecutan dentro de un session pool y proporcionan:
Características clave:
- Aislamiento Hyper-V: Cada sesión aislada en sandbox independiente
- Inicio ultra rápido: Nuevas sesiones en milisegundos (warm pool)
- Acceso REST API: Gestión simple vía HTTP endpoints
- Gestión automática: Limpieza automática tras inactividad
- Alta escalabilidad: Cientos/miles de sesiones concurrentes
- Network isolation opcional: Seguridad adicional para workloads críticos
Sesiones pre-configuradas para ejecutar código Python/Node.js sin gestionar infraestructura:
# Crear session pool con code interpreter
az containerapp sessionpool create \
--name my-code-interpreter-pool \
--resource-group my-rg \
--location eastasia \
--max-sessions 100 \
--container-type PythonLTS \
--cooldown-period 300
Casos de uso:
- Código generado por LLMs (ChatGPT, Claude, etc.)
- Evaluación de código de usuarios en SaaS apps
- Jupyter notebooks serverless
- Herramientas de IA (LangChain, LlamaIndex, Semantic Kernel)
Sesiones con contenedores personalizados para entornos especializados:
{
"type": "Microsoft.App/sessionPools",
"apiVersion": "2024-08-02-preview",
"name": "custom-session-pool",
"location": "eastus",
"properties": {
"environmentId": "/subscriptions/<SUB_ID>/resourceGroups/<RG>/providers/Microsoft.ContainerApps/environments/<ENV>",
"poolManagementType": "Dynamic",
"containerType": "CustomContainer",
"scaleConfiguration": {
"maxConcurrentSessions": 50,
"readySessionInstances": 10
},
"customContainerTemplate": {
"containers": [{
"image": "myregistry.azurecr.io/custom-sandbox:1.0",
"name": "sandbox",
"resources": {
"cpu": 0.5,
"memory": "1Gi"
}
}],
"ingress": {
"targetPort": 8080
}
},
"dynamicPoolConfiguration": {
"executionType": "Timed",
"cooldownPeriodInSeconds": 600
}
}
}
flowchart TB
A[Aplicación cliente] -->|REST API| B[Session Pool]
B -->|Asigna| C[Ready Session]
C -->|Hyper-V Isolation| D[Sandbox Container]
D -->|Ejecuta código| E[Results]
E -->|Devuelve| A
C -.->|Cooldown| F[Auto cleanup]
style C fill:#2ecc71
style D fill:#3498db
style F fill:#e74c3c
Flujo de ejecución:
- Cliente solicita sesión vía
identifier
- Si no existe → pool asigna sesión ready del warm pool
- Código se ejecuta en sandbox Hyper-V aislado
- Resultados se devuelven al cliente
- Tras cooldown sin actividad → limpieza automática
# Variables
RESOURCE_GROUP="aca-sessions-rg"
LOCATION="eastasia"
ENVIRONMENT_NAME="aca-sessions-env"
# Crear resource group y environment
az group create --name $RESOURCE_GROUP --location $LOCATION
az containerapp env create \
--name $ENVIRONMENT_NAME \
--resource-group $RESOURCE_GROUP \
--location $LOCATION
SESSION_POOL_NAME="ai-code-interpreter"
az containerapp sessionpool create \
--name $SESSION_POOL_NAME \
--resource-group $RESOURCE_GROUP \
--location $LOCATION \
--max-sessions 100 \
--container-type PythonLTS \
--cooldown-period 300
# Obtener endpoint del pool
SESSION_POOL_ENDPOINT=$(az containerapp sessionpool show \
-n $SESSION_POOL_NAME \
-g $RESOURCE_GROUP \
--query "properties.poolManagementEndpoint" \
-o tsv)
echo "Pool Management Endpoint: $SESSION_POOL_ENDPOINT"
POST https://<REGION>.dynamicsessions.io/subscriptions/<SUB_ID>/resourceGroups/<RG>/sessionPools/<POOL_NAME>/identifier/<SESSION_ID>/code/execute?api-version=2024-02-02-preview
Content-Type: application/json
Authorization: Bearer <TOKEN>
{
"properties": {
"codeInputType": "inline",
"executionType": "synchronous",
"code": "import pandas as pd\ndf = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})\nprint(df.describe())"
}
}
Respuesta:
{
"status": "Success",
"result": {
"stdout": " A B\ncount 3.0 3.0\nmean 2.0 5.0\nstd 1.0 1.0\nmin 1.0 4.0\n25% 1.5 4.5\n50% 2.0 5.0\n75% 2.5 5.5\nmax 3.0 6.0",
"stderr": "",
"executionTimeMs": 120
}
}
from langchain.agents import Tool
from langchain_azure_dynamic_sessions import SessionsPythonREPLTool
# Configurar tool con session pool
sessions_tool = SessionsPythonREPLTool(
pool_management_endpoint=SESSION_POOL_ENDPOINT
)
# Crear agente con herramienta
tools = [
Tool(
name="Python REPL",
func=sessions_tool.run,
description="Ejecuta código Python en sandbox seguro"
)
]
from llama_index.tools.azure_code_interpreter import AzureCodeInterpreterToolSpec
from llama_index.agent.react import ReActAgent
# Configurar tool
tool_spec = AzureCodeInterpreterToolSpec(
pool_management_endpoint=SESSION_POOL_ENDPOINT
)
# Crear agente
agent = ReActAgent.from_tools(
tool_spec.to_tool_list(),
llm=llm,
verbose=True
)
# Ejecutar query
response = agent.chat("Analiza este dataset CSV y crea un gráfico de tendencias")
# Actualizar session pool con network isolation
az containerapp sessionpool update \
--name $SESSION_POOL_NAME \
--resource-group $RESOURCE_GROUP \
--session-network-status EgressEnabled
Beneficios:
- Bloquea acceso saliente no autorizado
- Previene exfiltración de datos
- Compatible con VNet integration
- Logs de conexiones en Azure Monitor
{
"identity": {
"type": "UserAssigned",
"userAssignedIdentities": {
"<IDENTITY_RESOURCE_ID>": {}
}
},
"properties": {
"managedIdentitySettings": [{
"identity": "<IDENTITY_RESOURCE_ID>",
"lifecycle": "None"
}]
}
}
# Prompt del usuario
user_query = "Analiza ventas_2024.csv y muestra top 5 productos"
# Agent genera y ejecuta código
code_generated = """
import pandas as pd
df = pd.read_csv('/data/ventas_2024.csv')
top_products = df.groupby('producto')['ventas'].sum().nlargest(5)
print(top_products.to_string())
"""
# Ejecutar en dynamic session
response = execute_in_session(
session_id="analysis-001",
code=code_generated
)
# Usuario envía código no confiable
user_code = request.json.get('code')
# Ejecutar en sesión aislada con timeout
result = execute_code_safely(
code=user_code,
session_id=f"user-{user_id}",
timeout=30,
max_memory="512Mi"
)
if result['status'] == 'Success':
return jsonify(result['output'])
else:
return jsonify({'error': result['error']}), 400
# Crear sesión interactiva para notebook
notebook_session = create_session(
pool_name="jupyter-pool",
session_id=f"notebook-{session_token}",
idle_timeout=3600 # 1 hora
)
# Ejecutar celdas secuencialmente
for cell in notebook_cells:
result = execute_cell(
session_id=notebook_session,
code=cell['code']
)
cell['output'] = result
Limitaciones actuales:
- Max 100 sesiones concurrentes (configurable hasta 1000)
- Cooldown mínimo: 60 segundos
- Timeouts: 30 min por ejecución (synchronous), sin límite (asynchronous)
- Network isolation no soporta inbound connections
- Storage efímero (no persistente entre sesiones)
Pricing:
- Pago por uso: tiempo de sesión activa + vCPU/memory
- Warm pool incluido sin coste adicional
- Estimado: ~$0.03/hora por sesión estándar (0.25 vCPU, 0.5 Gi)
# Logs de sesiones en Log Analytics
az monitor log-analytics query \
--workspace $WORKSPACE_ID \
--analytics-query "ContainerAppSystemLogs_CL
| where ContainerAppName_s == '$SESSION_POOL_NAME'
| where TimeGenerated > ago(1h)
| project TimeGenerated, Log_s
| order by TimeGenerated desc"
- Dimensionamiento del pool:
readySessionInstances: 10-20% del maxConcurrentSessions-
Ajustar cooldownPeriod según patrón de uso (300-600s típico)
-
Gestión de sesiones:
- Usar session IDs únicos y descriptivos
- Implementar cleanup explícito tras finalizar
-
Monitorizar métricas de pool saturation
-
Seguridad:
- Habilitar network isolation para código no confiable
- Validar inputs antes de ejecutar código
- Limitar recursos (CPU/memory) por sesión
-
Revisar logs de ejecución regularmente
-
Cost optimization:
- Escalar
readySessionInstances dinámicamente según demanda
- Implementar timeout agresivo para sesiones idle
- Evaluar custom containers vs built-in (PythonLTS más económico)