Sécuriser un espace de travail Azure Machine Learning à l’aide de réseaux virtuels

S’APPLIQUE À :Extension Azure ML CLI v2 (actuelle)Kit de développement logiciel (SDK) Python azure-ai-ml v2 (préversion)

Dans cet article, vous apprenez à sécuriser un espace de travail Azure Machine Learning et ses ressources associées dans un Réseau virtuel Azure.

Cet article fait partie d’une série sur la sécurisation d’un workflow Azure Machine Learning. Consultez les autres articles de cette série :

• Présentation du réseau virtuel
• Sécuriser l’environnement d’entraînement
• Sécuriser l’environnement d’inférence
• Activer les fonctionnalités de Studio
• Utiliser le DNS personnalisé
• Utiliser un pare-feu
• Isolation réseau de la plateforme d’API

Pour un tutoriel sur la création d’un espace de travail sécurisé, consultez Tutoriel : Créer un espace de travail sécurisé, Modèle Bicep ou Modèle Terraform.

Dans cet article, vous découvrirez comment activer les ressources d’espaces de travail suivantes dans un réseau virtuel :

Prérequis

• Lisez l’article Vue d’ensemble de la sécurité réseau pour comprendre les scénarios courants des réseaux virtuels et l’architecture globale des réseaux virtuels.

• Pour plus d’informations sur les meilleures pratiques, consultez Meilleures pratiques en lien avec Azure Machine Learning pour la sécurité de l’entreprise.

• Un réseau virtuel et un sous-réseau existants à utiliser avec vos ressources de calcul.

  Avertissement

  N’utilisez pas la plage d’adresses IP 172.17.0.0/16 pour votre réseau virtuel. Il s’agit de la plage de sous-réseaux par défaut utilisée par le réseau de pont Docker. Si vous l’utilisez pour votre réseau virtuel, des erreurs se produisent. D’autres plages peuvent également être en conflit, en fonction de ce que vous souhaitez connecter au réseau virtuel. Par exemple, si vous envisagez de connecter votre réseau local au réseau virtuel, et que votre réseau local utilise également la plage 172.16.0.0/16. Au bout du compte, il vous appartient de planifier votre infrastructure réseau.

• Pour déployer des ressources dans un réseau virtuel ou un sous-réseau, votre compte d’utilisateur doit disposer d’autorisations pour les actions suivantes dans le contrôle d’accès en fonction du rôle Azure (Azure RBAC) :

  • « Microsoft.Network/*/read » sur la ressource de réseau virtuel. Cette autorisation n’est pas nécessaire pour les déploiements de modèles Azure Resource Manager (ARM).
  • « Microsoft.Network/virtualNetworks/join/action » sur la ressource de réseau virtuel.
  • "Microsoft.Network/virtualNetworks/subnets/join/action" sur la ressource de sous-réseau.

  Pour plus d’informations sur Azure RBAC avec la mise en réseau, consultez Rôles intégrés pour la mise en réseau.

Azure Container Registry

• Vous devez disposer de la version Premium d’Azure Container Registry. Pour plus d'informations sur la mise à niveau, consultez Changer de référence SKU.

• Si votre instance Azure Container Registry utilise un point de terminaison privé, nous recommandons que celui-ci soit dans le même réseau virtuel que le compte de stockage et les cibles de calcul utilisés pour l’entraînement ou l'inférence. Toutefois, il peut également se trouver dans un réseau virtuel appairé.

  S’il utilise un point de terminaison de service, il doit être dans le même réseau virtuel et le même sous-réseau que le compte de stockage et les cibles de calcul.

• Votre espace de travail Azure Machine Learning doit contenir un cluster de calcul Azure Machine Learning.

Limites

Compte Azure Storage

• Si vous envisagez d’utiliser Azure Machine Learning studio et que le compte de stockage est également dans le réseau virtuel, des exigences de validation supplémentaires sont requises :

  • Si le compte de stockage utilise un point de terminaison de service, le point de terminaison privé de l’espace de travail et le point de terminaison du service de stockage doivent se trouver dans le même sous-réseau du réseau virtuel.
  • Si le compte de stockage utilise un point de terminaison privé, le point de terminaison privé de l’espace de travail et le point de terminaison privé du stockage doivent se trouver dans le même réseau virtuel. Dans ce cas, ils peuvent se trouver dans des sous-réseaux différents.

Azure Container Instances

Quand votre espace de travail Azure Machine Learning est configuré avec un point de terminaison privé, le déploiement sur Azure Container Instances dans un réseau virtuel n’est pas pris en charge. Au lieu de cela, envisagez d’utiliser un point de terminaison en ligne managé avec l’isolation réseau.

Azure Container Registry

Lorsque votre espace de travail Azure Machine Learning ou toute ressource est configurée avec un point de terminaison privé, une configuration du cluster de calcul géré par l’utilisateur peut être nécessaire pour les builds d’images d’environnement AzureML. Le scénario par défaut utilise le calcul serverless et est actuellement destiné aux scénarios réseau sans limite sur les ressources associées à l’espace de travail AzureML.

Azure Monitor

Accès Internet public obligatoire

Azure Machine Learning nécessite un accès entrant et sortant à l’Internet public. Les tableaux suivants fournissent une vue d’ensemble de l’accès requis et de son rôle. Pour les balises de service se terminant par .region, remplacez region par la région Azure qui contient votre espace de travail. Par exemple, Storage.westus:

Vous devrez peut-être également autoriser le trafic sortant vers des sites Visual Studio Code et non-Microsoft pour l’installation des packages requis par votre projet Machine Learning. Le tableau suivant répertorie les référentiels couramment utilisés pour l’apprentissage automatique :

Lorsque vous utilisez Azure Kubernetes Service (AKS) avec Azure Machine Learning, le trafic suivant doit être autorisé vers le réseau virtuel AKS :

• Exigences générales en entrée/sortie pour AKS, comme décrit dans l’article Restreindre le trafic sortant dans Azure Kubernetes Service.
• Sortant vers mcr.microsoft.com.
• Lors du déploiement d’un modèle sur un cluster AKS, suivez les instructions de l’article Déployer des modèles ML dans Azure Kubernetes Service.

Pour plus d’informations sur l’utilisation d’une solution de pare-feu, consultez Configurer la communication d’entrée et de sortie requise.

Sécuriser l’espace de travail avec point de terminaison privé

Azure Private Link vous permet de vous connecter à votre espace de travail à l’aide d’un point de terminaison privé. Le point de terminaison privé est un ensemble d’adresses IP privées au sein de votre réseau virtuel. Vous pouvez alors limiter l’accès à votre espace de travail pour qu’il ne se fasse que sur les adresses IP privées. Un point de terminaison privé permet de réduire le risque d’exfiltration de données.

Pour plus d’informations sur la configuration d’un point de terminaison privé pour votre espace de travail, consultez Guide pratique pour configurer un point de terminaison privé.

Sécuriser des comptes de Stockage Azure

Azure Machine Learning prend en charge les comptes de stockage configurés pour utiliser un point de terminaison privé ou un point de terminaison de service.

Sécuriser un coffre de clés Azure Key Vault

Azure Machine Learning utilise une instance Key Vault associée pour stocker les informations d’identification suivantes :

• Chaîne de connexion du compte de stockage associé
• Mots de passe pour les instances Azure Container Repository
• Chaînes de connexion aux magasins de données

Le coffre de clés Azure peut être configuré pour utiliser un point de terminaison privé ou un point de terminaison de service. Pour utiliser les fonctionnalités d’expérimentation Azure Machine Learning avec Azure Key Vault derrière un réseau virtuel, effectuez les étapes suivantes :

Activer ACR (Azure Container Registry)

Azure Container Registry peut être configuré pour utiliser un point de terminaison privé. Procédez comme suit pour configurer votre espace de travail afin qu’il utilise ACR quand il se trouve dans le réseau virtuel :

1. Recherchez le nom de l'instance Azure Container Registry de votre espace de travail en utilisant l'une des méthodes suivantes :

   • Azure CLI
   • Kit de développement logiciel (SDK) Python
   • Portail

   S’APPLIQUE À : Extension Azure CLI ml v2 (actuelle)

   Si vous avez installé l’extension Machine Learning v2 pour Azure CLI, vous pouvez utiliser la commande az ml workspace show pour afficher les informations de l’espace de travail. L’extension v1 ne retourne pas ces informations.

   az ml workspace show -n yourworkspacename -g resourcegroupname --query 'container_registry'
   

   Cette commande renvoie une valeur semblable "/subscriptions/{GUID}/resourceGroups/{resourcegroupname}/providers/Microsoft.ContainerRegistry/registries/{ACRname}". La dernière partie de la chaîne correspond au nom de l'instance Azure Container Registry de l'espace de travail.

2. Limitez l’accès à votre réseau virtuel à l’aide de la procédure décrite dans Établir une connexion privée à une instance Azure Container Registry. Lors de l'ajout du réseau virtuel, sélectionnez le réseau virtuel et le sous-réseau de vos ressources Azure Machine Learning.

3. Configurez l’ACR pour l’espace de travail afin d’autoriser l’accès de services approuvés.

4. Par défaut, Azure Machine Learning tente d’utiliser un calcul serverless pour générer l’image. Cela fonctionne uniquement lorsque les ressources dépendantes de l’espace de travail, telles que le compte de stockage ou Container Registry, ne sont pas soumises à une restriction réseau (points de terminaison privés). Si vos ressources dépendantes de l’espace de travail sont limitées au réseau, utilisez plutôt une image-build-compute.

5. Pour configurer un calcul de génération d’images, créez une référence SKU de processeur Azure Machine Learning cluster de calcul dans le même réseau virtuel que vos ressources dépendantes de l’espace de travail. Ce cluster peut ensuite être défini comme calcul de génération d’images par défaut et sera utilisé pour générer chaque image dans votre espace de travail à partir de ce point. Utilisez l’une des méthodes suivantes pour configurer l’espace de travail et créer des images Docker à l’aide du cluster de calcul.

   Important

   Les limitations suivantes s’appliquent lors de l’utilisation d’un cluster de calcul pour les builds d’image :

   • Seul un SKU UC est pris en charge.
   • Si vous utilisez un cluster de calcul configuré pour aucune adresse IP publique, vous devez proposer un moyen pour que le cluster accède à l’Internet public. L’accès à Internet est nécessaire pour accéder aux images stockées sur Microsoft Container Registry, aux packages installés sur Pypi, Conda, etc. Vous avez besoin de configurer le routage défini par l’utilisateur (UDR) pour atteindre une adresse IP publique afin d’accéder à Internet. Par exemple, vous pouvez utiliser l’adresse IP publique de votre pare-feu ou le service NAT de réseau virtuel avec une adresse IP publique. Pour plus d’informations, consultez Guide pratique pour entraîner de manière sécurisée dans un réseau virtuel.
   • Azure CLI
   • Kit de développement logiciel (SDK) Python
   • Portail

   Vous pouvez utiliser la commande az ml workspace update pour définir un calcul de création. La commande est la même pour les extensions Azure CLI v1 et v2 pour machine learning. Dans la commande suivante, remplacez myworkspace par le nom de votre espace de travail, myresourcegroup par le groupe de ressources qui contient l’espace de travail et mycomputecluster par le nom du cluster de calcul :

   az ml workspace update --name myworkspace --resource-group myresourcegroup --image-build-compute mycomputecluster
   

   Vous pouvez revenir au calcul serverless en exécutant la même commande et en référençant le calcul en tant qu’espace vide : --image-build-compute ''.

Sécuriser Azure Monitor et Application Insights

Pour activer l’isolement réseau pour Azure Monitor et l’instance Application Insights pour l’espace de travail, utilisez les étapes suivantes :

1. Ouvrez votre ressource Application Insights dans le Portail Azure. L’onglet Vue d’ensemble peut avoir ou non une propriété Espace de travail. S’il n’a pas la propriété, effectuez l’étape 2. Si c’est le cas, vous pouvez passer directement à l’étape 3.

   Conseil

   Les nouveaux espaces de travail créent une ressource Application Insights basée sur un espace de travail par défaut. Si votre espace de travail a été créé récemment, vous n’avez pas besoin d’effectuer l’étape 2.

2. Mettez à niveau l’instance Application Insights pour votre espace de travail. Pour connaître la procédure de mise à niveau, consultez Migrer vers des ressources Application Insights basées sur un espace de travail.

3. Créez une étendue de liaison privée Azure Monitor et ajoutez l’instance Application Insights de l’étape 1 à l’étendue. Pour plus d’informations, consultez Configurer votre liaison privée Azure Monitor.

Vous connecter à votre espace de travail de manière sécurisée

Pour vous connecter à un espace de travail sécurisé derrière un réseau virtuel, utilisez l’une des méthodes suivantes :

• Passerelle VPN Azure – Connecte des réseaux locaux au réseau virtuel via une connexion privée. La connexion est établie via l’Internet public. Il existe deux types de passerelles VPN que vous pouvez utiliser :

  • Point à site : chaque ordinateur client utilise un client VPN pour se connecter au réseau virtuel.
  • Site à site : un périphérique VPN connecte le réseau virtuel à votre réseau local.

• ExpressRoute – Connecte les réseaux locaux au cloud via une connexion privée. La connexion est établie à l’aide d’un fournisseur de connectivité.

• Bastion Azure – Dans ce scénario, vous créez une machine virtuelle Azure (parfois appelée « jump box ») à l’intérieur du réseau virtuel. Vous vous connectez ensuite à la machine virtuelle à l’aide d’Azure Bastion. Bastion vous permet de vous connecter à la machine virtuelle à l’aide d’une session RDP ou SSH à partir de votre navigateur web local. Vous utilisez ensuite la jump box comme environnement de développement. Comme elle figure dans le réseau virtuel, elle peut accéder directement à l’espace de travail. Pour obtenir un exemple d’utilisation d’une machine virtuelle jumpbox, consultez Tutoriel : Créer un espace de travail sécurisé.

Si vous rencontrez des problèmes de connexion à l’espace de travail, consultez Résoudre les problèmes de connectivité sécurisée de l’espace de travail.

Diagnostics de l’espace de travail

Vous pouvez exécuter des diagnostics sur votre espace de travail à partir d’Azure Machine Learning studio ou du kit de développement logiciel (SDK) Python. Une fois les diagnostics exécutés, une liste de tous les problèmes détectés est retournée. Cette liste contient des liens vers des solutions possibles. Pour plus d’informations, consultez Comment utiliser les diagnostics de l’espace de travail.

Accès public à l’espace de travail

Dans certains cas, vous devrez peut-être autoriser l’accès à l’espace de travail à partir du réseau public (sans vous connecter via le réseau virtuel à l’aide des méthodes détaillées dans la section Se connecter de manière sécurisée à votre espace de travail). L’accès via l’Internet public est sécurisé à l’aide de TLS.

Pour activer l’accès du réseau public à l’espace de travail, utilisez les étapes suivantes :

1. Activez l’accès public à l’espace de travail après avoir configuré le point de terminaison privé de l’espace de travail.
2. Configurez le pare-feu stockage Azure pour autoriser la communication avec l’adresse IP des clients qui se connectent via l’internet public. Vous devrez peut-être changer l’adresse IP autorisée si les clients n’ont pas d’IP statique. Par exemple, si l’un de vos Scientifiques des données travaille de chez lui et ne peut pas établir une connexion VPN au réseau virtuel.

Étapes suivantes

Cet article fait partie d’une série sur la sécurisation d’un workflow Azure Machine Learning. Consultez les autres articles de cette série :

• Présentation du réseau virtuel
• Sécuriser l’environnement d’entraînement
• Sécuriser l’environnement d’inférence
• Activer les fonctionnalités de Studio
• Utiliser le DNS personnalisé
• Utiliser un pare-feu
• Tutoriel : procédure de création d’un espace de travail sécurisé
• Modèle Bicep
• Modèle Terraform.
• Isolation réseau de la plateforme d’API