Mengamankan ruang kerja Azure Machine Learning dengan menggunakan jaringan virtual

BERLAKU UNTUK:Ekstensi ML Azure CLI v2 (saat ini)Python SDK azure-ai-ml v2 (saat ini)

Petunjuk / Saran

Anda dapat menggunakan Azure Pembelajaran Mesin jaringan virtual terkelola alih-alih langkah-langkah dalam artikel ini. Dengan jaringan virtual terkelola, Azure Machine Learning menangani pekerjaan isolasi jaringan untuk ruang kerja dan compute yang dikelola Anda. Anda juga dapat menambahkan titik akhir privat untuk sumber daya yang diperlukan oleh ruang kerja, seperti Akun Azure Storage. Untuk informasi selengkapnya, lihat Isolasi jaringan terkelola Ruang Kerja.

Dalam artikel ini, Anda mempelajari cara mengamankan ruang kerja Azure Pembelajaran Mesin dan sumber daya terkait di Microsoft Azure Virtual Network.

Artikel ini adalah bagian dari seri tentang mengamankan alur kerja Azure Machine Learning. Lihat artikel lain dalam seri ini:

Untuk tutorial tentang membuat ruang kerja yang aman, lihat Tutorial: Membuat ruang kerja yang aman, templat Bicep, atau templat Terraform.

Dalam artikel ini, Anda mempelajari cara mengaktifkan sumber daya ruang kerja berikut di jaringan virtual:

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

Prasyarat

  • Baca artikel Gambaran umum keamanan jaringan untuk memahami skenario jaringan virtual umum dan arsitektur jaringan virtual secara keseluruhan.

  • Baca artikel Praktik terbaik Azure Machine Learning untuk keamanan perusahaan guna mempelajari tentang praktik terbaik.

  • Jaringan virtual dan subnet yang ada untuk digunakan dengan sumber daya komputasi Anda.

    Peringatan

    Jangan gunakan rentang alamat IP 172.17.0.0/16 untuk VNet Anda. Rentang ini adalah rentang subnet default yang digunakan oleh jaringan jembatan Docker. Menggunakannya pada VNet Anda berujung pada kesalahan. Rentang lain mungkin juga bertentangan tergantung pada apa yang ingin Anda sambungkan ke jaringan virtual. Misalnya, jika Anda berencana untuk menyambungkan jaringan lokal Anda ke VNet, dan jaringan lokal Anda juga menggunakan rentang 172.16.0.0/16. Pada akhirnya, Anda merencanakan infrastruktur jaringan Anda.

  • Untuk menyebarkan sumber daya ke dalam jaringan virtual atau subnet, akun pengguna Anda harus memiliki izin untuk tindakan berikut di kontrol akses berbasis peran Azure (Azure RBAC):

    • "Microsoft.Network/*/read" pada sumber daya jaringan virtual. Izin ini tidak diperlukan untuk penyebaran templat Azure Resource Manager (ARM).
    • "Microsoft.Network/virtualNetworks/join/action" pada sumber daya jaringan virtual.
    • "Microsoft.Network/virtualNetworks/subnets/join/action" pada sumber daya subnet.

    Untuk informasi selengkapnya tentang Azure RBAC dengan pembuatan jaringan, lihat Peran bawaan jaringan

Azure Container Registry

  • Anda harus menggunakan Azure Container Registry versi Premium. Untuk mendapatkan informasi lebih lanjut tentang memperbarui, lihat Mengubah SKU.

  • Jika Azure Container Registry Anda menggunakan titik akhir privat, letakkan di jaringan virtual yang sama dengan akun penyimpanan dan target komputasi yang digunakan untuk pelatihan atau inferensi. Namun, itu juga dapat berada dalam jaringan virtual yang dipasangkan.

    Jika menggunakan titik akhir layanan, titik akhir tersebut harus berada di jaringan virtual dan subnet yang sama dengan akun penyimpanan dan target komputasi.

  • Ruang kerja Azure Machine Learning Anda harus berisi kluster komputasi Azure Machine Learning.

Batasan

Akun penyimpanan Azure

  • Jika Anda berencana menggunakan studio Azure Pembelajaran Mesin dan akun penyimpanan juga berada di jaringan virtual, ada persyaratan validasi tambahan:

    • Jika akun penyimpanan menggunakan titik akhir layanan, titik akhir privat ruang kerja dan titik akhir layanan penyimpanan harus berada di subnet jaringan virtual yang sama.
    • Jika akun penyimpanan menggunakan private endpoint, workspace private endpoint dan storage private endpoint harus berada di jaringan virtual yang sama. Dalam hal ini, endpoint tersebut dapat berada di subnet yang berbeda.

Azure Container Instances

Saat ruang kerja Azure Pembelajaran Mesin Anda dikonfigurasi dengan titik akhir privat, penyebaran ke Azure Container Instances di jaringan virtual tidak didukung. Sebagai gantinya, pertimbangkan untuk menggunakan Titik akhir online terkelola dengan isolasi jaringan.

Azure Container Registry

Ketika Anda mengkonfigurasi ruang kerja Azure Machine Learning atau sumber daya apa pun dengan titik akhir privat, Anda mungkin perlu menyiapkan kluster komputasi yang dikelola pengguna untuk pembuatan citra Azure Machine Learning Environment. Skenario default memanfaatkan komputasi tanpa server dan saat ini ditujukan untuk skenario tanpa batasan jaringan pada sumber daya yang terkait dengan Ruang Kerja Azure Machine Learning.

Penting

Kluster komputasi yang digunakan untuk membangun gambar Docker perlu mengakses repositori paket yang digunakan untuk melatih dan menyebarkan model Anda. Anda mungkin perlu menambahkan aturan keamanan jaringan yang memungkinkan akses ke repositori publik, menggunakan paket Python privat, atau menggunakan gambar Docker kustom (SDK v1) yang sudah menyertakan paket.

Menggunakan Azure Container Registry privat melalui koneksi ruang kerja untuk menarik gambar tidak didukung dalam konfigurasi bring-your-own virtual network (BYO VNet). Untuk menggunakan ACR privat, konfigurasikan sebagai ACR terlampir default untuk ruang kerja dan ikuti panduan di bagian Aktifkan Azure Container Registry (ACR).

Azure Monitor

Peringatan

Azure Monitor mendukung penggunaan Azure Private Link untuk tersambung ke VNet. Namun, Anda harus menggunakan mode Private Link yang terbuka di Azure Monitor. Untuk informasi lebih lanjut, lihat Mode akses Private Link: Privat saja vs, Terbuka.

Akses internet publik yang diperlukan

Azure Machine Learning membutuhkan akses masuk dan keluar ke internet publik. Tabel berikut ini memberikan gambaran umum tentang akses yang diperlukan dan tujuan apa yang dilayaninya. Untuk tag layanan yang diakhiri dengan .region, ganti region dengan wilayah Azure yang berisi ruang kerja Anda. Misalnya, Storage.westus:

Petunjuk / Saran

Tab yang diperlukan mencantumkan konfigurasi masuk dan keluar yang diperlukan. Tab situasional mencantumkan konfigurasi masuk dan keluar opsional yang diperlukan untuk konfigurasi tertentu yang mungkin ingin Anda aktifkan.

Arah Protokol &
port		 Tag layanan Tujuan
Keluar TCP: 80, 443 AzureActiveDirectory Autentikasi menggunakan Microsoft Entra ID..
Arus Keluar TCP: 443, 18881
UDP: 5831		 AzureMachineLearning Menggunakan Azure Machine Learning service.
Python intellisense pada notebook menggunakan port 18881.
Membuat, memperbarui, dan menghapus instans komputasi Azure Pembelajaran Mesin menggunakan port 5831.
Terkirim ANY: 443 BatchNodeManagement.region Komunikasi dengan back-end Azure Batch untuk Azure Pembelajaran Mesin instans/kluster komputasi.
Keluar TCP: 443 AzureResourceManager Pembuatan sumber daya Azure dengan Azure Pembelajaran Mesin, Azure CLI, dan Azure Pembelajaran Mesin SDK.
Keluar TCP: 443 Storage.region Akses data yang disimpan di Azure Storage Account untuk kluster dan instans komputasi. Untuk informasi tentang mencegah eksfiltrasi data melalui saluran keluar ini, lihat Perlindungan eksfiltrasi data.
Keluar TCP: 443 AzureFrontDoor.FrontEnd
* Tidak diperlukan di Microsoft Azure yang dioperasikan oleh 21Vianet.		 Titik masuk global untuk studio Azure Machine Learning. Simpan gambar dan lingkungan untuk AutoML. Untuk informasi tentang mencegah eksfiltrasi data melalui saluran keluar ini, lihat Perlindungan eksfiltrasi data.
Keluar TCP: 443 MicrosoftContainerRegistry.region
Perhatikan bahwa tag ini memiliki dependensi pada AzureFrontDoor.FirstParty tag		 Mengakses gambar docker yang disediakan oleh Microsoft. Penyiapan router Azure Machine Learning pada Azure Kubernetes Service.

Petunjuk / Saran

Jika Anda memerlukan alamat IP alih-alih tag layanan, gunakan salah satu opsi berikut:

Alamat IP dapat berubah seiring waktu.

Anda mungkin juga perlu mengizinkan lalu lintas keluar ke Visual Studio Code dan situs non-Microsoft untuk pemasangan paket yang diperlukan oleh proyek pembelajaran mesin Anda. Tabel berikut mencantumkan repositori yang umum digunakan untuk pembelajaran mesin:

Nama host Tujuan
anaconda.com
*.anaconda.com		 Digunakan untuk menginstal paket default.
*.anaconda.org Digunakan untuk mendapatkan data repositori.
pypi.org Digunakan untuk mencantumkan dependensi dari indeks default, jika ada, dan indeks tersebut tidak ditimpa oleh pengaturan pengguna. Jika indeks ditimpa, Anda harus mengizinkan *.pythonhosted.org juga.
cloud.r-project.org Digunakan saat menginstal paket CRAN untuk pengembangan R.
*.pytorch.org Digunakan oleh beberapa contoh berdasarkan PyTorch.
*.tensorflow.org Digunakan oleh beberapa contoh berdasarkan TensorFlow.
code.visualstudio.com Diperlukan untuk mengunduh dan menginstal desktop Visual Studio Code. Ini tidak diperlukan untuk Visual Studio Code Web.
update.code.visualstudio.com
*.vo.msecnd.net		 Digunakan untuk mengambil bit server Visual Studio Code yang diinstal pada instans komputasi melalui skrip penyiapan.
marketplace.visualstudio.com
vscode.blob.core.windows.net
*.gallerycdn.vsassets.io		 Diperlukan untuk mengunduh dan menginstal ekstensi Visual Studio Code. Host ini memungkinkan koneksi jarak jauh ke Instans Komputasi yang disediakan oleh ekstensi Azure ML untuk Visual Studio Code. Untuk mendapatkan informasi lebih lanjut, lihat Menghubungkan ke instans komputasi Azure Machine Learning dalam Visual Studio Code.
raw.githubusercontent.com/microsoft/vscode-tools-for-ai/master/azureml_remote_websocket_server/* Digunakan untuk mengambil bit server websocket yang diinstal pada instans komputasi. Server websocket digunakan untuk mengirimkan permintaan dari klien Visual Studio Code (aplikasi desktop) ke server Visual Studio Code yang berjalan pada instans komputasi.

Catatan

Saat menggunakan ekstensi Azure Pembelajaran Mesin VS Code, instans komputasi jarak jauh akan memerlukan akses ke repositori publik untuk menginstal paket yang diperlukan oleh ekstensi. Jika instans komputasi memerlukan proksi untuk mengakses repositori publik ini atau Internet, Anda harus mengatur dan mengekspor HTTP_PROXY variabel lingkungan dan HTTPS_PROXY dalam ~/.bashrc file instans komputasi. Proses ini dapat diotomatisasi pada waktu provisi dengan menggunakan skrip kustom.

Saat menggunakan Azure Kubernetes Service (AKS) dengan Azure Machine Learning, izinkan lalu lintas berikut ke VNet AKS:

Untuk informasi tentang menggunakan solusi firewall, lihat Mengonfigurasi komunikasi input dan output yang diperlukan.

Amankan ruang kerja dengan titik akhir privat

Azure Private Link memungkinkan Anda menyambungkan ke ruang kerja dengan menggunakan titik akhir privat. Titik akhir privat adalah sekumpulan alamat IP privat dalam jaringan virtual Anda. Anda kemudian dapat membatasi akses ke ruang kerja Anda agar hanya terjadi melalui alamat IP privat. Titik akhir privat membantu mengurangi risiko penyelundupan data.

Untuk informasi selengkapnya tentang mengonfigurasi titik akhir privat untuk ruang kerja Anda, lihat Cara mengonfigurasi titik akhir privat.

Peringatan

Mengamankan ruang kerja dengan menggunakan endpoint privat tidak menjamin keamanan dari ujung ke ujung secara otomatis. Anda harus mengikuti langkah-langkah lainnya dalam artikel ini, dan seri VNet, untuk mengamankan komponen individual solusi Anda. Misalnya, jika Anda menggunakan titik akhir privat untuk ruang kerja, tetapi Akun Azure Storage Anda tidak berada di belakang VNet, lalu lintas antara ruang kerja dan penyimpanan tidak menggunakan VNet untuk keamanan.

Akun penyimpanan Azure yang aman

Azure Machine Learning mendukung akun penyimpanan yang dikonfigurasi untuk menggunakan titik akhir privat atau titik akhir layanan.

  1. Di portal Microsoft Azure, pilih Akun Azure Storage.

  2. Gunakan informasi dalam Menggunakan titik akhir privat untuk Azure Storage untuk menambahkan titik akhir privat untuk sub-sumber daya penyimpanan berikut:

    Cuplikan layar memperlihatkan halaman konfigurasi titik akhir privat dengan opsi blob dan file

    Petunjuk / Saran

    Saat mengonfigurasi akun penyimpanan yang bukan penyimpanan default, pilih jenis sub sumber daya Target yang sesuai dengan akun penyimpanan yang ingin Anda tambahkan.

  3. Setelah membuat titik akhir privat untuk sumber daya penyimpanan, pilih tab Firewall dan jaringan virtual di bagian Jaringan untuk akun penyimpanan.

  4. Pilih Jaringan yang Dipilih, lalu di bawah Instans sumber daya, pilih Microsoft.MachineLearningServices/Workspace sebagai tipe Sumber Daya. Pilih ruang kerja Anda menggunakan nama Instans. Untuk mengetahui informasi selengkapnya, lihat Akses tepercaya berdasarkan identitas terkelola yang ditetapkan sistem.

    Petunjuk / Saran

    Atau, Anda dapat memilih Izinkan layanan Azure pada daftar layanan tepercaya untuk mengakses akun penyimpanan ini untuk lebih luas memungkinkan akses dari layanan tepercaya. Untuk informasi selengkapnya, lihat Mengonfigurasi firewall Azure Storage dan jaringan virtual.

    Area jaringan pada halaman Azure Storage di portal Microsoft Azure saat menggunakan titik akhir privat

  5. Pilih Simpan untuk menyimpan konfigurasi.

Petunjuk / Saran

Saat menggunakan titik akhir privat, Anda juga dapat menonaktifkan akses anonim. Untuk informasi selengkapnya, lihat melarang akses anonim.

Mengamankan Azure Key Vault

Azure Machine Learning menggunakan instans Key Vault terkait untuk menyimpan kredensial berikut:

  • String koneksi akun penyimpanan terkait
  • Kata sandi ke instans Azure Container Registry
  • String koneksi ke penyimpanan data

Anda dapat mengonfigurasi brankas kunci Azure untuk menggunakan titik akhir privat atau titik akhir layanan. Agar dapat menggunakan kemampuan eksperimen Azure Machine Learning dengan Azure Key Vault di belakang jaringan virtual, gunakan langkah-langkah berikut:

Petunjuk / Saran

Brankas kunci harus berada di jaringan virtual yang sama dengan ruang kerja, tetapi dapat berada di jaringan virtual yang di-peering .

Untuk mengetahui informasi tentang menggunakan titik akhir privat dengan Azure Key Vault, lihat Mengintegrasikan Key Vault dengan Azure Private Link.

Mengaktifkan Azure Container Registry (ACR)

Petunjuk / Saran

Jika Anda tidak menggunakan Azure Container Registry yang sudah ada saat membuat ruang kerja, mungkin tidak ada. Secara default, ruang kerja tidak membuat instans ACR hingga membutuhkannya. Untuk memaksa pembuatan model, latih atau sebarkan model dengan menggunakan ruang kerja Anda sebelum menggunakan langkah-langkah di bagian ini.

Anda dapat mengonfigurasi Azure Container Registry untuk menggunakan titik akhir privat. Gunakan langkah-langkah berikut untuk mengonfigurasi ruang kerja Anda untuk menggunakan ACR saat berada di jaringan virtual:

  1. Temukan nama Azure Container Registry untuk ruang kerja Anda dengan menggunakan salah satu metode berikut:

    BERLAKU UNTUK: Ekstensi ml Azure CLI v2 (saat ini)

    Jika Anda menginstal ekstensi Pembelajaran Mesin v2 untuk Azure CLI, gunakan az ml workspace show perintah untuk menampilkan informasi ruang kerja. Ekstensi v1 tidak mengembalikan informasi ini.

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

    Perintah ini mengembalikan nilai yang mirip dengan "/subscriptions/{GUID}/resourceGroups/{resourcegroupname}/providers/Microsoft.ContainerRegistry/registries/{ACRname}". Bagian terakhir dari string adalah nama Azure Container Registry untuk ruang kerja.

  2. Batasi akses ke jaringan virtual Anda dengan menggunakan langkah-langkah di Menyambungkan secara privat ke Azure Container Registry. Saat menambahkan jaringan virtual, pilih jaringan virtual dan subnet untuk sumber daya Azure Machine Learning Anda.

  3. Konfigurasikan ACR untuk ruang kerja agar Mengizinkan akses oleh layanan tepercaya.

  4. Secara default, Azure Machine Learning mencoba menggunakan komputasi tanpa server untuk membangun gambar. Pendekatan ini hanya berfungsi ketika sumber daya yang bergantung pada ruang kerja seperti Akun Penyimpanan atau Container Registry tidak berada di bawah batasan jaringan apa pun (titik akhir privat). Jika Anda membatasi akses jaringan ke sumber daya yang bergantung pada ruang kerja, gunakan image-build-compute sebagai gantinya.

  5. Untuk menyiapkan komputasi image build, buat kluster komputasi Azure Machine Learning SKU CPU di VNet yang sama dengan sumber daya yang bergantung pada ruang kerja Anda. Anda dapat mengatur kluster ini sebagai sumber daya komputasi default untuk pembangunan citra. Ini membangun setiap gambar di ruang kerja Anda mulai saat itu. Gunakan salah satu metode berikut untuk mengonfigurasi ruang kerja untuk membangun gambar Docker dengan menggunakan kluster komputasi.

    Penting

    Batasan berikut berlaku saat Anda menggunakan kluster komputasi untuk build gambar:

    • Hanya SKU CPU saja yang didukung.
    • Jika Anda menggunakan kluster komputasi yang dikonfigurasi tanpa alamat IP publik, Anda harus menyediakan beberapa cara bagi kluster untuk mengakses internet publik. Akses internet diperlukan saat mengakses gambar yang disimpan di Microsoft Container Registry, paket yang diinstal pada Pypi, Conda, dan repositori serupa. Anda perlu mengonfigurasi User Defined Routing (UDR) untuk menjangkau IP publik untuk mengakses internet. Misalnya, Anda dapat menggunakan IP publik firewall Anda, atau Anda dapat menggunakan Virtual Network NAT dengan IP publik. Untuk informasi selengkapnya, lihat Cara melatih dengan aman di VNet.

    Gunakan perintah az ml workspace update untuk mengatur build compute. Perintahnya sama untuk ekstensi v1 dan v2 Azure CLI untuk pembelajaran mesin. Dalam perintah berikut, ganti myworkspace dengan nama ruang kerja Anda, myresourcegroup dengan grup sumber daya yang berisi ruang kerja, dan mycomputecluster dengan nama kluster komputasi:

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

    Anda dapat beralih kembali ke komputasi tanpa server dengan menjalankan perintah yang sama dan mereferensikan komputasi sebagai ruang kosong: --image-build-compute ''.

Petunjuk / Saran

Ketika ACR berada di belakang jaringan virtual, Anda juga dapat menonaktifkan akses publik ke dalamnya.

Mengamankan Azure Monitor dan Application Insights

Untuk mengaktifkan isolasi jaringan untuk Azure Monitor dan instans Application Insights untuk ruang kerja, gunakan langkah-langkah berikut:

  1. Buka sumber daya Application Insights Anda di portal Azure. Tab Gambaran Umum mungkin memiliki properti Ruang Kerja. Jika tidak memiliki properti, lakukan langkah 2. Jika itu benar, maka Anda dapat melanjutkan langsung ke langkah 3.

    Petunjuk / Saran

    Ruang kerja baru membuat sumber daya Application Insights berbasis ruang kerja secara default. Jika baru saja membuat ruang kerja, Anda tidak perlu melakukan langkah 2.

  2. Tingkatkan instans Application Insights untuk ruang kerja Anda. Untuk langkah-langkah tentang cara meningkatkan, lihat Migrasikan ke sumber daya Application Insights yang berbasis ruang kerja.

  3. Buat Cakupan Azure Monitor Private Link dan tambahkan instans Application Insights dari langkah 1 ke cakupan. Untuk informasi selengkapnya, lihat Mengonfigurasi tautan pribadi Azure Monitor Anda.

Menyambungkan ke ruang kerja Anda dengan aman

Untuk terhubung ke ruang kerja yang diamankan di belakang VNet, gunakan salah satu metode berikut:

  • Gateway VPN Azure - Menyambungkan jaringan lokal ke VNet melalui koneksi privat. Koneksi dibuat melalui internet publik. Ada dua jenis gateway VPN yang mungkin Anda gunakan:

    • Titik-ke-situs: Setiap komputer klien menggunakan klien VPN untuk terhubung ke VNet.
    • Situs-ke-situs: Perangkat VPN menghubungkan VNet ke jaringan lokal Anda.

  • ExpressRoute - Menyambungkan jaringan lokal ke cloud melalui koneksi privat. Koneksi dibuat menggunakan penyedia konektivitas.

  • Azure Bastion - Dalam skenario ini, Anda membuat Komputer Virtual Azure (terkadang disebut jump box) di dalam VNet. Anda kemudian tersambung ke VM menggunakan Azure Bastion. Bastion memungkinkan Anda untuk tersambung ke VM menggunakan sesi RDP atau SSH dari browser web lokal Anda. Anda kemudian menggunakan jump box sebagai lingkungan pengembangan Anda. Karena berada di dalam VNet, itu dapat langsung mengakses ruang kerja. Untuk contoh menggunakan jump box, lihat Tutorial: Membuat ruang kerja yang aman.

Penting

Saat menggunakan Gateway VPN atau ExpressRoute, Anda perlu merencanakan bagaimana resolusi nama bekerja antara sumber daya lokal Anda dengan yang berada di VNet. Untuk informasi selengkapnya, lihat Menggunakan server DNS kustom.

Jika Anda mengalami masalah saat menyambungkan ke ruang kerja, lihat Memecahkan masalah konektivitas ruang kerja yang aman.

Diagnostik ruang kerja

Anda dapat menjalankan diagnostik di ruang kerja dari studio Azure Machine Learning atau SDK Python. Setelah diagnostik berjalan, daftar masalah yang terdeteksi dikembalikan. Daftar ini mencakup tautan ke solusi yang memungkinkan. Untuk informasi lebih lanjut, lihat Cara menggunakan diagnostik ruang kerja.

Akses publik ke ruang kerja

Penting

Meskipun Azure Machine Learning mendukung konfigurasi ini, Microsoft tidak merekomendasikannya. Verifikasi konfigurasi ini dengan tim keamanan Anda sebelum menggunakannya dalam produksi.

Dalam beberapa kasus, Anda mungkin perlu mengizinkan akses ke ruang kerja dari jaringan publik (tanpa menyambungkan melalui jaringan virtual menggunakan metode yang dirinci bagian Sambungkan dengan Aman ke ruang kerja Anda). Akses melalui internet publik diamankan dengan menggunakan TLS.

Untuk mengaktifkan akses jaringan publik ke ruang kerja, gunakan langkah-langkah berikut:

  1. Aktifkan akses publik ke ruang kerja setelah mengonfigurasi titik akhir privat ruang kerja.
  2. Konfigurasikan firewall Azure Storage untuk memungkinkan komunikasi dengan alamat IP klien yang terhubung melalui internet publik. Anda mungkin perlu mengubah alamat IP yang diizinkan jika klien tidak memiliki IP statis. Misalnya, jika salah satu Ilmuwan Data Anda bekerja dari rumah dan tidak dapat membuat koneksi VPN ke jaringan virtual.

Langkah berikutnya

Artikel ini adalah bagian dari seri tentang mengamankan alur kerja Azure Machine Learning. Lihat artikel lain dalam seri ini:

  • Last updated on