Menggunakan templat Azure Resource Manager untuk membuat ruang kerja untuk Pembelajaran Mesin Microsoft Azure

Dalam artikel ini, Anda mempelajari beberapa cara untuk membuat ruang kerja Azure Machine Learning dengan menggunakan templat Azure Resource Manager. Templat Resource Manager memudahkan untuk membuat sumber daya dalam satu operasi terkoordinasi. Templat adalah dokumen JSON yang menentukan sumber daya yang diperlukan untuk penyebaran. Ini mungkin juga menentukan parameter penyebaran. Parameter digunakan untuk memberikan nilai input selama penyebaran.

Untuk informasi selengkapnya, lihat Menyebarkan aplikasi dengan templat Azure Resource Manager.

Prasyarat

Batasan

  • Saat membuat ruang kerja baru, Anda dapat secara otomatis membuat layanan yang diperlukan oleh ruang kerja atau menggunakan layanan yang ada. Jika Anda ingin menggunakan layanan yang sudah ada dari langganan Azure yang berbeda dari ruang kerja, Anda harus mendaftarkan kumpulan nama Pembelajaran Mesin Azure dalam langganan yang berisi layanan tersebut. Misalnya, jika Anda membuat ruang kerja di langganan A yang menggunakan akun penyimpanan di langganan B, namespace Azure Pembelajaran Mesin harus terdaftar di langganan B sebelum ruang kerja dapat menggunakan akun penyimpanan.

    Penyedia sumber daya untuk Pembelajaran Mesin Azure adalah Microsoft.MachineLearningServices. Untuk informasi tentang melihat apakah terdaftar atau mendaftarkannya, lihat Penyedia dan jenis sumber daya Azure.

    Penting

    Informasi ini hanya berlaku untuk sumber daya yang disediakan selama pembuatan ruang kerja: Akun Azure Storage, Azure Container Registry, Azure Key Vault, dan Application Insights.

  • Contoh templat mungkin tidak selalu menggunakan versi API terbaru untuk Azure Pembelajaran Mesin. Kami menyarankan agar Anda memodifikasi templat untuk menggunakan versi API terbaru sebelum Anda menggunakannya. Untuk informasi tentang versi API terbaru untuk Azure Machine Learning, lihat halaman untuk grup operasi tertentu dalam dokumentasi REST API Azure Machine Learning .

    Petunjuk / Saran

    Setiap layanan Azure memiliki sekumpulan versi API sendiri. Untuk informasi tentang API untuk layanan tertentu, periksa informasi layanan di referensi Azure REST API.

    Untuk memperbarui versi API, temukan "apiVersion": "YYYY-MM-DD" entri untuk jenis sumber daya dan perbarui ke versi terbaru. Contoh berikut adalah entri untuk Azure Pembelajaran Mesin:

    "type": "Microsoft.MachineLearningServices/workspaces",
"apiVersion": "2023-10-01",

Beberapa ruang kerja di jaringan virtual yang sama

Templat tidak mendukung penyebaran beberapa ruang kerja Azure Machine Learning di jaringan virtual yang sama. Ini karena templat membuat zona DNS baru selama penyebaran.

Jika Anda ingin membuat templat yang menyebarkan beberapa ruang kerja di jaringan virtual yang sama, siapkan secara manual (dengan menggunakan portal Microsoft Azure atau CLI). Kemudian gunakan portal Azure untuk menghasilkan templat.

Tentang templat Resource Manager

Anda bisa mendapatkan templat Resource Manager yang digunakan di seluruh dokumen ini dari direktori GitHub microsoft.machinelearningservices/machine-learning-workspace-vnet dalam repositori Templat Memulai Cepat Azure.

Templat ini membuat layanan Azure berikut ini:

  • Akun Azure Storage
  • Azure Key Vault
  • Application Insights
  • Azure Container Registry
  • Ruang kerja Azure Machine Learning

Ruang kerja Azure Machine Learning menggunakan layanan ini untuk fungsionalitas seperti mencatat dan menyimpan data, rahasia, dan gambar Docker. Templat juga membuat grup sumber daya yang berisi layanan.

Contoh templat memiliki dua parameter yang diperlukan:

  • location, yang menentukan tempat untuk membuat sumber daya.

    Templat menggunakan lokasi yang Anda pilih untuk sebagian besar sumber daya. Pengecualiannya adalah Application Insights, yang tidak tersedia di semua lokasi tempat layanan lain berada. Jika Anda memilih lokasi di mana lokasi tidak tersedia, layanan dibuat di lokasi US Tengah Selatan.

  • workspaceName, yang merupakan nama ramah dari ruang kerja Azure Machine Learning.

    Catatan

    Nama ruang kerja tidak peka huruf besar/kecil.

    Nama-nama layanan lain dihasilkan secara acak.

Petunjuk / Saran

Meskipun templat yang terkait dengan dokumen ini membuat registri kontainer, Anda juga dapat membuat ruang kerja baru tanpa membuat registri kontainer. Satu akan dibuat ketika Anda melakukan operasi yang memerlukan registri kontainer. Misalnya, melatih atau menyebarkan model.

Anda juga bisa mereferensikan registri kontainer atau akun penyimpanan yang sudah ada di templat Azure Resource Manager, alih-alih membuat yang baru. Jika melakukannya, Anda harus menggunakan identitas terkelola atau mengaktifkan akun admin untuk registri kontainer.

Peringatan

Setelah Azure Container Registry dibuat untuk ruang kerja, jangan hapus. Melakukannya membuat ruang kerja Azure Machine Learning Anda tidak berfungsi.

Menyebarkan templat

Untuk menyebarkan templat, Anda perlu membuat grup sumber daya.

Lihat bagian portal Microsoft Azure jika Anda lebih suka menggunakan antarmuka pengguna grafis.

az group create --name "examplegroup" --location "eastus"

Setelah grup sumber daya Anda dibuat, sebarkan templat dengan menggunakan perintah berikut:

az deployment group create \
    --name "exampledeployment" \
    --resource-group "examplegroup" \
    --template-uri "https://raw.githubusercontent.com/Azure/azure-quickstart-templates/master/quickstarts/microsoft.machinelearningservices/machine-learning-workspace-vnet/azuredeploy.json" \
    --parameters workspaceName="exampleworkspace" location="eastus"

Setelah penyebaran selesai, verifikasi bahwa ruang kerja ada dengan menggunakan Azure CLI. Perintah az ml workspace show memerlukan ekstensi Azure Machine Learning (az extension add --name ml) dan mengembalikan provisioningState dari Succeeded ketika penyebaran selesai.

az ml workspace show \
  --name "exampleworkspace" \
  --resource-group "examplegroup" \
  --output table

Secara default, semua sumber daya yang dibuat oleh templat adalah baru. Namun, Anda juga dapat menggunakan sumber daya yang ada dengan menyertakan parameter yang berbeda dalam templat. Parameter utama yang akan Anda gunakan kembali di seluruh skenario meliputi:

  • workspaceName: Mengatur nama yang mudah diingat untuk ruang kerja Azure Machine Learning.
  • location: Menentukan wilayah untuk metadata ruang kerja dan layanan dependen.
  • storageAccountOption: Pilih new atau existing untuk mengontrol apakah templat menyediakan penyimpanan.
  • storageAccountName: Berikan nama saat Anda mereferensikan akun penyimpanan yang ada.
  • privateEndpointType: Atur ke AutoApproval atau ManualApproval saat Anda menyebarkan dengan titik akhir privat.
  • vnetOption: Pilih new atau existing untuk memutuskan bagaimana ruang kerja terhubung ke jaringan virtual.
  • vnetName: Berikan nama jaringan virtual setiap kali Anda berintegrasi dengan jaringan virtual.

Misalnya, jika Anda ingin menggunakan akun penyimpanan yang ada, atur storageAccountOption nilai ke existing, dan berikan nama akun penyimpanan Anda dalam storageAccountName parameter , seperti yang ditunjukkan dalam perintah berikut.

Penting

Jika Anda ingin menggunakan akun Azure Storage yang sudah ada, akun tersebut tidak dapat menjadi akun premium (Premium_LRS atau Premium_GRS). Ini juga tidak dapat memiliki namespace hierarkis (yang digunakan dengan Azure Data Lake Storage Gen2). Penyimpanan premium atau namespace hierarkis tidak didukung dengan akun penyimpanan default ruang kerja. Anda dapat menggunakan penyimpanan premium atau namespace hierarkis dengan akun penyimpanan non-default.

az deployment group create \
    --name "exampledeployment" \
    --resource-group "examplegroup" \
    --template-uri "https://raw.githubusercontent.com/Azure/azure-quickstart-templates/master/quickstarts/microsoft.machinelearningservices/machine-learning-workspace-vnet/azuredeploy.json" \
    --parameters workspaceName="exampleworkspace" \
      location="eastus" \
      storageAccountOption="existing" \
      storageAccountName="existingstorageaccountname"

Menyebarkan ruang kerja terenkripsi

Contoh templat berikut menunjukkan cara membuat ruang kerja yang memiliki tiga pengaturan:

  • Aktifkan pengaturan kerahasiaan tinggi untuk ruang kerja. Konfigurasi ini membuat instans Azure Cosmos DB baru.
  • Aktifkan enkripsi untuk ruang kerja.
  • Gunakan brankas kunci Azure yang ada untuk mengambil kunci yang dikelola pelanggan. Kunci yang dikelola pelanggan digunakan untuk membuat instans Azure Cosmos DB baru untuk ruang kerja.

Penting

Setelah ruang kerja dibuat, Anda tidak dapat mengubah pengaturan untuk data rahasia, enkripsi, ID brankas kunci, atau pengidentifikasi kunci. Untuk mengubah nilai-nilai ini, Anda harus membuat ruang kerja baru yang menggunakan nilai baru.

Untuk informasi selengkapnya, lihat Kunci yang dikelola pelanggan.

Penting

Langganan Anda harus memenuhi persyaratan ini sebelum Anda menggunakan templat ini:

  • Anda harus memiliki brankas kunci Azure yang sudah ada yang berisi kunci enkripsi.
  • Key Vault harus berada di wilayah yang sama di mana Anda berencana untuk membuat ruang kerja Azure Machine Learning.
  • Anda harus menentukan ID brankas kunci dan URI kunci enkripsi.
  • Brankas kunci harus memiliki penghapusan sementara dan perlindungan penghapusan permanen yang diaktifkan.

Untuk informasi tentang membuat brankas dan kunci, lihat Mengonfigurasi kunci yang dikelola pelanggan.

Untuk mendapatkan nilai untuk cmk_keyvault parameter (ID brankas kunci) dan resource_cmk_uri (URI kunci) yang diperlukan oleh templat ini, lakukan langkah-langkah berikut:

  1. Untuk mendapatkan ID brankas kunci, gunakan perintah berikut:

    az keyvault show --name <keyvault-name> --query 'id' --output tsv

    Perintah ini mengembalikan nilai yang mirip dengan /subscriptions/{subscription-guid}/resourceGroups/<resource-group-name>/providers/Microsoft.KeyVault/vaults/<keyvault-name>.

  2. Untuk mendapatkan nilai URI untuk kunci yang dikelola pelanggan, gunakan perintah berikut:

    az keyvault key show --vault-name <keyvault-name> --name <key-name> --query 'key.kid' --output tsv

Perintah ini mengembalikan nilai yang mirip dengan https://mykeyvault.vault.azure.net/keys/mykey/{guid}.

Penting

Setelah ruang kerja dibuat, Anda tidak dapat mengubah pengaturan untuk data rahasia, enkripsi, ID brankas kunci, atau pengidentifikasi kunci. Untuk mengubah nilai-nilai ini, Anda harus membuat ruang kerja baru yang menggunakan nilai baru.

Untuk mengaktifkan penggunaan kunci yang dikelola pelanggan, atur parameter berikut saat menyebarkan templat:

  • Atur encryption_status ke Enabled.
  • Atur cmk_keyvault ke nilai yang cmk_keyvault diperoleh dalam langkah-langkah sebelumnya.
  • Atur resource_cmk_uri ke nilai yang resource_cmk_uri diperoleh dalam langkah-langkah sebelumnya.
az deployment group create \
    --name "exampledeployment" \
    --resource-group "examplegroup" \
    --template-uri "https://raw.githubusercontent.com/Azure/azure-quickstart-templates/master/quickstarts/microsoft.machinelearningservices/machine-learning-workspace-vnet/azuredeploy.json" \
    --parameters workspaceName="exampleworkspace" \
      location="eastus" \
      encryption_status="Enabled" \
      cmk_keyvault="/subscriptions/{subscription-guid}/resourceGroups/<resource-group-name>/providers/Microsoft.KeyVault/vaults/<keyvault-name>" \
      resource_cmk_uri="https://mykeyvault.vault.azure.net/keys/mykey/{guid}"

Saat Anda menggunakan kunci yang dikelola pelanggan, Azure Machine Learning membuat grup sumber daya sekunder yang berisi instans Azure Cosmos DB. Untuk informasi selengkapnya, lihat Enkripsi saat tidak aktif di Azure Cosmos DB.

Anda dapat secara opsional mengatur parameter ke confidential_datatrue. Melakukannya memungkinkan perilaku berikut:

  • Mulai mengenkripsi disk awal lokal untuk kluster komputasi Azure Machine Learning, jika Anda belum membuat kluster apa pun di langganan Anda. Jika sebelumnya Anda telah membuat kluster dalam langganan, buka tiket dukungan agar enkripsi disk awal diaktifkan untuk kluster komputasi Anda.

  • Membersihkan disk awal lokal di antara pekerjaan.

  • Dengan aman meneruskan kredensial akun penyimpanan, registri kontainer, dan akun SSH dari lapisan eksekusi ke kluster komputasi Anda dengan menggunakan Key Vault.

  • Memungkinkan pemfilteran IP untuk memastikan bahwa tidak ada layanan eksternal selain AzureMachineLearningService yang dapat memanggil kumpulan batch yang mendasar.

    Untuk informasi selengkapnya, lihat Enkripsi saat tidak aktif.

Menyebarkan ruang kerja di belakang jaringan virtual

Dengan mengatur nilai parameter vnetOption ke new atau existing, Anda dapat membuat sumber daya yang digunakan oleh workspace di belakang jaringan virtual.

Penting

Untuk Container Registry, hanya SKU Premium yang didukung.

Penting

Application Insights tidak mendukung penyebaran di belakang jaringan virtual.

Hanya tempatkan ruang kerja di belakang titik akhir tersembunyi

Jika sumber daya terkait tidak berada di belakang jaringan virtual, Anda dapat mengatur privateEndpointType parameter ke AutoApproval atau ManualApproval untuk menyebarkan ruang kerja di belakang titik akhir privat. Pengaturan ini dapat digunakan untuk ruang kerja baru dan yang sudah ada. Saat memperbarui ruang kerja yang ada, konfigurasikan parameter templat dengan informasi dari ruang kerja yang ada.

az deployment group create \
    --name "exampledeployment" \
    --resource-group "examplegroup" \
    --template-uri "https://raw.githubusercontent.com/Azure/azure-quickstart-templates/master/quickstarts/microsoft.machinelearningservices/machine-learning-workspace-vnet/azuredeploy.json" \
    --parameters workspaceName="exampleworkspace" \
      location="eastus" \
      privateEndpointType="AutoApproval"

Gunakan jaringan virtual baru

Untuk menyebarkan sumber daya di belakang jaringan virtual baru, set ke vnetOption dan sediakan pengaturan jaringan virtual new untuk sumber daya. Contoh berikut menunjukkan cara menyebarkan ruang kerja dan menyebarkan sumber daya akun penyimpanan di belakang jaringan virtual baru.

az deployment group create \
    --name "exampledeployment" \
    --resource-group "examplegroup" \
    --template-uri "https://raw.githubusercontent.com/Azure/azure-quickstart-templates/master/quickstarts/microsoft.machinelearningservices/machine-learning-workspace-vnet/azuredeploy.json" \
    --parameters workspaceName="exampleworkspace" \
      location="eastus" \
      vnetOption="new" \
      vnetName="examplevnet" \
      storageAccountBehindVNet="true" \
      privateEndpointType="AutoApproval"

Atau, Anda dapat menyebarkan beberapa atau semua sumber daya dependen di belakang jaringan virtual:

az deployment group create \
    --name "exampledeployment" \
    --resource-group "examplegroup" \
    --template-uri "https://raw.githubusercontent.com/Azure/azure-quickstart-templates/master/quickstarts/microsoft.machinelearningservices/machine-learning-workspace-vnet/azuredeploy.json" \
    --parameters workspaceName="exampleworkspace" \
      location="eastus" \
      vnetOption="new" \
      vnetName="examplevnet" \
      storageAccountBehindVNet="true" \
      keyVaultBehindVNet="true" \
      containerRegistryBehindVNet="true" \
      containerRegistryOption="new" \
      containerRegistrySku="Premium" \
      privateEndpointType="AutoApproval"

Menggunakan jaringan virtual yang ada dan sumber daya yang ada

Untuk menyebarkan ruang kerja dengan sumber daya yang ada, Anda harus mengatur vnetOption parameter dan parameter subnet ke existing. Namun, Anda perlu membuat titik akhir layanan di jaringan virtual untuk setiap sumber daya sebelum penyebaran. Seperti halnya penyebaran jaringan virtual baru, Anda dapat menempatkan satu atau semua sumber daya Anda di belakang jaringan virtual.

Penting

Subnet harus memiliki Microsoft.Storage titik akhir layanan.

Penting

Subnet tidak mendukung titik akhir privat. Nonaktifkan titik akhir privat untuk mengaktifkan subnet.

  1. Aktifkan titik akhir layanan untuk sumber daya:

    az network vnet subnet update --resource-group "examplegroup" --vnet-name "examplevnet" --name "examplesubnet" --service-endpoints "Microsoft.Storage"
az network vnet subnet update --resource-group "examplegroup" --vnet-name "examplevnet" --name "examplesubnet" --service-endpoints "Microsoft.KeyVault"
az network vnet subnet update --resource-group "examplegroup" --vnet-name "examplevnet" --name "examplesubnet" --service-endpoints "Microsoft.ContainerRegistry"

  2. Sebarkan ruang kerja:

    az deployment group create \
--name "exampledeployment" \
--resource-group "examplegroup" \
--template-uri "https://raw.githubusercontent.com/Azure/azure-quickstart-templates/master/quickstarts/microsoft.machinelearningservices/machine-learning-workspace-vnet/azuredeploy.json" \
--parameters workspaceName="exampleworkspace" \
  location="eastus" \
  vnetOption="existing" \
  vnetName="examplevnet" \
  vnetResourceGroupName="examplegroup" \
  storageAccountBehindVNet="true" \
  keyVaultBehindVNet="true" \
  containerRegistryBehindVNet="true" \
  containerRegistryOption="new" \
  containerRegistrySku="Premium" \
  subnetName="examplesubnet" \
  subnetOption="existing" \
  privateEndpointType="AutoApproval"

Menggunakan portal Azure

  1. Selesaikan langkah-langkah dalam Menyebarkan sumber daya dari templat kustom. Saat Anda masuk ke panel Penyebaran kustom , pilih Templat mulai cepat.

  2. Di daftar template Quickstart, pilih quickstarts/microsoft.machinelearningservices/machine-learning-workspace-vnet. Terakhir, pilih Pilih templat.

  3. Pada halaman Penyebaran kustom , berikan informasi yang diperlukan berikut dan parameter lain yang diperlukan oleh skenario penyebaran Anda.

    • Langganan: Pilih langganan Azure yang akan digunakan untuk sumber daya.
    • Grup sumber daya: Pilih atau buat grup sumber daya untuk berisi layanan.
    • Wilayah: Pilih wilayah Azure untuk membuat sumber daya.
    • Nama ruang kerja: Masukkan nama untuk ruang kerja Azure Machine Learning. Nama ruang kerja harus antara 3 hingga 33 karakter. Ini hanya dapat berisi karakter alfanumerik dan karakter -.
    • Lokasi: Pilih lokasi untuk metadata penyebaran. Lokasi ini bisa sama dengan lokasi wilayah, atau bisa berbeda.
  • Nama VNet: Masukkan nama jaringan virtual.
  1. Pilih Tinjau + buat.
  2. Pilih Buat.

Untuk informasi selengkapnya, lihat Menyebarkan sumber daya dari templat kustom.

Pemecahan Masalah

Kesalahan penyedia sumber daya

Saat membuat ruang kerja Azure Machine Learning, atau sumber daya yang digunakan oleh ruang kerja, Anda mungkin mendapatkan kesalahan yang mirip dengan salah satu dari berikut ini:

  • No registered resource provider found for location {location}
  • The subscription is not registered to use namespace {resource-provider-namespace}

Sebagian besar penyedia sumber daya terdaftar secara otomatis, tetapi tidak semuanya. Jika Anda melihat pesan ini, Anda perlu mendaftarkan diri sebagai penyedia.

Tabel berikut berisi daftar penyedia sumber daya yang diperlukan oleh Azure Machine Learning:

Penyedia sumber daya Mengapa dibutuhkan
Microsoft.MachineLearningServices Membuat ruang kerja Azure Machine Learning.
Microsoft.Storage Akun Azure Storage digunakan sebagai penyimpanan default untuk ruang kerja.
Microsoft.ContainerRegistry Azure Container Registry digunakan oleh ruang kerja untuk membangun gambar Docker.
Microsoft.KeyVault Azure Key Vault digunakan oleh ruang kerja untuk menyimpan rahasia.
Microsoft.Notebooks Instans komputasi Azure Machine Learning menggunakan notebook terintegrasi.
Microsoft.ContainerService Anda ingin menyebarkan model terlatih ke Azure Kubernetes Services.

Jika Anda ingin menggunakan kunci yang dikelola pelanggan dengan Azure Machine Learning, Anda harus mendaftarkan penyedia layanan berikut:

Penyedia sumber daya Mengapa dibutuhkan
Microsoft.DocumentDB Instans Azure Cosmos DB mencatat metadata untuk ruang kerja.
Microsoft.Search Azure Search menyediakan kemampuan pengindeksan untuk ruang kerja.

Jika Anda ingin menggunakan jaringan virtual terkelola dengan Azure Machine Learning, Anda harus mendaftarkan penyedia sumber daya Microsoft.Network . Penyedia sumber daya ini digunakan oleh ruang kerja ketika membuat titik akhir privat untuk jaringan virtual yang dikelola.

Untuk informasi selengkapnya tentang cara mendaftarkan penyedia sumber daya, lihat Mengatasi kesalahan untuk pendaftaran penyedia sumber daya.

Kebijakan akses Key Vault dan templat Resource Manager

Anda mungkin mengalami kegagalan jika Anda menggunakan templat Resource Manager untuk membuat ruang kerja dan sumber daya terkait (termasuk Key Vault), beberapa kali. Misalnya, menggunakan templat beberapa kali dengan parameter yang sama sebagai bagian dari integrasi berkelanjutan dan alur penyebaran dapat menyebabkan kegagalan.

Sebagian besar operasi pembuatan sumber daya yang berjalan melalui templat bersifat idempoten, tetapi setiap kali templat digunakan, Key Vault menghapus kebijakan akses. Menghapus kebijakan akses menyebabkan masalah dalam mengakses key vault bagi semua ruang kerja yang menggunakannya. Misalnya, menghentikan dan membuat operasi VM notebook Azure mungkin gagal.

Untuk menghindari masalah ini, kami merekomendasikan salah satu pendekatan berikut:

  • Jangan menyebarkan templat lebih dari sekali dengan parameter yang sama. Atau hapus sumber daya yang ada sebelum menggunakan templat untuk membuatnya kembali.

  • Periksa kebijakan akses Key Vault dan gunakan kebijakan ini untuk mengatur accessPolicies properti templat. Untuk menampilkan kebijakan akses, gunakan perintah Azure CLI berikut ini:

    az keyvault show --name mykeyvault --resource-group myresourcegroup --query properties.accessPolicies

    Untuk informasi selengkapnya tentang menggunakan accessPolicies bagian templat, lihat referensi objek AccessPolicyEntry.

  • Periksa apakah sumber daya Key Vault sudah ada. Jika ya, jangan buat ulang dengan menggunakan templat. Misalnya, untuk menggunakan Key Vault yang ada alih-alih membuat yang baru, buat perubahan berikut dalam templat:

    • Tambahkan parameter yang menerima ID sumber daya Key Vault yang ada:

      "keyVaultId":{
  "type": "string",
  "metadata": {
    "description": "Specify the existing Key Vault ID."
  }
}

    • Hapus bagian yang membuat sumber daya Key Vault:

      {
  "type": "Microsoft.KeyVault/vaults",
  "apiVersion": "2018-02-14",
  "name": "[variables('keyVaultName')]",
  "location": "[parameters('location')]",
  "properties": {
    "tenantId": "[variables('tenantId')]",
    "sku": {
      "name": "standard",
      "family": "A"
    },
    "accessPolicies": [
    ]
  }
},

    • Hapus baris "[resourceId('Microsoft.KeyVault/vaults', variables('keyVaultName'))]", dari bagian dependsOn ruang kerja. keyVault Ubah juga entri di bagian properties ruang kerja untuk mereferensikan keyVaultId parameter:

      {
  "type": "Microsoft.MachineLearningServices/workspaces",
  "apiVersion": "2019-11-01",
  "name": "[parameters('workspaceName')]",
  "location": "[parameters('location')]",
  "dependsOn": [
    "[resourceId('Microsoft.Storage/storageAccounts', variables('storageAccountName'))]",
    "[resourceId('Microsoft.Insights/components', variables('applicationInsightsName'))]"
  ],
  "identity": {
    "type": "systemAssigned"
  },
  "sku": {
    "tier": "[parameters('sku')]",
    "name": "[parameters('sku')]"
  },
  "properties": {
    "friendlyName": "[parameters('workspaceName')]",
    "keyVault": "[parameters('keyVaultId')]",
    "applicationInsights": "[resourceId('Microsoft.Insights/components',variables('applicationInsightsName'))]",
    "storageAccount": "[resourceId('Microsoft.Storage/storageAccounts/',variables('storageAccountName'))]"
  }
}

    Setelah membuat perubahan ini, Anda dapat menentukan ID sumber daya Key Vault yang ada saat menjalankan templat. Templat kemudian menggunakan ulang brankas kunci dengan menetapkan properti keyVault ruang kerja ke ID-nya.

    Untuk mendapatkan ID dari key vault, Anda dapat mengacu pada output pekerjaan template asli atau menggunakan Azure CLI. Perintah berikut menunjukkan cara menggunakan Azure CLI untuk mendapatkan ID sumber daya brankas kunci:

    az keyvault show --name mykeyvault --resource-group myresourcegroup --query id

    Perintah ini mengembalikan nilai yang mirip dengan ini:

    /subscriptions/{subscription-guid}/resourceGroups/myresourcegroup/providers/Microsoft.KeyVault/vaults/mykeyvault

Konten terkait

  • Last updated on