Déploiements Microsoft.Resources

Définition de ressource Bicep

Le type de ressource des déploiements peut être déployé avec des opérations qui ciblent :

• groupes de ressources - Consultez commandes de déploiement de groupes de ressources
• abonnements - Consultez commandes de déploiement d’abonnement
• groupes d’administration - Voir commandes de déploiement de groupe d’administration
• locataires - Consultez commandes de déploiement de locataire

Pour obtenir la liste des propriétés modifiées dans chaque version de l’API, consultez journal des modifications.

Remarques

Pour Bicep, envisagez de à l’aide de modules au lieu de ce type de ressource.

Format de ressource

Pour créer une ressource Microsoft.Resources/deployments, ajoutez le bicep suivant à votre modèle.

resource symbolicname 'Microsoft.Resources/deployments@2024-03-01' = {
  name: 'string'
  location: 'string'
  tags: {
    tagName1: 'tagValue1'
    tagName2: 'tagValue2'
  }
  scope: 'string'
  properties: {
    debugSetting: {
      detailLevel: 'string'
    }
    expressionEvaluationOptions: {
      scope: 'string'
    }
    mode: 'string'
    onErrorDeployment: {
      deploymentName: 'string'
      type: 'string'
    }
    parameters: {
      {customized property}: {
        reference: {
          keyVault: {
            id: 'string'
          }
          secretName: 'string'
          secretVersion: 'string'
        }
        value: any()
      }
    }
    parametersLink: {
      contentVersion: 'string'
      uri: 'string'
    }
    template: any()
    templateLink: {
      contentVersion: 'string'
      id: 'string'
      queryString: 'string'
      relativePath: 'string'
      uri: 'string'
    }
  }
  resourceGroup: 'string'
  subscriptionId: 'string'
}

Valeurs de propriété

Déploiements

DeploymentPropertiesOrDeploymentPropertiesExtended

DebugSetting

ExpressionEvaluationOptions

OnErrorDeploymentOrOnErrorDeploymentExtended

DeploymentPropertiesParameters

DeploymentParameter

KeyVaultParameterReference

KeyVaultReference

ParametersLink

TemplateLink

Modèles de démarrage rapide

Les modèles de démarrage rapide suivants déploient ce type de ressource.

Modèle	Description
Analyse de l’API Moesif et de monétisation	Le modèle journalisera les appels d’API de Gestion des API Azure à l’analytique des API Moesif et à la plateforme de monétisation
crée une application conteneur et un environnement avec le registre	Créez un environnement d’application conteneur avec une application conteneur de base à partir d’azure Container Registry. Il déploie également un espace de travail Log Analytics pour stocker les journaux.
crée une application de microservices Dapr à l’aide de Container Apps	Créez une application de microservices Dapr à l’aide de Container Apps.
Crée une application Dapr pub-sub servicebus à l’aide de Container Apps	Créez une application Dapr pub-sub servicebus à l’aide de Container Apps.
Server géré par le service Deired State Configuration	Ce modèle fournit un exemple de la façon de fournir une machine virtuelle et un compte Automation pour gérer la machine, dans un seul déploiement
Créer une règle d’alerte pour les éléments de continuité d’activité Azure	Ce modèle crée une règle d’alerte et une msi affectée par l’utilisateur. Il affecte également l’accès du lecteur MSI à l’abonnement afin que la règle d’alerte ait accès à l’interrogation des éléments protégés requis et des derniers détails du point de récupération.
crée un cluster Azure Stack HCI 23H2	Ce modèle crée un cluster Azure Stack HCI 23H2 à l’aide d’un modèle ARM.
crée un cluster Azure Stack HCI 23H2	Ce modèle crée un cluster Azure Stack HCI 23H2 à l’aide d’un modèle ARM, à l’aide d’une adresse IP de stockage personnalisée
crée un cluster Azure Stack HCI 23H2 en mode réseau switchless-double liaison	Ce modèle crée un cluster Azure Stack HCI 23H2 à l’aide d’un modèle ARM.
crée un cluster Azure Stack HCI 23H2 en mode réseau Switchless-SingleLink	Ce modèle crée un cluster Azure Stack HCI 23H2 à l’aide d’un modèle ARM.
cluster Redis sur des machines virtuelles Ubuntu	Ce modèle crée un cluster Redis sur des images de machine virtuelle Ubuntu, configure la persistance et applique des optimisations connues et des pratiques éprouvées
Front Door Premium avec l’origine App Service et le Private Link	Ce modèle crée un Front Door Premium et un App Service et utilise un point de terminaison privé pour Front Door afin d’envoyer du trafic à l’application.
Front Door Premium avec l’origine d’objets blob et le Private Link	Ce modèle crée un conteneur d’objets blob Front Door Premium et Stockage Azure et utilise un point de terminaison privé pour Front Door afin d’envoyer le trafic au compte de stockage.
Front Door Premium avec des de service de machine virtuelle et de liaison privée	Ce modèle crée une instance Front Door Premium et une machine virtuelle configurée en tant que serveur web. Front Door utilise un point de terminaison privé avec le service Private Link pour envoyer le trafic à la machine virtuelle.
Front Door Standard/Premium avec l’origine gestion des API	Ce modèle crée une instance Front Door Premium et gestion des API et utilise un groupe de sécurité réseau et une stratégie de gestion des API globale pour vérifier que le trafic est passé par l’origine Front Door.
Front Door Standard/Premium avec l’origine d’Application Gateway	Ce modèle crée une instance Front Door Standard/Premium et Application Gateway et utilise un groupe de sécurité réseau et une stratégie WAF pour vérifier que le trafic est passé par l’origine Front Door.
Front Door avec container Instances et application Gateway	Ce modèle crée un Front Door Standard/Premium avec un groupe de conteneurs et Application Gateway.
Front Door Standard/Premium avec l’origine Azure Functions	Ce modèle crée une application Front Door Standard/Premium, une application Azure Functions et configure l’application de fonction pour vérifier que le trafic est passé par l’origine Front Door.
Front Door Standard/Premium avec l’origine du site web statique	Ce modèle crée un site web statique Front Door Standard/Premium et un site web statique Stockage Azure et configure Front Door pour envoyer du trafic au site web statique.
crée un disque managé chiffré à partir d’un disque dur virtuel chiffré	Ce modèle vous permet de créer un disque managé chiffré à l’aide d’un disque dur virtuel et des paramètres de chiffrement chiffrés existants.
désactiver le chiffrement sur une machine virtuelle Windows en cours d’exécution	Ce modèle désactive le chiffrement sur une machine virtuelle Windows en cours d’exécution
Activer le chiffrement sur une machine virtuelle Windows en cours d’exécution & AAD	Ce modèle active le chiffrement sur une machine virtuelle Windows en cours d’exécution à l’aide de l’empreinte numérique du certificat client AAD. Le certificat doit avoir été déployé sur la machine virtuelle précédemment
GlassFish sur SUSE	Ce modèle déploie un cluster GlassFish (v3 ou v4) à charge équilibrée, constitué d’un nombre défini par l’utilisateur de machines virtuelles SUSE (OpenSUSE ou SLES).
déployer plusieurs groupes de machines virtuelles identiques de machines virtuelles Linux	Ce modèle vous permet de déployer plusieurs groupes de machines virtuelles identiques de machines virtuelles Linux.
Déployer plusieurs groupes de machines virtuelles identiques de machines virtuelles Windows	Ce modèle vous permet de déployer plusieurs groupes de machines virtuelles identiques de machines virtuelles Windows.
Déployer une machine virtuelle Linux simple et mettre à jour une adresse IP privée sur des statiques	Ce modèle vous permet de déployer une machine virtuelle Linux simple à l’aide d’Ubuntu à partir de la Place de marché. Cela déploie un réseau virtuel, un sous-réseau et une machine virtuelle de taille A1 dans l’emplacement du groupe de ressources avec une adresse IP affectée dynamiquement, puis le convertit en adresse IP statique.
Utiliser la sortie d’une extension de script personnalisé pendant le déploiement	Cela est utile pour le calcul de la machine virtuelle pour effectuer une tâche pendant le déploiement qu’Azure Resource Manager ne fournit pas. La sortie de ce calcul (script) peut ensuite être exploitée ailleurs dans le déploiement. Cela est utile si la ressource de calcul est nécessaire dans le déploiement (par exemple, un jumpbox, DC, etc.), un peu gaspille si ce n’est pas le cas.
Déployer une machine virtuelle Linux ou Windows avec msi	Ce modèle vous permet de déployer une machine virtuelle Linux ou Windows avec une identité de service managée.
machine virtuelle Linux avec MSI accédant au stockage	Ce modèle déploie une machine virtuelle Linux avec une identité managée affectée par le système qui a accès à un compte de stockage dans un autre groupe de ressources.
SQL Server 2014 SP2 Enterprise avec de sauvegarde automatique	Ce modèle crée une édition SQL Server 2014 SP2 Enterprise avec la fonctionnalité sauvegarde automatique activée
SQL Server 2014 SP1 Enterprise avec Azure Key Vault	Ce modèle crée une édition SQL Server 2014 SP1 Enterprise avec la fonctionnalité d’intégration d’Azure Key Vault activée.
attaque par virus sur les machines virtuelles	Cela déploie 2 machines virtuelles, OMS et d’autres ressources réseau. Une machine virtuelle sans protection de point de terminaison et une autre avec la protection enpoint installée. Effectuez l’attaque par virus en suivant les instructions et en exécutant le scénario d’atténuation et de prévention d’une attaque par virus.
Créer une passerelle de gestion des données et installer sur une machine virtuelle Azure	Ce modèle déploie une machine virtuelle et crée une passerelle de gestion des données utilisable
runtime d’intégration auto-hôte sur des machines virtuelles Azure	Ce modèle crée un runtime d’intégration selfhost et l’inscrit sur des machines virtuelles Azure
configuration de groupe identique de machines virtuelles gérée par Azure Automation	Déployez un groupe de machines virtuelles identiques dans lequel les machines virtuelles sont déployées en tant que nœuds inscrits dans le service Azure Automation Desired State Configuration et la configuration des nœuds est garantie après le déploiement. REMARQUE : Les conditions préalables requises et l’URL d’inscription sont disponibles uniquement après la création réussie d’un compte Azure Automation pour Azure Automation DSC.
VMSS Flexible Orchestration Mode Démarrage rapide Linux	Ce modèle déploie un groupe de machines virtuelles identiques simple avec des instances derrière un équilibreur de charge Azure. Le groupe de machines virtuelles identiques est en mode d’orchestration flexible. Utilisez le paramètre de système d’exploitation pour choisir le déploiement Linux (Ubuntu) ou Windows (Windows Server Datacenter 2019). REMARQUE : ce modèle de démarrage rapide permet l’accès réseau aux ports de gestion des machines virtuelles (SSH, RDP) à partir d’une adresse Internet et ne doit pas être utilisé pour les déploiements de production.
déployer une machine virtuelle Linux ou Windows avec MSI	Ce modèle vous permet de déployer un groupe de machines virtuelles identiques Linux ou Windows avec une identité de service managé. Cette identité est ensuite utilisée pour accéder aux services Azure.
serveur SFTP à la demande à l’aide d’un compte de stockage existant	Ce modèle illustre un serveur SFTP à la demande à l’aide d’azure Container Instance (ACI).
Déployer un cluster Kubernetes managé (AKS)	Ce modèle ARM illustre le déploiement d’une instance AKS avec des fonctionnalités réseau avancées dans un réseau virtuel existant. En outre, le principal de service choisi est affecté au rôle Contributeur réseau sur le sous-réseau qui contient le cluster AKS.
Déployer un cluster Kubernetes managé avec AAD (AKS)	Ce modèle ARM illustre le déploiement d’une instance AKS avec des fonctionnalités réseau avancées dans un réseau virtuel existant et l’entier Azure AD. En outre, le principal de service choisi est affecté au rôle Contributeur réseau sur le sous-réseau qui contient le cluster AKS.
hub FinOps	Ce modèle crée une instance de hub FinOps, notamment Data Lake Storage et Data Factory.
classeur finOps toolkit	Ce modèle crée un classeur Azure Monitor pour la gouvernance.
classeur d’optimisation des coûts	Ce modèle crée un classeur Azure Monitor pour l’optimisation des coûts en fonction de l’infrastructure Well-Architected.
étendre des ressources Azure existantes avec des fournisseurs personnalisés	Cet exemple explique en détail comment étendre des ressources Azure existantes et des modèles Resource Manager pour ajouter des charges de travail personnalisées.
Créer un observateur de base de données	Cet exemple crée un observateur de base de données pour Azure SQL et configure son magasin de données, ses cibles SQL et ses points de terminaison privés managés
Déployer un espace de travail Azure Databricks avec PE,CMK tous les formulaires	Ce modèle vous permet de créer un espace de travail Azure Databricks avec PrivateEndpoint et des services managés et CMK avec chiffrement DBFS.
modèle AzureDatabricks avec pare-feu de stockage par défaut	Ce modèle vous permet de créer un pare-feu de stockage par défaut activé pour l’espace de travail Azure Databricks avec Privateendpoint, les trois formes de CMK et le connecteur d’accès User-Assigned.
Déployer un espace de travail Azure Databricks avec toutes les 3 formes de CMK	Ce modèle vous permet de créer un espace de travail Azure Databricks avec des services managés et CMK avec chiffrement DBFS.
déployer une instance Azure Databricks WS avec CMK pour le chiffrement DBFS	Ce modèle vous permet de créer un espace de travail Azure Databricks avec CMK pour le chiffrement racine DBFS
déployer un espace de travail Azure Databricks avec des disques managés	Ce modèle vous permet de créer un espace de travail Azure Databricks avec la clé CMK Disques managés.
déployer l’espace de travail Azure Databricks avec managed Services CMK	Ce modèle vous permet de créer un espace de travail Azure Databricks avec managed Services CMK.
Créer une organisation Datadog	Ce modèle crée une ressource Datadog - Une ressource azure ISV Service et une organisation Datadog pour surveiller les ressources de votre abonnement.
Utiliser des extensions de script pour installer Mongo DB sur une machine virtuelle Ubuntu	Ce modèle déploie Configure et installe Mongo DB sur une machine virtuelle Ubuntu dans deux scripts distincts. Ce modèle est un bon exemple qui montre comment exprimer des dépendances entre deux scripts s’exécutant sur la même machine virtuelle. Ce modèle déploie également un compte de stockage, un réseau virtuel, des adresses IP publiques et une interface réseau.
Créer une passerelle de gestion des données haute disponibilité et installer sur des machines virtuelles Azure	Ce modèle déploie plusieurs machines virtuelles avec une passerelle de gestion des données haute disponibilité utilisable
Déployer un compte Data Lake Store avec chiffrement (Key Vault)	Ce modèle vous permet de déployer un compte Azure Data Lake Store avec le chiffrement des données activé. Ce compte utilise Azure Key Vault pour gérer la clé de chiffrement.
effectue un travail ETL à l’aide de services Azure	Ce modèle fournit un exemple d’analyse sur l’historique ainsi que sur les données de streaming en temps réel stockées dans stockage Blob Azure. Les données du hub d’événements sont prises par le travail Azure Stream Analytics pour effectuer la transformation et la sortie est stockée dans stockage Blob Azure et est visualisées dans PowerBI. L’analytique est appliquée aux données historiques stockées dans le stockage Blob par Azure Data Analytics et au déplacement des données extraites, transformées et publiées, et l’orchestration est effectuée par Data Factory. Les données publiées sont encore visualisées dans PowerBI
configurer le service Environnements de déploiement	Ce modèle permet de configurer des environnements de déploiement.
déployer Dev Box Service avec des d’images intégrées	Ce modèle permet de déployer un service Dev Box avec une image intégrée.
configurer le service Dev Box	Ce modèle créerait toutes les ressources d’administration Dev Box en fonction du guide de démarrage rapide de Dev Box (https://video2.skills-academy.com/azure/dev-box/quickstart-create-dev-box). Vous pouvez afficher toutes les ressources créées ou accéder directement à DevPortal.microsoft.com pour créer votre première zone de développement.
Azure Digital Twins avec le service Function et Private Link	Ce modèle crée un service Azure Digital Twins configuré avec une fonction Azure connectée au réseau virtuel qui peut communiquer via un point de terminaison Private Link vers Digital Twins. Il crée également une zone DNS privée pour autoriser la résolution transparente du nom d’hôte du point de terminaison Digital Twins du réseau virtuel vers l’adresse IP du sous-réseau interne du point de terminaison privé. Le nom d’hôte est stocké en tant que paramètre pour la fonction Azure avec le nom « ADT_ENDPOINT ».
Azure Digital Twins avec de connexion d’historique des données temporelles	Ce modèle crée une instance Azure Digital Twins configurée avec une connexion d’historique des données de série chronologique. Pour créer une connexion, d’autres ressources doivent être créées, telles qu’un espace de noms Event Hubs, un hub d’événements, un cluster Azure Data Explorer et une base de données. Les données sont envoyées à un hub d’événements qui transfère finalement les données au cluster Azure Data Explorer. Les données sont stockées dans une table de base de données dans le cluster
HDInsight avec une base de données Ambari + Hive Metastore personnalisée dans le réseau virtuel	Ce modèle vous permet de créer un cluster HDInsight dans un réseau virtuel existant avec une nouvelle base de données SQL qui sert à la fois de base de données Ambari personnalisée et de metastore Hive. Vous devez disposer d’un serveur SQL, d’un compte de stockage et d’un réseau virtuel existants.
configurer le service FHIR pour activer $import	Ce modèle provisionne le service FHIR pour activer $import pour le chargement initial des données
Créer un coffre de clés, une identité managée et une attribution de rôle	Ce modèle crée un coffre de clés, une identité managée et une attribution de rôle.
Utiliser KeyVault avec un ResourceId dynamique	Ce modèle crée un serveur SQL Server et utilise un mot de passe administrateur à partir de Key Vault. Le paramètre de référence pour le secret Key Vault est créé au moment du déploiement à l’aide d’un modèle imbriqué. Cela permet à l’utilisateur de transmettre simplement des valeurs de paramètre au modèle plutôt que de créer un paramètre de référence dans le fichier de paramètres.
Azure Container Service (AKS) avec Helm	Déployer un cluster managé avec Azure Container Service (AKS) avec Helm
exécuter des travaux du minuteur qui s’exécutent selon une planification à l’aide de Logic Apps	Ce modèle crée une paire d’applications logiques qui vous permet de créer des instances de travail de minuteur planifiées.
configuration de base d’Azure AI Studio	Cet ensemble de modèles montre comment configurer Azure AI Studio avec l’installation de base, ce qui signifie que l’accès à Internet public est activé, les clés gérées par Microsoft pour le chiffrement et la configuration d’identité managée par Microsoft pour la ressource IA.
configuration de base d’Azure AI Studio	Cet ensemble de modèles montre comment configurer Azure AI Studio avec l’installation de base, ce qui signifie que l’accès à Internet public est activé, les clés gérées par Microsoft pour le chiffrement et la configuration d’identité managée par Microsoft pour la ressource IA.
Azure AI Studio avec microsoft Entra ID Authentication	Cet ensemble de modèles montre comment configurer Azure AI Studio avec l’authentification Microsoft Entra ID pour les ressources dépendantes, telles qu’Azure AI Services et Stockage Azure.
restreint réseau Azure AI Studio	Cet ensemble de modèles montre comment configurer Azure AI Studio avec une liaison privée et une sortie désactivées, à l’aide de clés gérées par Microsoft pour le chiffrement et la configuration d’identité managée par Microsoft pour la ressource IA.
modèle d’attribution de rôle d’identité affecté par l’utilisateur	Modèle qui crée des attributions de rôles d’identité attribuées par l’utilisateur sur les ressources dont dépend l’espace de travail Azure Machine Learning
configuration sécurisée de bout en bout d’Azure Machine Learning	Cet ensemble de modèles Bicep montre comment configurer Azure Machine Learning de bout en bout dans une configuration sécurisée. Cette implémentation de référence inclut l’espace de travail, un cluster de calcul, une instance de calcul et un cluster AKS privé attaché.
configuration sécurisée de bout en bout Azure Machine Learning (hérité)	Cet ensemble de modèles Bicep montre comment configurer Azure Machine Learning de bout en bout dans une configuration sécurisée. Cette implémentation de référence inclut l’espace de travail, un cluster de calcul, une instance de calcul et un cluster AKS privé attaché.
créer un travail De balayage Azure Machine Learning	Ce modèle crée un travail De balayage Azure Machine Learning pour le réglage des hyperparamètres.
restreint réseau Azure AI Studio	Cet ensemble de modèles montre comment configurer Azure AI Studio avec une liaison privée et une sortie désactivées, à l’aide de clés gérées par Microsoft pour le chiffrement et la configuration d’identité managée par Microsoft pour la ressource IA.
Créer un espace de travail du service Azure Machine Learning (réseau virtuel)	Ce modèle de déploiement spécifie un espace de travail Azure Machine Learning et ses ressources associées, notamment Azure Key Vault, Stockage Azure, Azure Application Insights et Azure Container Registry. Cette configuration décrit l’ensemble des ressources dont vous avez besoin pour commencer à utiliser Azure Machine Learning dans une configuration isolée du réseau.
Créer un espace de travail du service Azure Machine Learning (hérité)	Ce modèle de déploiement spécifie un espace de travail Azure Machine Learning et ses ressources associées, notamment Azure Key Vault, Stockage Azure, Azure Application Insights et Azure Container Registry. Cette configuration décrit l’ensemble des ressources dont vous avez besoin pour commencer à utiliser Azure Machine Learning dans une configuration isolée du réseau.
Créer une ressource ANF avec le volume SMB	Ce modèle vous permet de créer une ressource Azure NetApp Files avec un pool de capacité unique et un volume unique configuré avec le protocole SMB.
Application Gateway pour une application web avec de restriction IP	Ce modèle crée une passerelle d’application devant une application web Azure avec une restriction IP activée sur l’application web.
Appliquer un groupe de sécurité réseau à un sous-réseau existant	Ce modèle applique un groupe de sécurité réseau nouvellement créé à un sous-réseau existant
journaux de flux NSG avec d’analyse du trafic	Ce modèle crée un journal de flux NSG sur un groupe de sécurité réseau existant avec l’analytique du trafic
Ajouter un groupe de sécurité réseau avec des règles de sécurité Redis à un sous-réseau existant	Ce modèle vous permet d’ajouter un groupe de sécurité réseau avec des règles de sécurité du cache Redis Azure préconfigurées à un sous-réseau existant au sein d’un réseau virtuel. Déployez dans le groupe de ressources du réseau virtuel existant.
Générer des images conteneur avec des tâches ACR	Ce modèle utilise DeploymentScript pour orchestrer ACR pour générer votre image conteneur à partir du dépôt de code.
importer des images conteneur dans aCR	Ce modèle tire parti du module Import ACR à partir du registre bicep pour importer des images conteneur publiques dans Azure Container Registry.
créer Application Gateway avec des certificats	Ce modèle montre comment générer des certificats auto-signés Key Vault, puis référencer à partir d’Application Gateway.
Créer des clés ssh et stocker dans keyVault	Ce modèle utilise la ressource deploymentScript pour générer des clés SSH et stocke la clé privée dans keyVault.
créer et déployer un modèleSpec	Cet exemple crée et déploie une ressource templateSpec dans le même modèle. Il ne s’agit pas d’un modèle classique destiné à montrer comment templateSpec et les ressources de déploiement sont destinées à fonctionner ensemble.
créer des templateSpecs à partir de modèles de galerie de modèles	Cet exemple contient un script pour migrer facilement des modèles de galerie de modèles vers des ressources templateSpec. Le modèle fournit déploie tous les modèles qui peuvent être exportés à l’aide du script de migration.
déployer une configuration SQL Always ON avec des machines virtuelles SQL existantes	Déployez la configuration SQL Always ON avec des machines virtuelles SQL existantes. Les machines virtuelles doivent déjà être jointes à un domaine existant et doivent exécuter la version d’entreprise de SQL Server.
preuve de concept Azure Synapse	Ce modèle crée un environnement de preuve de concept pour Azure Synapse, notamment des pools SQL et des pools Apache Spark facultatifs
créer un appServicePlan et une application dans un ASEv3	Créer un AppServicePlan et une application dans un ASEv3
créer une ressource Azure Native New Relic	Ce modèle configure un service « Azure Native New Relic » pour surveiller les ressources de votre abonnement Azure.

Définition de ressource de modèle ARM

Le type de ressource des déploiements peut être déployé avec des opérations qui ciblent :

• groupes de ressources - Consultez commandes de déploiement de groupes de ressources
• abonnements - Consultez commandes de déploiement d’abonnement
• groupes d’administration - Voir commandes de déploiement de groupe d’administration
• locataires - Consultez commandes de déploiement de locataire

Pour obtenir la liste des propriétés modifiées dans chaque version de l’API, consultez journal des modifications.

Remarques

Pour Bicep, envisagez de à l’aide de modules au lieu de ce type de ressource.

Format de ressource

Pour créer une ressource Microsoft.Resources/deployments, ajoutez le code JSON suivant à votre modèle.

{
  "type": "Microsoft.Resources/deployments",
  "apiVersion": "2024-03-01",
  "name": "string",
  "location": "string",
  "tags": {
    "tagName1": "tagValue1",
    "tagName2": "tagValue2"
  },
  "scope": "string",
  "properties": {
    "debugSetting": {
      "detailLevel": "string"
    },
    "expressionEvaluationOptions": {
      "scope": "string"
    },
    "mode": "string",
    "onErrorDeployment": {
      "deploymentName": "string",
      "type": "string"
    },
    "parameters": {
      "{customized property}": {
        "reference": {
          "keyVault": {
            "id": "string"
          },
          "secretName": "string",
          "secretVersion": "string"
        },
        "value": {}
      }
    },
    "parametersLink": {
      "contentVersion": "string",
      "uri": "string"
    },
    "template": {},
    "templateLink": {
      "contentVersion": "string",
      "id": "string",
      "queryString": "string",
      "relativePath": "string",
      "uri": "string"
    }
  },
  "resourceGroup": "string",
  "subscriptionId": "string"
}

Valeurs de propriété

Déploiements

DeploymentPropertiesOrDeploymentPropertiesExtended

DebugSetting

ExpressionEvaluationOptions

OnErrorDeploymentOrOnErrorDeploymentExtended

DeploymentPropertiesParameters

DeploymentParameter

KeyVaultParameterReference

KeyVaultReference

ParametersLink

TemplateLink

Modèles de démarrage rapide

Les modèles de démarrage rapide suivants déploient ce type de ressource.

Modèle	Description
Analyse de l’API Moesif et de monétisation	Le modèle journalisera les appels d’API de Gestion des API Azure à l’analytique des API Moesif et à la plateforme de monétisation
crée une application conteneur et un environnement avec le registre	Créez un environnement d’application conteneur avec une application conteneur de base à partir d’azure Container Registry. Il déploie également un espace de travail Log Analytics pour stocker les journaux.
crée une application de microservices Dapr à l’aide de Container Apps	Créez une application de microservices Dapr à l’aide de Container Apps.
Crée une application Dapr pub-sub servicebus à l’aide de Container Apps	Créez une application Dapr pub-sub servicebus à l’aide de Container Apps.
Server géré par le service Deired State Configuration	Ce modèle fournit un exemple de la façon de fournir une machine virtuelle et un compte Automation pour gérer la machine, dans un seul déploiement
Créer une règle d’alerte pour les éléments de continuité d’activité Azure	Ce modèle crée une règle d’alerte et une msi affectée par l’utilisateur. Il affecte également l’accès du lecteur MSI à l’abonnement afin que la règle d’alerte ait accès à l’interrogation des éléments protégés requis et des derniers détails du point de récupération.
crée un cluster Azure Stack HCI 23H2	Ce modèle crée un cluster Azure Stack HCI 23H2 à l’aide d’un modèle ARM.
crée un cluster Azure Stack HCI 23H2	Ce modèle crée un cluster Azure Stack HCI 23H2 à l’aide d’un modèle ARM, à l’aide d’une adresse IP de stockage personnalisée
crée un cluster Azure Stack HCI 23H2 en mode réseau switchless-double liaison	Ce modèle crée un cluster Azure Stack HCI 23H2 à l’aide d’un modèle ARM.
crée un cluster Azure Stack HCI 23H2 en mode réseau Switchless-SingleLink	Ce modèle crée un cluster Azure Stack HCI 23H2 à l’aide d’un modèle ARM.
cluster Redis sur des machines virtuelles Ubuntu	Ce modèle crée un cluster Redis sur des images de machine virtuelle Ubuntu, configure la persistance et applique des optimisations connues et des pratiques éprouvées
Front Door Premium avec l’origine App Service et le Private Link	Ce modèle crée un Front Door Premium et un App Service et utilise un point de terminaison privé pour Front Door afin d’envoyer du trafic à l’application.
Front Door Premium avec l’origine d’objets blob et le Private Link	Ce modèle crée un conteneur d’objets blob Front Door Premium et Stockage Azure et utilise un point de terminaison privé pour Front Door afin d’envoyer le trafic au compte de stockage.
Front Door Premium avec des de service de machine virtuelle et de liaison privée	Ce modèle crée une instance Front Door Premium et une machine virtuelle configurée en tant que serveur web. Front Door utilise un point de terminaison privé avec le service Private Link pour envoyer le trafic à la machine virtuelle.
Front Door Standard/Premium avec l’origine gestion des API	Ce modèle crée une instance Front Door Premium et gestion des API et utilise un groupe de sécurité réseau et une stratégie de gestion des API globale pour vérifier que le trafic est passé par l’origine Front Door.
Front Door Standard/Premium avec l’origine d’Application Gateway	Ce modèle crée une instance Front Door Standard/Premium et Application Gateway et utilise un groupe de sécurité réseau et une stratégie WAF pour vérifier que le trafic est passé par l’origine Front Door.
Front Door avec container Instances et application Gateway	Ce modèle crée un Front Door Standard/Premium avec un groupe de conteneurs et Application Gateway.
Front Door Standard/Premium avec l’origine Azure Functions	Ce modèle crée une application Front Door Standard/Premium, une application Azure Functions et configure l’application de fonction pour vérifier que le trafic est passé par l’origine Front Door.
Front Door Standard/Premium avec l’origine du site web statique	Ce modèle crée un site web statique Front Door Standard/Premium et un site web statique Stockage Azure et configure Front Door pour envoyer du trafic au site web statique.
crée un disque managé chiffré à partir d’un disque dur virtuel chiffré	Ce modèle vous permet de créer un disque managé chiffré à l’aide d’un disque dur virtuel et des paramètres de chiffrement chiffrés existants.
désactiver le chiffrement sur une machine virtuelle Windows en cours d’exécution	Ce modèle désactive le chiffrement sur une machine virtuelle Windows en cours d’exécution
Activer le chiffrement sur une machine virtuelle Windows en cours d’exécution & AAD	Ce modèle active le chiffrement sur une machine virtuelle Windows en cours d’exécution à l’aide de l’empreinte numérique du certificat client AAD. Le certificat doit avoir été déployé sur la machine virtuelle précédemment
GlassFish sur SUSE	Ce modèle déploie un cluster GlassFish (v3 ou v4) à charge équilibrée, constitué d’un nombre défini par l’utilisateur de machines virtuelles SUSE (OpenSUSE ou SLES).
déployer plusieurs groupes de machines virtuelles identiques de machines virtuelles Linux	Ce modèle vous permet de déployer plusieurs groupes de machines virtuelles identiques de machines virtuelles Linux.
Déployer plusieurs groupes de machines virtuelles identiques de machines virtuelles Windows	Ce modèle vous permet de déployer plusieurs groupes de machines virtuelles identiques de machines virtuelles Windows.
Déployer une machine virtuelle Linux simple et mettre à jour une adresse IP privée sur des statiques	Ce modèle vous permet de déployer une machine virtuelle Linux simple à l’aide d’Ubuntu à partir de la Place de marché. Cela déploie un réseau virtuel, un sous-réseau et une machine virtuelle de taille A1 dans l’emplacement du groupe de ressources avec une adresse IP affectée dynamiquement, puis le convertit en adresse IP statique.
Utiliser la sortie d’une extension de script personnalisé pendant le déploiement	Cela est utile pour le calcul de la machine virtuelle pour effectuer une tâche pendant le déploiement qu’Azure Resource Manager ne fournit pas. La sortie de ce calcul (script) peut ensuite être exploitée ailleurs dans le déploiement. Cela est utile si la ressource de calcul est nécessaire dans le déploiement (par exemple, un jumpbox, DC, etc.), un peu gaspille si ce n’est pas le cas.
Déployer une machine virtuelle Linux ou Windows avec msi	Ce modèle vous permet de déployer une machine virtuelle Linux ou Windows avec une identité de service managée.
machine virtuelle Linux avec MSI accédant au stockage	Ce modèle déploie une machine virtuelle Linux avec une identité managée affectée par le système qui a accès à un compte de stockage dans un autre groupe de ressources.
SQL Server 2014 SP2 Enterprise avec de sauvegarde automatique	Ce modèle crée une édition SQL Server 2014 SP2 Enterprise avec la fonctionnalité sauvegarde automatique activée
SQL Server 2014 SP1 Enterprise avec Azure Key Vault	Ce modèle crée une édition SQL Server 2014 SP1 Enterprise avec la fonctionnalité d’intégration d’Azure Key Vault activée.
attaque par virus sur les machines virtuelles	Cela déploie 2 machines virtuelles, OMS et d’autres ressources réseau. Une machine virtuelle sans protection de point de terminaison et une autre avec la protection enpoint installée. Effectuez l’attaque par virus en suivant les instructions et en exécutant le scénario d’atténuation et de prévention d’une attaque par virus.
Créer une passerelle de gestion des données et installer sur une machine virtuelle Azure	Ce modèle déploie une machine virtuelle et crée une passerelle de gestion des données utilisable
runtime d’intégration auto-hôte sur des machines virtuelles Azure	Ce modèle crée un runtime d’intégration selfhost et l’inscrit sur des machines virtuelles Azure
configuration de groupe identique de machines virtuelles gérée par Azure Automation	Déployez un groupe de machines virtuelles identiques dans lequel les machines virtuelles sont déployées en tant que nœuds inscrits dans le service Azure Automation Desired State Configuration et la configuration des nœuds est garantie après le déploiement. REMARQUE : Les conditions préalables requises et l’URL d’inscription sont disponibles uniquement après la création réussie d’un compte Azure Automation pour Azure Automation DSC.
VMSS Flexible Orchestration Mode Démarrage rapide Linux	Ce modèle déploie un groupe de machines virtuelles identiques simple avec des instances derrière un équilibreur de charge Azure. Le groupe de machines virtuelles identiques est en mode d’orchestration flexible. Utilisez le paramètre de système d’exploitation pour choisir le déploiement Linux (Ubuntu) ou Windows (Windows Server Datacenter 2019). REMARQUE : ce modèle de démarrage rapide permet l’accès réseau aux ports de gestion des machines virtuelles (SSH, RDP) à partir d’une adresse Internet et ne doit pas être utilisé pour les déploiements de production.
déployer une machine virtuelle Linux ou Windows avec MSI	Ce modèle vous permet de déployer un groupe de machines virtuelles identiques Linux ou Windows avec une identité de service managé. Cette identité est ensuite utilisée pour accéder aux services Azure.
serveur SFTP à la demande à l’aide d’un compte de stockage existant	Ce modèle illustre un serveur SFTP à la demande à l’aide d’azure Container Instance (ACI).
Déployer un cluster Kubernetes managé (AKS)	Ce modèle ARM illustre le déploiement d’une instance AKS avec des fonctionnalités réseau avancées dans un réseau virtuel existant. En outre, le principal de service choisi est affecté au rôle Contributeur réseau sur le sous-réseau qui contient le cluster AKS.
Déployer un cluster Kubernetes managé avec AAD (AKS)	Ce modèle ARM illustre le déploiement d’une instance AKS avec des fonctionnalités réseau avancées dans un réseau virtuel existant et l’entier Azure AD. En outre, le principal de service choisi est affecté au rôle Contributeur réseau sur le sous-réseau qui contient le cluster AKS.
hub FinOps	Ce modèle crée une instance de hub FinOps, notamment Data Lake Storage et Data Factory.
classeur finOps toolkit	Ce modèle crée un classeur Azure Monitor pour la gouvernance.
classeur d’optimisation des coûts	Ce modèle crée un classeur Azure Monitor pour l’optimisation des coûts en fonction de l’infrastructure Well-Architected.
étendre des ressources Azure existantes avec des fournisseurs personnalisés	Cet exemple explique en détail comment étendre des ressources Azure existantes et des modèles Resource Manager pour ajouter des charges de travail personnalisées.
Créer un observateur de base de données	Cet exemple crée un observateur de base de données pour Azure SQL et configure son magasin de données, ses cibles SQL et ses points de terminaison privés managés
Déployer un espace de travail Azure Databricks avec PE,CMK tous les formulaires	Ce modèle vous permet de créer un espace de travail Azure Databricks avec PrivateEndpoint et des services managés et CMK avec chiffrement DBFS.
modèle AzureDatabricks avec pare-feu de stockage par défaut	Ce modèle vous permet de créer un pare-feu de stockage par défaut activé pour l’espace de travail Azure Databricks avec Privateendpoint, les trois formes de CMK et le connecteur d’accès User-Assigned.
Déployer un espace de travail Azure Databricks avec toutes les 3 formes de CMK	Ce modèle vous permet de créer un espace de travail Azure Databricks avec des services managés et CMK avec chiffrement DBFS.
déployer une instance Azure Databricks WS avec CMK pour le chiffrement DBFS	Ce modèle vous permet de créer un espace de travail Azure Databricks avec CMK pour le chiffrement racine DBFS
déployer un espace de travail Azure Databricks avec des disques managés	Ce modèle vous permet de créer un espace de travail Azure Databricks avec la clé CMK Disques managés.
déployer l’espace de travail Azure Databricks avec managed Services CMK	Ce modèle vous permet de créer un espace de travail Azure Databricks avec managed Services CMK.
Créer une organisation Datadog	Ce modèle crée une ressource Datadog - Une ressource azure ISV Service et une organisation Datadog pour surveiller les ressources de votre abonnement.
Utiliser des extensions de script pour installer Mongo DB sur une machine virtuelle Ubuntu	Ce modèle déploie Configure et installe Mongo DB sur une machine virtuelle Ubuntu dans deux scripts distincts. Ce modèle est un bon exemple qui montre comment exprimer des dépendances entre deux scripts s’exécutant sur la même machine virtuelle. Ce modèle déploie également un compte de stockage, un réseau virtuel, des adresses IP publiques et une interface réseau.
Créer une passerelle de gestion des données haute disponibilité et installer sur des machines virtuelles Azure	Ce modèle déploie plusieurs machines virtuelles avec une passerelle de gestion des données haute disponibilité utilisable
Déployer un compte Data Lake Store avec chiffrement (Key Vault)	Ce modèle vous permet de déployer un compte Azure Data Lake Store avec le chiffrement des données activé. Ce compte utilise Azure Key Vault pour gérer la clé de chiffrement.
effectue un travail ETL à l’aide de services Azure	Ce modèle fournit un exemple d’analyse sur l’historique ainsi que sur les données de streaming en temps réel stockées dans stockage Blob Azure. Les données du hub d’événements sont prises par le travail Azure Stream Analytics pour effectuer la transformation et la sortie est stockée dans stockage Blob Azure et est visualisées dans PowerBI. L’analytique est appliquée aux données historiques stockées dans le stockage Blob par Azure Data Analytics et au déplacement des données extraites, transformées et publiées, et l’orchestration est effectuée par Data Factory. Les données publiées sont encore visualisées dans PowerBI
configurer le service Environnements de déploiement	Ce modèle permet de configurer des environnements de déploiement.
déployer Dev Box Service avec des d’images intégrées	Ce modèle permet de déployer un service Dev Box avec une image intégrée.
configurer le service Dev Box	Ce modèle créerait toutes les ressources d’administration Dev Box en fonction du guide de démarrage rapide de Dev Box (https://video2.skills-academy.com/azure/dev-box/quickstart-create-dev-box). Vous pouvez afficher toutes les ressources créées ou accéder directement à DevPortal.microsoft.com pour créer votre première zone de développement.
Azure Digital Twins avec le service Function et Private Link	Ce modèle crée un service Azure Digital Twins configuré avec une fonction Azure connectée au réseau virtuel qui peut communiquer via un point de terminaison Private Link vers Digital Twins. Il crée également une zone DNS privée pour autoriser la résolution transparente du nom d’hôte du point de terminaison Digital Twins du réseau virtuel vers l’adresse IP du sous-réseau interne du point de terminaison privé. Le nom d’hôte est stocké en tant que paramètre pour la fonction Azure avec le nom « ADT_ENDPOINT ».
Azure Digital Twins avec de connexion d’historique des données temporelles	Ce modèle crée une instance Azure Digital Twins configurée avec une connexion d’historique des données de série chronologique. Pour créer une connexion, d’autres ressources doivent être créées, telles qu’un espace de noms Event Hubs, un hub d’événements, un cluster Azure Data Explorer et une base de données. Les données sont envoyées à un hub d’événements qui transfère finalement les données au cluster Azure Data Explorer. Les données sont stockées dans une table de base de données dans le cluster
HDInsight avec une base de données Ambari + Hive Metastore personnalisée dans le réseau virtuel	Ce modèle vous permet de créer un cluster HDInsight dans un réseau virtuel existant avec une nouvelle base de données SQL qui sert à la fois de base de données Ambari personnalisée et de metastore Hive. Vous devez disposer d’un serveur SQL, d’un compte de stockage et d’un réseau virtuel existants.
configurer le service FHIR pour activer $import	Ce modèle provisionne le service FHIR pour activer $import pour le chargement initial des données
Créer un coffre de clés, une identité managée et une attribution de rôle	Ce modèle crée un coffre de clés, une identité managée et une attribution de rôle.
Utiliser KeyVault avec un ResourceId dynamique	Ce modèle crée un serveur SQL Server et utilise un mot de passe administrateur à partir de Key Vault. Le paramètre de référence pour le secret Key Vault est créé au moment du déploiement à l’aide d’un modèle imbriqué. Cela permet à l’utilisateur de transmettre simplement des valeurs de paramètre au modèle plutôt que de créer un paramètre de référence dans le fichier de paramètres.
Azure Container Service (AKS) avec Helm	Déployer un cluster managé avec Azure Container Service (AKS) avec Helm
exécuter des travaux du minuteur qui s’exécutent selon une planification à l’aide de Logic Apps	Ce modèle crée une paire d’applications logiques qui vous permet de créer des instances de travail de minuteur planifiées.
configuration de base d’Azure AI Studio	Cet ensemble de modèles montre comment configurer Azure AI Studio avec l’installation de base, ce qui signifie que l’accès à Internet public est activé, les clés gérées par Microsoft pour le chiffrement et la configuration d’identité managée par Microsoft pour la ressource IA.
configuration de base d’Azure AI Studio	Cet ensemble de modèles montre comment configurer Azure AI Studio avec l’installation de base, ce qui signifie que l’accès à Internet public est activé, les clés gérées par Microsoft pour le chiffrement et la configuration d’identité managée par Microsoft pour la ressource IA.
Azure AI Studio avec microsoft Entra ID Authentication	Cet ensemble de modèles montre comment configurer Azure AI Studio avec l’authentification Microsoft Entra ID pour les ressources dépendantes, telles qu’Azure AI Services et Stockage Azure.
restreint réseau Azure AI Studio	Cet ensemble de modèles montre comment configurer Azure AI Studio avec une liaison privée et une sortie désactivées, à l’aide de clés gérées par Microsoft pour le chiffrement et la configuration d’identité managée par Microsoft pour la ressource IA.
modèle d’attribution de rôle d’identité affecté par l’utilisateur	Modèle qui crée des attributions de rôles d’identité attribuées par l’utilisateur sur les ressources dont dépend l’espace de travail Azure Machine Learning
configuration sécurisée de bout en bout d’Azure Machine Learning	Cet ensemble de modèles Bicep montre comment configurer Azure Machine Learning de bout en bout dans une configuration sécurisée. Cette implémentation de référence inclut l’espace de travail, un cluster de calcul, une instance de calcul et un cluster AKS privé attaché.
configuration sécurisée de bout en bout Azure Machine Learning (hérité)	Cet ensemble de modèles Bicep montre comment configurer Azure Machine Learning de bout en bout dans une configuration sécurisée. Cette implémentation de référence inclut l’espace de travail, un cluster de calcul, une instance de calcul et un cluster AKS privé attaché.
créer un travail De balayage Azure Machine Learning	Ce modèle crée un travail De balayage Azure Machine Learning pour le réglage des hyperparamètres.
restreint réseau Azure AI Studio	Cet ensemble de modèles montre comment configurer Azure AI Studio avec une liaison privée et une sortie désactivées, à l’aide de clés gérées par Microsoft pour le chiffrement et la configuration d’identité managée par Microsoft pour la ressource IA.
Créer un espace de travail du service Azure Machine Learning (réseau virtuel)	Ce modèle de déploiement spécifie un espace de travail Azure Machine Learning et ses ressources associées, notamment Azure Key Vault, Stockage Azure, Azure Application Insights et Azure Container Registry. Cette configuration décrit l’ensemble des ressources dont vous avez besoin pour commencer à utiliser Azure Machine Learning dans une configuration isolée du réseau.
Créer un espace de travail du service Azure Machine Learning (hérité)	Ce modèle de déploiement spécifie un espace de travail Azure Machine Learning et ses ressources associées, notamment Azure Key Vault, Stockage Azure, Azure Application Insights et Azure Container Registry. Cette configuration décrit l’ensemble des ressources dont vous avez besoin pour commencer à utiliser Azure Machine Learning dans une configuration isolée du réseau.
Créer une ressource ANF avec le volume SMB	Ce modèle vous permet de créer une ressource Azure NetApp Files avec un pool de capacité unique et un volume unique configuré avec le protocole SMB.
Application Gateway pour une application web avec de restriction IP	Ce modèle crée une passerelle d’application devant une application web Azure avec une restriction IP activée sur l’application web.
Appliquer un groupe de sécurité réseau à un sous-réseau existant	Ce modèle applique un groupe de sécurité réseau nouvellement créé à un sous-réseau existant
journaux de flux NSG avec d’analyse du trafic	Ce modèle crée un journal de flux NSG sur un groupe de sécurité réseau existant avec l’analytique du trafic
Ajouter un groupe de sécurité réseau avec des règles de sécurité Redis à un sous-réseau existant	Ce modèle vous permet d’ajouter un groupe de sécurité réseau avec des règles de sécurité du cache Redis Azure préconfigurées à un sous-réseau existant au sein d’un réseau virtuel. Déployez dans le groupe de ressources du réseau virtuel existant.
Générer des images conteneur avec des tâches ACR	Ce modèle utilise DeploymentScript pour orchestrer ACR pour générer votre image conteneur à partir du dépôt de code.
importer des images conteneur dans aCR	Ce modèle tire parti du module Import ACR à partir du registre bicep pour importer des images conteneur publiques dans Azure Container Registry.
créer Application Gateway avec des certificats	Ce modèle montre comment générer des certificats auto-signés Key Vault, puis référencer à partir d’Application Gateway.
Créer des clés ssh et stocker dans keyVault	Ce modèle utilise la ressource deploymentScript pour générer des clés SSH et stocke la clé privée dans keyVault.
créer et déployer un modèleSpec	Cet exemple crée et déploie une ressource templateSpec dans le même modèle. Il ne s’agit pas d’un modèle classique destiné à montrer comment templateSpec et les ressources de déploiement sont destinées à fonctionner ensemble.
créer des templateSpecs à partir de modèles de galerie de modèles	Cet exemple contient un script pour migrer facilement des modèles de galerie de modèles vers des ressources templateSpec. Le modèle fournit déploie tous les modèles qui peuvent être exportés à l’aide du script de migration.
déployer une configuration SQL Always ON avec des machines virtuelles SQL existantes	Déployez la configuration SQL Always ON avec des machines virtuelles SQL existantes. Les machines virtuelles doivent déjà être jointes à un domaine existant et doivent exécuter la version d’entreprise de SQL Server.
preuve de concept Azure Synapse	Ce modèle crée un environnement de preuve de concept pour Azure Synapse, notamment des pools SQL et des pools Apache Spark facultatifs
créer un appServicePlan et une application dans un ASEv3	Créer un AppServicePlan et une application dans un ASEv3
créer une ressource Azure Native New Relic	Ce modèle configure un service « Azure Native New Relic » pour surveiller les ressources de votre abonnement Azure.

Définition de ressource Terraform (fournisseur AzAPI)

Le type de ressource des déploiements peut être déployé avec des opérations qui ciblent :

• groupes de ressources
• abonnements
• groupes d’administration
• locataires

Pour obtenir la liste des propriétés modifiées dans chaque version de l’API, consultez journal des modifications.

Format de ressource

Pour créer une ressource Microsoft.Resources/deployments, ajoutez terraform suivant à votre modèle.

resource "azapi_resource" "symbolicname" {
  type = "Microsoft.Resources/deployments@2024-03-01"
  name = "string"
  location = "string"
  parent_id = "string"
  tags = {
    tagName1 = "tagValue1"
    tagName2 = "tagValue2"
  }
  body = jsonencode({
    properties = {
      debugSetting = {
        detailLevel = "string"
      }
      expressionEvaluationOptions = {
        scope = "string"
      }
      mode = "string"
      onErrorDeployment = {
        deploymentName = "string"
        type = "string"
      }
      parameters = {
        {customized property} = {
          reference = {
            keyVault = {
              id = "string"
            }
            secretName = "string"
            secretVersion = "string"
          }
        }
      }
      parametersLink = {
        contentVersion = "string"
        uri = "string"
      }
      templateLink = {
        contentVersion = "string"
        id = "string"
        queryString = "string"
        relativePath = "string"
        uri = "string"
      }
    }
    resourceGroup = "string"
    subscriptionId = "string"
    scope = "string"
  })
}

Valeurs de propriété

Déploiements

DeploymentPropertiesOrDeploymentPropertiesExtended

DebugSetting

ExpressionEvaluationOptions

OnErrorDeploymentOrOnErrorDeploymentExtended

DeploymentPropertiesParameters

DeploymentParameter

KeyVaultParameterReference

KeyVaultReference

ParametersLink

TemplateLink