다음을 통해 공유

웹 서비스로 배포된 모델에 대한 인증 구성

  • 아티클

적용 대상:Python SDK azureml v1

Azure Machine Learning을 통해 학습된 기계 학습 모델을 웹 서비스로 배포할 수 있습니다. 이 문서에서는 이러한 배포에 대한 인증을 구성하는 방법을 알아봅니다.

Azure Machine Learning에서 만든 모델 배포는 다음 두 가지 인증 방법 중 하나를 사용하도록 구성할 수 있습니다.

  • 키 기반: 정적 키는 웹 서비스에 인증하는 데 사용됩니다.

  • 토큰 기반: 임시 토큰은 Azure Machine Learning 작업 영역(Azure Active Directory 사용)에서 가져와 웹 서비스에 인증하는 데 사용해야 합니다. 이 토큰은 일정 기간 후에 만료되며 웹 서비스를 계속 사용하려면 새로 고쳐야 합니다.

    참고

    토큰 기반 인증은 Azure Kubernetes Service에 배포하는 경우에만 사용할 수 있습니다.

키 기반 인증

AKS(Azure Kubernetes Service)에 배포된 웹 서비스에는 기본적으로 키 기반 인증이 사용하도록 설정되어 있습니다.

ACI(Azure Container Instances) 배포 서비스에는 기본적으로 키 기반 인증이 사용하지 않도록 설정되어 있지만 ACI 웹 서비스를 만들 때 auth_enabled=True를 설정하여 사용하도록 설정할 수 있습니다. 다음 코드는 키 기반 인증이 사용하도록 설정된 ACI 배포 구성을 만드는 예입니다.

from azureml.core.webservice import AciWebservice

aci_config = AciWebservice.deploy_configuration(cpu_cores = 1,
                                                memory_gb = 1,
                                                auth_enabled=True)

그런 다음, Model 클래스를 사용하여 배포에서 사용자 지정 ACI 구성을 사용할 수 있습니다.

from azureml.core.model import Model, InferenceConfig


inference_config = InferenceConfig(entry_script="score.py",
                                   environment=myenv)
aci_service = Model.deploy(workspace=ws,
                       name="aci_service_sample",
                       models=[model],
                       inference_config=inference_config,
                       deployment_config=aci_config)
aci_service.wait_for_deployment(True)

인증 키를 페치하려면 aci_service.get_keys()를 사용합니다. 키를 다시 생성하려면 regen_key() 함수를 사용하고 Primary 또는 Secondary를 전달합니다.

aci_service.regen_key("Primary")
# or
aci_service.regen_key("Secondary")

토큰 기반 인증

웹 서비스에 대한 토큰 인증을 사용하도록 설정하는 경우 사용자는 액세스할 수 있도록 웹 서비스에 대한 Azure Machine Learning JSON 웹 토큰을 제공해야 합니다. 토큰은 지정된 시간 프레임 후에 만료되므로 계속 호출하려면 새로 고쳐야 합니다.

  • Azure Kubernetes Service에 배포하는 경우 토큰 인증이 기본적으로 사용하지 않도록 설정됩니다.
  • 토큰 인증은 Azure Container Instances에 배포할 때 지원되지 않습니다.
  • 토큰 인증은 키 기반 인증과 동시에 사용할 수 없습니다.

토큰 인증을 제어하려면 배포를 만들거나 업데이트할 때 token_auth_enabled 매개 변수를 사용합니다.

from azureml.core.webservice import AksWebservice
from azureml.core.model import Model, InferenceConfig

# Create the config
aks_config = AksWebservice.deploy_configuration()

#  Enable token auth and disable (key) auth on the webservice
aks_config = AksWebservice.deploy_configuration(token_auth_enabled=True, auth_enabled=False)

aks_service_name ='aks-service-1'

# deploy the model
aks_service = Model.deploy(workspace=ws,
                           name=aks_service_name,
                           models=[model],
                           inference_config=inference_config,
                           deployment_config=aks_config,
                           deployment_target=aks_target)

aks_service.wait_for_deployment(show_output = True)

토큰 인증을 사용하도록 설정하면 get_token 메서드를 사용하여 JWT(JSON 웹 토큰) 및 해당 토큰의 만료 시간을 검색할 수 있습니다.

팁

서비스 주체를 사용하여 토큰을 가져오고 토큰을 검색하는 데 필요한 최소한의 액세스 권한을 갖도록 하려면 작업 영역에 대한 읽기 권한자 역할에 할당합니다.

token, refresh_by = aks_service.get_token()
print(token)

중요

토큰의 refresh_by 시간 이후 새 토큰을 요청해야 합니다. Python SDK 외부에서 토큰을 새로 고쳐야 하는 경우 한 가지 옵션은 앞에서 설명한 대로 서비스 주체 인증에서 REST API를 사용하여 service.get_token()을 주기적으로 호출하는 것입니다.

Azure Kubernetes Service 클러스터와 동일한 지역에 Azure Machine Learning 작업 영역을 만드는 것이 좋습니다.

토큰으로 인증하기 위해 웹 서비스는 Azure Machine Learning 작업 영역이 생성되는 지역을 호출합니다. 작업 영역의 지역을 사용할 수 없는 경우에는 클러스터가 작업 영역의 다른 지역에 있는 경우에도 웹 서비스에 대한 토큰을 페치할 수 없습니다. 결과적으로 작업 영역을 다시 사용할 수 있을 때까지 Azure AD 인증을 사용할 수 없습니다.

또한 클러스터 지역과 작업 영역의 지역 간 거리가 클수록 토큰을 페치하는 데 시간이 오래 걸립니다.

다음 단계

배포된 모델 인증에 대한 자세한 내용은 웹 서비스로 배포된 모델용 클라이언트 만들기를 참조하세요.