Creare connessioni (anteprima)

SI APPLICA A:Estensione ML dell'interfaccia della riga di comando di Azure v2 (corrente)Python SDK azure-ai-ml v2 (corrente)

Questo articolo illustra come connettersi alle origini dati che si trovano all'esterno di Azure per rendere tali dati disponibili per i servizi di Azure Machine Learning. Le connessioni di Azure fungono da proxy dell'insieme di credenziali delle chiavi e le interazioni con le connessioni sono in realtà interazioni dirette con un insieme di credenziali delle chiavi di Azure. Le connessioni di Azure Machine Learning archiviano in modo sicuro le risorse di dati con nome utente e password, come segreti, in un insieme di credenziali delle chiavi. Il controllo degli accessi in base al ruolo dell'insieme di credenziali delle chiavi controlla l'accesso a tali risorse di dati. Per questa disponibilità dei dati, Azure supporta le connessioni a queste origini esterne:

• DB Snowflake
• Amazon S3
• DB di Azure SQL

Importante

Questa funzionalità è attualmente in anteprima pubblica. Questa versione di anteprima viene fornita senza contratto di servizio, pertanto se ne sconsiglia l’uso per i carichi di lavoro in ambienti di produzione. Alcune funzionalità potrebbero non essere supportate o potrebbero presentare funzionalità limitate.

Per altre informazioni, vedere le Condizioni supplementari per l'uso delle anteprime di Microsoft Azure.

Prerequisiti

• Una sottoscrizione di Azure. Se non si ha una sottoscrizione di Azure, creare un account gratuito prima di iniziare. Provare la versione gratuita o a pagamento di Azure Machine Learning.

• SDK Azure Machine Learning per Python.

• Un'area di lavoro di Azure Machine Learning.

Importante

Una connessione di Azure Machine Learning archivia in modo sicuro le credenziali passate durante la creazione della connessione in Azure Key Vault dell'area di lavoro. Una connessione fa riferimento alle credenziali dal percorso di archiviazione dell'insieme di credenziali delle chiavi per l'ulteriore uso. Non è necessario gestire direttamente le credenziali dopo l'archiviazione nell'insieme di credenziali delle chiavi. È possibile archiviare le credenziali nel file YAML. Un comando dell'interfaccia della riga di comando o SDK è in grado di eseguirne l'override. È consigliabile evitare di archiviare le credenziali in un file YAML, poiché una violazione della sicurezza potrebbe causare una perdita delle credenziali.

Nota

Per un'importazione corretta dei dati, verificare di aver installato il pacchetto azure-ai-ml più recente (versione 1.5.0 o successiva) per SDK e l'estensione ml (versione 2.15.1 o successiva).

Se si dispone di un pacchetto SDK o di un'estensione dell'interfaccia della riga di comando precedente, rimuovere la versione precedente e reinstallare con il codice illustrato nella sezione della scheda. Seguire le istruzioni per SDK e interfaccia della riga di comando, come illustrato di seguito:

Versioni del codice

Interfaccia della riga di comando di Azure

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

Non disponibile.

Creare una connessione al database Snowflake

Interfaccia della riga di comando di Azure

Questo file YAML crea una connessione al database Snowflake. Assicurarsi di aggiornare i valori appropriati:

# 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

Creare la connessione Azure Machine Learning nell'interfaccia della riga di comando:

Opzione 1: Usare il nome utente e la password contenuti nel file YAML

az ml connection create --file my_snowflakedb_connection.yaml

Opzione 2: Eseguire l'override del nome utente e della password nella riga di comando

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

Python SDK

Opzione 1: Caricare la connessione dal file YAML

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)

Opzione 2: Usare WorkspaceConnection() in uno script Python

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. Andare a studio di Azure Machine Learning.

2. Nel riquadro di spostamento a sinistra selezionare Dati in Asset. Successivamente, selezionare la scheda Connessione dati. Successivamente, selezionare Crea come illustrato in questo screenshot:

   

3. Nel riquadro Crea connessione, compilare i valori come illustrato nello screenshot. Scegliere Snowflake per la categoria e Password nome utente per il tipo di autenticazione. Assicurarsi di specificare il valore della casella di testo Destinazione in questo formato, inserendo i valori specifici tra i caratteri <>:

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

   

4. Selezionare Salva per archiviare in modo sicuro le credenziali nell'insieme di credenziali delle chiavi associato all'area di lavoro pertinente. Questa connessione viene utilizzata durante l'esecuzione di un processo di importazione dei dati.

Creare una connessione al database Azure SQL

Interfaccia della riga di comando di Azure

Questo script YAML crea una connessione al database Azure SQL. Assicurarsi di aggiornare i valori appropriati:

# 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

Creare la connessione Azure Machine Learning nell'interfaccia della riga di comando:

Opzione 1: Usare il nome utente/la password contenuto/a nel file YAML

az ml connection create --file my_sqldb_connection.yaml

Opzione 2: Eseguire l'override del nome utente e della password nel file YAML

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

Python SDK

Opzione 1: Caricare la connessione dal file YAML

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)

Opzione 2: Uso di 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. Andare a studio di Azure Machine Learning.

2. Nel riquadro di spostamento a sinistra selezionare Dati in Asset. Successivamente, selezionare la scheda Connessione dati. Successivamente, selezionare Crea come illustrato in questo screenshot:

   

3. Nel riquadro Crea connessione, compilare i valori come illustrato nello screenshot. Scegliere AzureSqlDb per la categoria e Password nome utente per il tipo di autenticazione. Assicurarsi di specificare il valore della casella di testo Destinazione in questo formato, inserendo i valori specifici tra i caratteri <>:

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

   

Creare una connessione a Amazon S3

Interfaccia della riga di comando di Azure

Creare una connessione a Amazon S3 con il file YAML seguente. Assicurarsi di aggiornare i valori appropriati:

# 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

Creare la connessione Azure Machine Learning nell'interfaccia della riga di comando:

az ml connection create --file my_s3_connection.yaml

Python SDK

Opzione 1: Caricare la connessione dal file YAML

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)

Opzione 2: Usare WorkspaceConnection() in uno script Python

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. Andare a studio di Azure Machine Learning.

2. Nel riquadro di spostamento a sinistra selezionare Dati in Asset. Successivamente, selezionare la scheda Connessione dati. Successivamente, selezionare Crea come illustrato in questo screenshot:

   

3. Nel riquadro Crea connessione, compilare i valori come illustrato nello screenshot. Scegliere S3 per la categoria e Password nome utente per il tipo di autenticazione. Assicurarsi di specificare il valore della casella di testo Destinazione in questo formato, inserendo i valori specifici tra i caratteri <>:

   <target>

   

Connessioni non dati

I tipi di connessione seguenti possono essere usati per connettersi a Git, feed Python, Registro Azure Container e una connessione che usa una chiave API. Queste connessioni non sono connessioni dati, ma vengono usate per connettersi a servizi esterni da usare nel codice.

Git

Interfaccia della riga di comando di Azure

Creare una connessione Git con uno dei file YAML seguenti. Assicurarsi di aggiornare i valori appropriati:

• Connettersi usando un token di accesso personale :Connect using a personal access token (PAT):

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

• Connettersi a un repository pubblico (nessuna credenziale):

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

Creare la connessione Azure Machine Learning nell'interfaccia della riga di comando:

az ml connection create --file connection.yaml

Python SDK

Nell'esempio seguente si illustra la creazione di una connessione Git a un repository GitHub. Questa connessione viene autenticata tramite un token di accesso personale (PAT):

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

Non è possibile creare una connessione Git in Studio.

Feed Python

Interfaccia della riga di comando di Azure

Creare una connessione a un feed Python con uno dei file YAML seguenti. Assicurarsi di aggiornare i valori appropriati:

• Connettersi usando un token di accesso personale :Connect using a personal access token (PAT):

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

• Connettersi usando un nome utente e una password:

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

• Connettersi a un feed pubblico (nessuna credenziale):

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

Creare la connessione Azure Machine Learning nell'interfaccia della riga di comando:

az ml connection create --file connection.yaml

Python SDK

Nell'esempio seguente si descrive la creazione di una connessione feed Python. Questa connessione viene autenticata tramite un token di accesso personale (PAT) o tramite un nome utente e una password:

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

Non è possibile creare una connessione al feed Python in Studio.

Registro Azure Container

Interfaccia della riga di comando di Azure

Creare una connessione a un Registro Azure Container con uno dei file YAML seguenti. Assicurarsi di aggiornare i valori appropriati:

• Connettersi con l'autenticazione di Microsoft Entra ID:

  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
  

• Connettersi usando un nome utente e una password:

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

Creare la connessione Azure Machine Learning nell'interfaccia della riga di comando:

az ml connection create --file connection.yaml

Python SDK

Nell'esempio seguente si descrive la creazione di una connessione di Registro Azure Container. Questa connessione viene autenticata usando un'identità gestita:

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

Non è possibile creare una connessione Registro Azure Container in Studio.

Chiave API

Nell'esempio seguente si illustra la creazione di una connessione chiave API:

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)

Contenuto correlato

Se si usa una connessione dati (Snowflake DB, Amazon S3 o database SQL di Azure), vedere questi articoli per altre informazioni:

• Importare asset di dati
• Pianificare i processi di importazione dei dati