Erstellen von Verbindungen (Vorschau)

GILT FÜR:Azure CLI ML-Erweiterung v2 (aktuell)Python SDK azure-ai-ml v2 (aktuell)

In diesem Artikel erfahren Sie, wie Sie eine Verbindung mit Datenquellen außerhalb von Azure herstellen, um diese Daten für Azure Machine Learning Services zur Verfügung zu stellen. Azure-Verbindungen dienen als Schlüsseltresor-Proxys und Interaktionen mit Verbindungen sind tatsächlich direkte Interaktionen mit einem Azure-Schlüsseltresor. Azure Machine Learning-Verbindungen speichern Benutzernamen- und Kennwortdatenressourcen sicher als Geheimnisse in einem Schlüsseltresor. Die rollenbasierte Schlüsseltresor-Zugriffssteuerung regelt den Zugriff auf diese Datenressourcen. Um diese Datenverfügbarkeit zu ermöglichen, unterstützt Azure Verbindungen mit diesen externen Quellen:

• Snowflake DB
• Amazon S3
• Azure SQL-Datenbank

Wichtig

Dieses Feature ist zurzeit als öffentliche Preview verfügbar. Diese Vorschauversion wird ohne Vereinbarung zum Servicelevel bereitgestellt und ist nicht für Produktionsworkloads vorgesehen. Manche Features werden möglicherweise nicht unterstützt oder sind nur eingeschränkt verwendbar.

Weitere Informationen finden Sie unter Zusätzliche Nutzungsbestimmungen für Microsoft Azure-Vorschauen.

Voraussetzungen

• Ein Azure-Abonnement. Wenn Sie nicht über ein Azure-Abonnement verfügen, können Sie ein kostenloses Konto erstellen, bevor Sie beginnen. Probieren Sie die kostenlose oder kostenpflichtige Version von Azure Machine Learning aus.

• Das Azure Machine Learning SDK für Python.

• Ein Azure Machine Learning-Arbeitsbereich.

Wichtig

Eine Azure Machine Learning-Verbindung speichert sicher die Anmeldeinformationen, die während der Verbindungserstellung im Azure Key Vault-Arbeitsbereich übergeben wurden, sicher. Eine Verbindung verweist zur weiteren Verwendung auf die Anmeldeinformationen aus dem Schlüsseltresorspeicherort. Sie müssen sich nicht direkt mit den Anmeldeinformationen befassen, nachdem sie im Schlüsseltresor gespeichert wurden. Sie haben die Möglichkeit, die Anmeldeinformationen in der YAML-Datei zu speichern. Ein CLI-Befehl oder SDK kann sie überschreiben. Es wird empfohlen, die Speicherung von Anmeldeinformationen in einer YAML-Datei zu vermeiden, da eine Sicherheitsverletzung zu einem Verlust von Anmeldeinformationen führen kann.

Hinweis

Vergewissern Sie sich für einen erfolgreichen Datenimport, dass Sie das neueste azure-ai-ml-Paket (Version 1.5.0 oder höher) für das SDK und die ML-Erweiterung (Version 2.15.1 oder höher) installiert haben.

Wenn Sie über ein älteres SDK-Paket oder eine ältere CLI-Erweiterung verfügen, entfernen Sie das alte Paket, und installieren Sie das neue Paket mit dem Code, der im Registerkartenabschnitt angezeigt wird. Befolgen Sie die hier gezeigten Anweisungen für SDK und CLI:

Codeversionen

Azure-Befehlszeilenschnittstelle

az extension remove -n ml
az extension add -n ml --yes
az extension show -n ml #(the version value needs to be 2.15.1 or later)

Python SDK

pip uninstall azure-ai-ml
pip install azure-ai-ml
pip show azure-ai-ml #(the version value needs to be 1.5.0 or later)

Studio

Nicht verfügbar.

Erstellen einer Snowflake DB-Verbindung

Azure-Befehlszeilenschnittstelle

Diese YAML-Datei erstellt eine Snowflake DB-Verbindung. Stellen Sie sicher, die angemessenen Werte zu aktualisieren:

# my_snowflakedb_connection.yaml
$schema: http://azureml/sdk-2-0/Connection.json
type: snowflake
name: my-sf-db-connection # add your datastore name here

target: jdbc:snowflake://<myaccount>.snowflakecomputing.com/?db=<mydb>&warehouse=<mywarehouse>&role=<myrole>
# add the Snowflake account, database, warehouse name and role name here. If no role name provided it will default to PUBLIC
credentials:
    type: username_password
    username: <username> # add the Snowflake database user name here or leave this blank and type in CLI command line
    password: <password> # add the Snowflake database password here or leave this blank and type in CLI command line

Erstellen Sie die Azure Machine Learning-Verbindung im CLI:

Option 1: Verwenden Sie den Benutzernamen und Kennwort in der YAML-Datei

az ml connection create --file my_snowflakedb_connection.yaml

Option 2: Überschreiben Sie den Benutzernamen und Kennwort in der Befehlszeile

az ml connection create --file my_snowflakedb_connection.yaml --set credentials.username="XXXXX" credentials.password="XXXXX"

Python SDK

Option 1: Laden Sie die Verbindung aus der YAML-Datei

from azure.ai.ml import MLClient, load_workspace_connection

ml_client = MLClient.from_config()

wps_connection = load_workspace_connection(source="./my_snowflakedb_connection.yaml")
wps_connection.credentials.username="XXXXX"
wps_connection.credentials.password="XXXXXXXX"
ml_client.connections.create_or_update(workspace_connection=wps_connection)

Option 2: Verwenden Sie die WorkspaceConnection() in einem Python-Skript

from azure.ai.ml import MLClient
from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import UsernamePasswordConfiguration

target= "jdbc:snowflake://<myaccount>.snowflakecomputing.com/?db=<mydb>&warehouse=<mywarehouse>&role=<myrole>"
# add the Snowflake account, database, warehouse name and role name here. If no role name provided it will default to PUBLIC
name= <my_snowflake_connection> # name of the connection
wps_connection = WorkspaceConnection(name= name,
type="snowflake",
target= target,
credentials= UsernamePasswordConfiguration(username="XXXXX", password="XXXXXX")
)

ml_client.connections.create_or_update(workspace_connection=wps_connection)

Studio

1. Navigieren Sie zu Azure Machine Learning Studio.

2. Wählen Sie unter Ressourcen im linken Navigationsbereich die Option Daten aus. Wählen Sie als Nächstes die Registerkarte Datenverbindung aus. Wählen Sie dann „Erstellen“ aus, wie in diesem Screenshot gezeigt:

   

3. Geben Sie im Bereich Verbindung erstellen die Werte ein, wie im Screenshot gezeigt. Wählen Sie Snowflake als Kategorie und Benutzername Kennwort für den Authentifizierungstyp aus. Stellen Sie sicher, dass Sie den Wert im Textfeld Ziel in diesem Format angeben, indem Sie Ihre spezifischen Werte zwischen den Zeichen <> eingeben:

   jdbc:snowflake://<myaccount>.snowflakecomputing.com/?db=<mydb>&warehouse=<mywarehouse>&role=<myrole>

   

4. Wählen Sie „Speichern“ aus, um die Anmeldeinformationen sicher im Schlüsseltresor zu speichern, der dem relevanten Arbeitsbereich zugeordnet ist. Diese Verbindung wird beim Ausführen eines Datenimportauftrags verwendet.

Erstellen Sie eine Azure SQL DB-Verbindung

Azure-Befehlszeilenschnittstelle

Dieses YAML-Skript erstellt eine Azure SQL DB-Verbindung. Stellen Sie sicher, die angemessenen Werte zu aktualisieren:

# my_sqldb_connection.yaml
$schema: http://azureml/sdk-2-0/Connection.json

type: azure_sql_db
name: my-sqldb-connection

target: Server=tcp:<myservername>,<port>;Database=<mydatabase>;Trusted_Connection=False;Encrypt=True;Connection Timeout=30
# add the sql servername, port addresss and database
credentials:
    type: sql_auth
    username: <username> # add the sql database user name here or leave this blank and type in CLI command line
    password: <password> # add the sql database password here or leave this blank and type in CLI command line

Erstellen Sie die Azure Machine Learning-Verbindung im CLI:

Option 1: Verwenden Sie den Benutzernamen / das Kennwort aus der YAML-Datei

az ml connection create --file my_sqldb_connection.yaml

Option 2: Überschreiben Sie den Benutzernamen und das Kennwort in der YAML-Datei

az ml connection create --file my_sqldb_connection.yaml --set credentials.username="XXXXX" credentials.password="XXXXX"

Python SDK

Option 1: Laden Sie die Verbindung aus der YAML-Datei

from azure.ai.ml import MLClient, load_workspace_connection

ml_client = MLClient.from_config()

wps_connection = load_workspace_connection(source="./my_sqldb_connection.yaml")
wps_connection.credentials.username="XXXXXX"
wps_connection.credentials.password="XXXXXxXXX"
ml_client.connections.create_or_update(workspace_connection=wps_connection)

Option 2: Verwendung der WorkspaceConnection()

from azure.ai.ml import MLClient
from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import UsernamePasswordConfiguration

target= "Server=tcp:<myservername>,<port>;Database=<mydatabase>;Trusted_Connection=False;Encrypt=True;Connection Timeout=30"
# add the sql servername, port address and database

name= <my_sql_connection> # name of the connection
wps_connection = WorkspaceConnection(name= name,
type="azure_sql_db",
target= target,
credentials= UsernamePasswordConfiguration(username="XXXXX", password="XXXXXX")
)

ml_client.connections.create_or_update(workspace_connection=wps_connection)

Studio

1. Navigieren Sie zu Azure Machine Learning Studio.

2. Wählen Sie unter Ressourcen im linken Navigationsbereich die Option Daten aus. Wählen Sie als Nächstes die Registerkarte Datenverbindung aus. Wählen Sie dann „Erstellen“ aus, wie in diesem Screenshot gezeigt:

   

3. Geben Sie im Bereich Verbindung erstellen die Werte ein, wie im Screenshot gezeigt. Wählen Sie AzureSqlDb als Kategorie und Benutzername Kennwort für den Authentifizierungstyp aus. Stellen Sie sicher, dass Sie den Wert im Textfeld Ziel in diesem Format angeben, indem Sie Ihre spezifischen Werte zwischen den Zeichen <> eingeben:

   Server=tcp:<myservername>,<port>;Database=<mydatabase>;Trusted_Connection=False;Encrypt=True;Connection Timeout=30

   

Erstellen Sie eine Amazon S3-Verbindung

Azure-Befehlszeilenschnittstelle

Erstellen Sie eine Amazon S3-Verbindung mit der folgenden YAML-Datei. Stellen Sie sicher, die angemessenen Werte zu aktualisieren:

# my_s3_connection.yaml
$schema: http://azureml/sdk-2-0/Connection.json

type: s3
name: my_s3_connection

target: <mybucket> # add the s3 bucket details
credentials:
    type: access_key
    access_key_id: XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX # add access key id
    secret_access_key: XxXxXxXXXXXXXxXxXxxXxxXXXXXXXXxXxxXXxXXXXXXXxxxXxXXxXXXXXxXXxXXXxXxXxxxXXxXXxXXXXXxXxxXX # add access key secret

Erstellen Sie die Azure Machine Learning-Verbindung im CLI:

az ml connection create --file my_s3_connection.yaml

Python SDK

Option 1: Laden Sie die Verbindung aus der YAML-Datei

from azure.ai.ml import MLClient, load_workspace_connection

ml_client = MLClient.from_config()


wps_connection = load_workspace_connection(source="./my_s3_connection.yaml")
ml_client.connections.create_or_update(workspace_connection=wps_connection)

Option 2: Verwenden Sie die WorkspaceConnection() in einem Python-Skript

from azure.ai.ml import MLClient
from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import AccessKeyConfiguration

target=<mybucket> # add the s3 bucket details
name=<my_s3_connection> # name of the connection
wps_connection=WorkspaceConnection(name=name,
type="s3",
target= target,
credentials= AccessKeyConfiguration(access_key_id="XXXXXX",acsecret_access_key="XXXXXXXX")
)

ml_client.connections.create_or_update(workspace_connection=wps_connection)

Studio

1. Navigieren Sie zu Azure Machine Learning Studio.

2. Wählen Sie unter Ressourcen im linken Navigationsbereich die Option Daten aus. Wählen Sie als Nächstes die Registerkarte Datenverbindung aus. Wählen Sie dann „Erstellen“ aus, wie in diesem Screenshot gezeigt:

   

3. Geben Sie im Bereich Verbindung erstellen die Werte ein, wie im Screenshot gezeigt. Wählen Sie S3 als Kategorie und Benutzername Kennwort für den Authentifizierungstyp aus. Stellen Sie sicher, dass Sie den Wert im Textfeld Ziel in diesem Format angeben, indem Sie Ihre spezifischen Werte zwischen den Zeichen <> eingeben:

   <target>

   

Nicht-Datenverbindungen

Die folgenden Verbindungstypen können verwendet werden, um eine Verbindung mit Git, Python-Feed, Azure Container Registry und einer Verbindung herzustellen, die einen API-Schlüssel verwendet. Diese Verbindungen sind keine Datenverbindungen, sondern werden verwendet, um eine Verbindung mit externen Diensten herzustellen, die in Ihrem Code verwendet werden.

Git

Azure-Befehlszeilenschnittstelle

Erstellen Sie eine Git-Verbindung mit einer der folgenden YAML-Dateien. Stellen Sie sicher, die angemessenen Werte zu aktualisieren:

• Herstellen einer Verbindung mithilfe eines persönlichen Zugriffstokens (PAT):

  #Connection.yml
  name: test_ws_conn_git_pat
  type: git
  target: https://github.com/contoso/contosorepo
  credentials:
      type: pat
      pat: dummy_pat
  

• Herstellen einer Verbindung mit einem öffentlichen Repository (keine Anmeldeinformationen):

  #Connection.yml
  
  name: git_no_cred_conn
  type: git
  target: https://https://github.com/contoso/contosorepo
  
  

Erstellen Sie die Azure Machine Learning-Verbindung im CLI:

az ml connection create --file connection.yaml

Python SDK

Im folgenden Beispiel wird eine Git-Verbindung mit einem GitHub-Repository erstellt. Diese Verbindung wird mit einem persönlichen Zugriffstoken (Personal Access Token, PAT) authentifiziert:

from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import UsernamePasswordConfiguration, PatTokenConfiguration


name = "my_git_conn"

target = "https://github.com/myaccount/myrepo"

wps_connection = WorkspaceConnection(
    name=name,
    type="git",
    target=target,
    credentials=PatTokenConfiguration(pat="XXXXXXXXX"),    
)
ml_client.connections.create_or_update(workspace_connection=wps_connection)

Studio

Sie können in Studio keine Verbindung zu Git erstellen.

Python-Feed

Azure-Befehlszeilenschnittstelle

Erstellen Sie eine Verbindung zu einem Python-Feed mit einer der folgenden YAML-Dateien. Stellen Sie sicher, die angemessenen Werte zu aktualisieren:

• Herstellen einer Verbindung mithilfe eines persönlichen Zugriffstokens (PAT):

  #Connection.yml
  name: test_ws_conn_python_pat
  type: python_feed
  target: https://test-feed.com
  credentials:
      type: pat
      pat: dummy_pat
  

• Herstellen einer Verbindung über Benutzernamen und Kennwort:

  name: test_ws_conn_python_user_pass
  type: python_feed
  target: https://test-feed.com
  credentials:
      type: username_password
      username: john
      password: pass
  
  

• Herstellen einer Verbindung mit einem öffentlichen Feed (keine Anmeldeinformationen):

  name: test_ws_conn_python_no_cred
  type: python_feed
  target: https://test-feed.com3
  

Erstellen Sie die Azure Machine Learning-Verbindung im CLI:

az ml connection create --file connection.yaml

Python SDK

Im folgenden Beispiel wird eine Verbindung zum Python-Feed erstellt. Diese Verbindung wird mit einem persönlichen Zugriffstoken (Personal Access Token, PAT) oder einem Benutzernamen und Kennwort authentifiziert:

from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import UsernamePasswordConfiguration, ManagedIdentityConfiguration  


name = "my_pfeed_conn"

target = "https://XXXXXXXXX.core.windows.net/mycontainer"

wps_connection = WorkspaceConnection(
    name=name,
    type="python_feed",
    target=target,
    #credentials=UsernamePasswordConfiguration(username="xxxxx", password="xxxxx"), 
    credentials=PatTokenConfiguration(pat="XXXXXXXXX"),    

    #credentials=None
)
ml_client.connections.create_or_update(workspace_connection=wps_connection)

Studio

Sie können in Studio keine Verbindung zu einem Python-Feed erstellen.

Azure Container Registry

Azure-Befehlszeilenschnittstelle

Erstellen Sie eine Verbindung mit einer Azure Container Registry mit einer der folgenden YAML-Dateien. Stellen Sie sicher, die angemessenen Werte zu aktualisieren:

• Herstellen einer Verbindung mit Microsoft Entra ID-Authentifizierung:

  name: test_ws_conn_cr_managed
  type: container_registry
  target: https://test-feed.com
  credentials:
      type: managed_identity
      client_id: client_id
      resource_id: resource_id
  

• Herstellen einer Verbindung über Benutzernamen und Kennwort:

  name: test_ws_conn_cr_user_pass
  type: container_registry
  target: https://test-feed.com2
  credentials:
      type: username_password
      username: contoso
      password: pass
  

Erstellen Sie die Azure Machine Learning-Verbindung im CLI:

az ml connection create --file connection.yaml

Python SDK

Im folgenden Beispiel wird eine Verbindung zu Azure Container Registry erstellt. Diese Verbindung wird mithilfe einer verwalteten Identität authentifiziert:

from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import UsernamePasswordConfiguration, PatTokenConfiguration  


name = "my_acr_conn"

target = "https://XXXXXXXXX.core.windows.net/mycontainer"

wps_connection = WorkspaceConnection(
    name=name,
    type="container_registry",
    target=target,
    credentials=ManagedIdentityConfiguration (client_id="xxxxx", resource_id="xxxxx"),    
)
ml_client.connections.create_or_update(workspace_connection=wps_connection)

Studio

Sie können in Studio keine Verbindung zu einer Azure Container Registry erstellen.

API-Schlüssel

Im folgenden Beispiel wird eine Verbindung zu einem API-Schlüssel erstellt:

from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import UsernamePasswordConfiguration, ApiKeyConfiguration


name = "my_api_key"

target = "https://XXXXXXXXX.core.windows.net/mycontainer"

wps_connection = WorkspaceConnection(
    name=name,
    type="apikey",
    target=target,
    credentials=ApiKeyConfiguration(key="XXXXXXXXX"),    
)
ml_client.connections.create_or_update(workspace_connection=wps_connection)

Zugehöriger Inhalt

Wenn Sie eine Datenverbindung verwenden (Snowflake DB, Amazon S3 oder Azure SQL-Datenbank), finden Sie in den folgenden Artikeln weitere Informationen:

• Datenressourcen importieren
• Planen von Datenimportaufträgen