Arbetsytans hanterade virtuella nätverksisolering

Artikel
10/16/2024

GÄLLER FÖR:Azure CLI ml extension v2 (current)Python SDK azure-ai-ml v2 (aktuell)

Azure Machine Learning ger stöd för isolering av hanterat virtuellt nätverk (hanterat VNet). Hanterad VNet-isolering effektiviserar och automatiserar konfigurationen av nätverksisolering med ett inbyggt Azure Machine Learning-hanterat virtuellt nätverk på arbetsytenivå. Det hanterade virtuella nätverket skyddar dina hanterade Azure Machine Learning-resurser, till exempel beräkningsinstanser, beräkningskluster, serverlös beräkning och hanterade onlineslutpunkter.

Att skydda din arbetsyta med ett hanterat nätverk ger nätverksisolering för utgående åtkomst från arbetsytan och hanterade beräkningar. Ett virtuellt Azure-nätverk som du skapar och hanterar används för att ge nätverksisolering inkommande åtkomst till arbetsytan. Till exempel skapas en privat slutpunkt för arbetsytan i ditt virtuella Azure-nätverk. Klienter som ansluter till det virtuella nätverket kan komma åt arbetsytan via den privata slutpunkten. När jobb körs på hanterade beräkningar begränsar det hanterade nätverket vad beräkningen kan komma åt.

Arkitektur för hanterat virtuellt nätverk

När du aktiverar isolering av hanterat virtuellt nätverk skapas ett hanterat virtuellt nätverk för arbetsytan. Hanterade beräkningsresurser som du skapar för arbetsytan använder automatiskt det här hanterade virtuella nätverket. Det hanterade virtuella nätverket kan använda privata slutpunkter för Azure-resurser som används av din arbetsyta, till exempel Azure Storage, Azure Key Vault och Azure Container Registry.

Det finns två olika konfigurationslägen för utgående trafik från det hanterade virtuella nätverket:

Dricks

Oavsett vilket utgående läge du använder kan trafik till Azure-resurser konfigureras för att använda en privat slutpunkt. Du kan till exempel tillåta all utgående trafik till Internet, men begränsa kommunikationen med Azure-resurser genom att lägga till regler för utgående trafik för resurserna.

Utgående läge	beskrivning	Scenarier
Tillåt utgående internet	Tillåt all utgående internettrafik från det hanterade virtuella nätverket.	Du vill ha obegränsad åtkomst till maskininlärningsresurser på Internet, till exempel Python-paket eller förtränad modeller.¹
Tillåt endast godkänd utgående trafik	Utgående trafik tillåts genom att ange tjänsttaggar.	* Du vill minimera risken för dataexfiltrering, men du måste förbereda alla nödvändiga maskininlärningsartefakter i din privata miljö. * Du vill konfigurera utgående åtkomst till en godkänd lista över tjänster, tjänsttaggar eller FQDN.
Inaktiverad	Inkommande och utgående trafik är inte begränsad eller så använder du ditt eget virtuella Azure-nätverk för att skydda resurser.	Du vill ha offentlig inkommande och utgående trafik från arbetsytan, eller så hanterar du nätverksisolering med ditt eget virtuella Azure-nätverk.

1: Du kan använda utgående regler med tillåt endast godkänt utgående läge för att uppnå samma resultat som med hjälp av Tillåt utgående internet. Skillnaderna är:

Du måste lägga till regler för varje utgående anslutning som du måste tillåta.
Om du lägger till FQDN-regler för utgående trafik ökar kostnaderna eftersom den här regeltypen använder Azure Firewall. Mer information finns i Prissättning
Standardreglerna för tillåt endast godkänd utgående trafik är utformade för att minimera risken för dataexfiltrering. Eventuella regler för utgående trafik som du lägger till kan öka risken.

Det hanterade virtuella nätverket är förkonfigurerat med nödvändiga standardregler. Den är också konfigurerad för privata slutpunktsanslutningar till din arbetsyta, arbetsytans standardlagring, containerregister och nyckelvalv om de är konfigurerade som privata eller om arbetsytans isoleringsläge är inställt på att endast tillåta godkänd utgående trafik. När du har valt isoleringsläge behöver du bara överväga andra utgående krav som du kan behöva lägga till.

Följande diagram visar ett hanterat virtuellt nätverk som har konfigurerats för att tillåta utgående Internet:

Följande diagram visar ett hanterat virtuellt nätverk som har konfigurerats för att endast tillåta godkänd utgående trafik:

Kommentar

I den här konfigurationen flaggas lagrings-, nyckelvalvet och containerregistret som används av arbetsytan som privata. Eftersom de flaggas som privata används en privat slutpunkt för att kommunicera med dem.

Kommentar

När en hanterad VNet-arbetsyta har konfigurerats för att tillåta utgående Internet kan arbetsytan inte konfigureras om till inaktiverad. När en hanterad VNet-arbetsyta har konfigurerats för att endast tillåta godkänd utgående trafik kan arbetsytan på samma sätt inte konfigureras om för att tillåta utgående Internet. Tänk på detta när du väljer isoleringsläge för hanterade VNet på din arbetsyta.

Azure Machine Learning Studio

Om du vill använda den integrerade notebook-filen eller skapa datauppsättningar i standardlagringskontot från studio behöver klienten åtkomst till standardlagringskontot. Skapa en privat slutpunkt eller tjänstslutpunkt för standardlagringskontot i det virtuella Azure-nätverk som klienterna använder.

En del av Azure Machine Learning-studio körs lokalt i klientens webbläsare och kommunicerar direkt med standardlagringen för arbetsytan. Att skapa en privat slutpunkt eller tjänstslutpunkt (för standardlagringskontot) i klientens virtuella nätverk säkerställer att klienten kan kommunicera med lagringskontot.

Mer information om hur du skapar en privat slutpunkt eller tjänstslutpunkt finns i artikeln Anslut privat till ett lagringskonto och tjänstslutpunkter.

Skyddade associerade resurser

Om du lägger till följande tjänster i det virtuella nätverket med hjälp av antingen en tjänstslutpunkt eller en privat slutpunkt (inaktivera offentlig åtkomst) kan du tillåta betrodda Microsoft-tjänster att få åtkomst till dessa tjänster:

Tjänst	Slutpunktsinformation	Tillåt betrodd information
Azure Key Vault	Privat slutpunkt för tjänstslutpunkt	Tillåt att betrodda Microsoft-tjänster kringgår den här brandväggen
Azure Storage-konto	Privat slutpunkt för tjänst och privat slutpunkt	Bevilja åtkomst från Azure-resursinstanser eller Bevilja åtkomst till betrodda Azure-tjänster
Azure Container Registry	Privat slutpunkt	Tillåt betrodda tjänster

Förutsättningar

Innan du följer stegen i den här artikeln kontrollerar du att du har följande förutsättningar:

En Azure-prenumeration. Om du inte har någon Azure-prenumeration kan du skapa ett kostnadsfritt konto innan du börjar. Prova den kostnadsfria eller betalda versionen av Azure Machine Learning.
Resursprovidern Microsoft.Network måste vara registrerad för din Azure-prenumeration. Den här resursprovidern används av arbetsytan när du skapar privata slutpunkter för det hanterade virtuella nätverket.

Information om hur du registrerar resursprovidrar finns i Lösa fel för registrering av resursprovider.
Den Azure-identitet som du använder när du distribuerar ett hanterat nätverk kräver följande Azure-åtgärder för rollbaserad åtkomstkontroll (Azure RBAC) för att skapa privata slutpunkter:
- Microsoft.MachineLearningServices/workspaces/privateEndpointConnections/read
- Microsoft.MachineLearningServices/workspaces/privateEndpointConnections/write
Azure CLI och ml tillägget till Azure CLI. Mer information finns i Installera, konfigurera och använda CLI (v2).
Dricks

Azure Machine Learning managed VNet introducerades den 23 maj 2023. Om du har en äldre version av ml-tillägget kan du behöva uppdatera den för exemplen i den här artikeln. Om du vill uppdatera tillägget använder du följande Azure CLI-kommando:
```
az extension update -n ml
```
CLI-exemplen i den här artikeln förutsätter att du använder Bash-gränssnittet (eller det kompatibla). Till exempel från ett Linux-system eller Windows-undersystem för Linux.
Azure CLI-exemplen i den här artikeln används ws för att representera namnet på arbetsytan och rg för att representera namnet på resursgruppen. Ändra dessa värden efter behov när du använder kommandona med din Azure-prenumeration.

En Azure-prenumeration. Om du inte har någon Azure-prenumeration kan du skapa ett kostnadsfritt konto innan du börjar. Prova den kostnadsfria eller betalda versionen av Azure Machine Learning.
Resursprovidern Microsoft.Network måste vara registrerad för din Azure-prenumeration. Den här resursprovidern används av arbetsytan när du skapar privata slutpunkter för det hanterade virtuella nätverket.

Information om hur du registrerar resursprovidrar finns i Lösa fel för registrering av resursprovider.
Den Azure-identitet som du använder när du distribuerar ett hanterat nätverk kräver följande Azure-åtgärder för rollbaserad åtkomstkontroll (Azure RBAC) för att skapa privata slutpunkter:
- Microsoft.MachineLearningServices/workspaces/privateEndpointConnections/read
- Microsoft.MachineLearningServices/workspaces/privateEndpointConnections/write
Azure Machine Learning Python SDK v2. Mer information om SDK finns i Installera Python SDK v2 för Azure Machine Learning.
Dricks

Azure Machine Learning Managed VNet introducerades den 23 maj 2023. Om du har en äldre version av SDK:t installerad kan du behöva uppdatera den för att exemplen i den här artikeln ska fungera. Om du vill uppdatera SDK:et använder du följande kommando:
```
pip install --upgrade azure-ai-ml azure-identity
```

Exemplen i den här artikeln förutsätter att koden börjar med följande Python. Den här koden importerar de klasser som krävs när du skapar en arbetsyta med ett hanterat virtuellt nätverk, anger variabler för din Azure-prenumeration och resursgrupp och skapar :ml_client

from azure.ai.ml import MLClient
from azure.ai.ml.entities import (
    Workspace,
    ManagedNetwork,
    IsolationMode,
    ServiceTagDestination,
    PrivateEndpointDestination,
    FqdnDestination
)
from azure.identity import DefaultAzureCredential

# Replace with the values for your Azure subscription and resource group.
subscription_id = "<SUBSCRIPTION_ID>"
resource_group = "<RESOURCE_GROUP>"

# get a handle to the subscription
ml_client = MLClient(DefaultAzureCredential(), subscription_id=subscription_id, resource_group_name=resource_group)

En Azure-prenumeration. Om du inte har någon Azure-prenumeration kan du skapa ett kostnadsfritt konto innan du börjar. Prova den kostnadsfria eller betalda versionen av Azure Machine Learning.
Resursprovidern Microsoft.Network måste vara registrerad för din Azure-prenumeration. Den här resursprovidern används av arbetsytan när du skapar privata slutpunkter för det hanterade virtuella nätverket.

Information om hur du registrerar resursprovidrar finns i Lösa fel för registrering av resursprovider.
Den Azure-identitet som du använder när du distribuerar ett hanterat nätverk kräver följande Azure-åtgärder för rollbaserad åtkomstkontroll (Azure RBAC) för att skapa privata slutpunkter:
- Microsoft.MachineLearningServices/workspaces/privateEndpointConnections/read
- Microsoft.MachineLearningServices/workspaces/privateEndpointConnections/write

Kommentar

Om du använder UAI-arbetsytan måste du lägga till azure AI Enterprise Network Connection Approver-rollen i din identitet. Mer information finns i Användartilldelad hanterad identitet.

Konfigurera ett hanterat virtuellt nätverk för att tillåta utgående internet

Dricks

Skapandet av det hanterade virtuella nätverket skjuts upp tills en beräkningsresurs skapas eller etableringen startas manuellt. När du tillåter automatisk skapande kan det ta cirka 30 minuter att skapa den första beräkningsresursen eftersom den även etablerar nätverket. Mer information finns i Etablera nätverket manuellt.

Viktigt!

Om du planerar att skicka serverlösa Spark-jobb måste du starta etableringen manuellt. Mer information finns i avsnittet konfigurera för serverlösa Spark-jobb .

Om du vill konfigurera ett hanterat virtuellt nätverk som tillåter utgående internetkommunikation kan du använda antingen parametern --managed-network allow_internet_outbound eller en YAML-konfigurationsfil som innehåller följande poster:

managed_network:
  isolation_mode: allow_internet_outbound

Du kan också definiera regler för utgående trafik till andra Azure-tjänster som arbetsytan förlitar sig på. Dessa regler definierar privata slutpunkter som gör att en Azure-resurs kan kommunicera säkert med det hanterade virtuella nätverket. Följande regel visar hur du lägger till en privat slutpunkt i en Azure Blob-resurs.

managed_network:
  isolation_mode: allow_internet_outbound
  outbound_rules:
  - name: added-perule
    destination:
      service_resource_id: /subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Storage/storageAccounts/<STORAGE_ACCOUNT_NAME>
      spark_enabled: true
      subresource_target: blob
    type: private_endpoint

Du kan konfigurera ett hanterat virtuellt nätverk med hjälp av antingen kommandona az ml workspace create eller az ml workspace update :

Skapa en ny arbetsyta:

I följande exempel skapas en ny arbetsyta. Parametern --managed-network allow_internet_outbound konfigurerar ett hanterat virtuellt nätverk för arbetsytan:
```
az ml workspace create --name ws --resource-group rg --managed-network allow_internet_outbound
```
Om du vill skapa en arbetsyta med hjälp av en YAML-fil i stället använder du parametern --file och anger YAML-filen som innehåller konfigurationsinställningarna:
```
az ml workspace create --file workspace.yaml --resource-group rg --name ws
```
I följande YAML-exempel definieras en arbetsyta med ett hanterat virtuellt nätverk:
```
name: myworkspace
location: EastUS
managed_network:
  isolation_mode: allow_internet_outbound
```
Uppdatera en befintlig arbetsyta:

Varning

Du måste ta bort alla databehandlingsresurser för arbetsytan innan du uppdaterar en befintlig arbetsyta för att använda ett hanterat virtuellt nätverk. Detta omfattar beräkningsinstanser, beräkningskluster och hanterade onlineslutpunkter.

I följande exempel uppdateras en befintlig arbetsyta. Parametern --managed-network allow_internet_outbound konfigurerar ett hanterat virtuellt nätverk för arbetsytan:
```
az ml workspace update --name ws --resource-group rg --managed-network allow_internet_outbound
```
Om du vill uppdatera en befintlig arbetsyta med YAML-filen använder du parametern --file och anger YAML-filen som innehåller konfigurationsinställningarna:
```
az ml workspace update --file workspace.yaml --name ws --resource-group MyGroup
```
I följande YAML-exempel definieras ett hanterat virtuellt nätverk för arbetsytan. Den visar också hur du lägger till en privat slutpunktsanslutning till en resurs som används av arbetsytan. I det här exemplet en privat slutpunkt för ett bloblager:
```
name: myworkspace
managed_network:
  isolation_mode: allow_internet_outbound
  outbound_rules:
  - name: added-perule
    destination:
      service_resource_id: /subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Storage/storageAccounts/<STORAGE_ACCOUNT_NAME>
      spark_enabled: true
      subresource_target: blob
    type: private_endpoint
```

Om du vill konfigurera ett hanterat virtuellt nätverk som tillåter utgående internetkommunikation använder du ManagedNetwork klassen för att definiera ett nätverk med IsolationMode.ALLOW_INTERNET_OUTBOUND. Du kan sedan använda ManagedNetwork objektet för att skapa en ny arbetsyta eller uppdatera en befintlig. Om du vill definiera utgående regler för Azure-tjänster som arbetsytan förlitar sig på använder du PrivateEndpointDestination klassen för att definiera en ny privat slutpunkt för tjänsten.

Skapa en ny arbetsyta:

I följande exempel skapas en ny arbetsyta med namnet myworkspace, med en regel för utgående trafik med namnet myrule som lägger till en privat slutpunkt för ett Azure Blob Store:

# Basic managed VNet configuration
network = ManagedNetwork(IsolationMode.ALLOW_INTERNET_OUTBOUND)

# Workspace configuration
ws = Workspace(
    name="myworkspace",
    location="eastus",
    managed_network=network
)

# Example private endpoint outbound to a blob
rule_name = "myrule"
service_resource_id = "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Storage/storageAccounts/<STORAGE_ACCOUNT_NAME>"
subresource_target = "blob"
spark_enabled = True

# Add the outbound 
ws.managed_network.outbound_rules = [PrivateEndpointDestination(
    name=rule_name, 
    service_resource_id=service_resource_id, 
    subresource_target=subresource_target, 
    spark_enabled=spark_enabled)]

# Create the workspace
ws = ml_client.workspaces.begin_create(ws).result()

Uppdatera en befintlig arbetsyta:

Varning

Du måste ta bort alla databehandlingsresurser för arbetsytan innan du uppdaterar en befintlig arbetsyta för att använda ett hanterat virtuellt nätverk. Detta omfattar beräkningsinstanser, beräkningskluster och hanterade onlineslutpunkter.

I följande exempel visas hur du skapar ett hanterat virtuellt nätverk för en befintlig Azure Machine Learning-arbetsyta med namnet myworkspace:

# Get the existing workspace
ml_client = MLClient(DefaultAzureCredential(), subscription_id=subscription_id, resource_group_name=resource_group, workspace_name="myworkspace")
ws = ml_client.workspaces.get()

# Basic managed VNet configuration
ws.managed_network = ManagedNetwork(IsolationMode.ALLOW_INTERNET_OUTBOUND)

# Example private endpoint outbound to a blob
rule_name = "myrule"
service_resource_id = "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Storage/storageAccounts/<STORAGE_ACCOUNT_NAME>"
subresource_target = "blob"
spark_enabled = True

# Add the outbound 
ws.managed_network.outbound_rules = [PrivateEndpointDestination(
    name=rule_name, 
    service_resource_id=service_resource_id, 
    subresource_target=subresource_target, 
    spark_enabled=spark_enabled)]

# Create the workspace
ml_client.workspaces.begin_update(ws)

Konfigurera ett hanterat virtuellt nätverk för att endast tillåta godkänd utgående trafik

Dricks

Det hanterade virtuella nätverket etableras automatiskt när du skapar en beräkningsresurs. När du tillåter automatisk skapande kan det ta cirka 30 minuter att skapa den första beräkningsresursen eftersom den även etablerar nätverket. Om du har konfigurerat utgående FQDN-regler lägger den första FQDN-regeln till cirka 10 minuter till etableringstiden. Mer information finns i Etablera nätverket manuellt.

Viktigt!

Om du planerar att skicka serverlösa Spark-jobb måste du starta etableringen manuellt. Mer information finns i avsnittet konfigurera för serverlösa Spark-jobb .

Om du vill konfigurera ett hanterat virtuellt nätverk som endast tillåter godkänd utgående kommunikation kan du använda antingen parametern --managed-network allow_only_approved_outbound eller en YAML-konfigurationsfil som innehåller följande poster:

managed_network:
  isolation_mode: allow_only_approved_outbound

Du kan också definiera utgående regler för att definiera godkänd utgående kommunikation. En regel för utgående trafik kan skapas för en typ av service_tag, fqdnoch private_endpoint. Följande regel visar hur du lägger till en privat slutpunkt i en Azure Blob-resurs, en tjänsttagg i Azure Data Factory och ett FQDN till pypi.org:

Viktigt!

Att lägga till ett utgående för en tjänsttagg eller ett FQDN är endast giltigt när det hanterade virtuella nätverket har konfigurerats till allow_only_approved_outbound.
Om du lägger till regler för utgående trafik kan Microsoft inte garantera dataexfiltrering.

Varning

FQDN-regler för utgående trafik implementeras med hjälp av Azure Firewall. Om du använder utgående FQDN-regler läggs avgifter för Azure Firewall till i din fakturering. Mer information finns i Prissättning.

managed_network:
  isolation_mode: allow_only_approved_outbound
  outbound_rules:
  - name: added-servicetagrule
    destination:
      port_ranges: 80, 8080
      protocol: TCP
      service_tag: DataFactory
    type: service_tag
  - name: add-fqdnrule
    destination: 'pypi.org'
    type: fqdn
  - name: added-perule
    destination:
      service_resource_id: /subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Storage/storageAccounts/<STORAGE_ACCOUNT_NAME>
      spark_enabled: true
      subresource_target: blob
    type: private_endpoint

Du kan konfigurera ett hanterat virtuellt nätverk med hjälp av antingen kommandona az ml workspace create eller az ml workspace update :

Skapa en ny arbetsyta:

I följande exempel används parametern --managed-network allow_only_approved_outbound för att konfigurera det hanterade virtuella nätverket:
```
az ml workspace create --name ws --resource-group rg --managed-network allow_only_approved_outbound
```
Följande YAML-fil definierar en arbetsyta med ett hanterat virtuellt nätverk:
```
name: myworkspace
location: EastUS
managed_network:
  isolation_mode: allow_only_approved_outbound
```
Om du vill skapa en arbetsyta med YAML-filen använder du parametern --file :
```
az ml workspace create --file workspace.yaml --resource-group rg --name ws
```
Uppdatera en befintlig arbetsyta

Varning

Du måste ta bort alla databehandlingsresurser för arbetsytan innan du uppdaterar en befintlig arbetsyta för att använda ett hanterat virtuellt nätverk. Detta omfattar beräkningsinstanser, beräkningskluster och hanterade onlineslutpunkter.

I följande exempel används parametern --managed-network allow_only_approved_outbound för att konfigurera det hanterade virtuella nätverket för en befintlig arbetsyta:
```
az ml workspace update --name ws --resource-group rg --managed-network allow_only_approved_outbound
```
Följande YAML-fil definierar ett hanterat VNet för arbetsytan. Det visar också hur du lägger till en godkänd utgående trafik till det hanterade virtuella nätverket. I det här exemplet läggs en regel för utgående trafik till för både en tjänsttagg:

Varning

FQDN-regler för utgående trafik implementeras med hjälp av Azure Firewall. Om du använder utgående FQDN-regler läggs avgifter för Azure Firewall till i din fakturering. Mer information finns i Priser.
```
name: myworkspace_dep
managed_network:
  isolation_mode: allow_only_approved_outbound
  outbound_rules:
  - name: added-servicetagrule
    destination:
      port_ranges: 80, 8080
      protocol: TCP
      service_tag: DataFactory
    type: service_tag
  - name: add-fqdnrule
    destination: 'pypi.org'
    type: fqdn
  - name: added-perule
    destination:
      service_resource_id: /subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Storage/storageAccounts/<STORAGE_ACCOUNT_NAME>
      spark_enabled: true
      subresource_target: blob
    type: private_endpoint
```

Om du vill konfigurera ett hanterat virtuellt nätverk som endast tillåter godkänd utgående kommunikation använder du ManagedNetwork klassen för att definiera ett nätverk med IsolationMode.ALLOw_ONLY_APPROVED_OUTBOUND. Du kan sedan använda ManagedNetwork objektet för att skapa en ny arbetsyta eller uppdatera en befintlig. Om du vill definiera regler för utgående trafik använder du följande klasser:

Mål	Klass
Azure-tjänst som arbetsytan förlitar sig på	`PrivateEndpointDestination`
Azure-tjänsttagg	`ServiceTagDestination`
Fullständigt domännamn (FQDN)	`FqdnDestination`

Skapa en ny arbetsyta:

I följande exempel skapas en ny arbetsyta med namnet myworkspace, med flera regler för utgående trafik:

myrule – Lägger till en privat slutpunkt för ett Azure Blob Store.
datafactory – Lägger till en tjänsttaggregel för att kommunicera med Azure Data Factory.

Viktigt!

Att lägga till ett utgående för en tjänsttagg eller ett FQDN är endast giltigt när det hanterade virtuella nätverket har konfigurerats till IsolationMode.ALLOW_ONLY_APPROVED_OUTBOUND.
Om du lägger till regler för utgående trafik kan Microsoft inte garantera dataexfiltrering.

Varning

# Basic managed VNet configuration
network = ManagedNetwork(IsolationMode.ALLOW_ONLY_APPROVED_OUTBOUND)

# Workspace configuration
ws = Workspace(
    name="myworkspace",
    location="eastus",
    managed_network=network
)

# Append some rules
ws.managed_network.outbound_rules = []
# Example private endpoint outbound to a blob
rule_name = "myrule"
service_resource_id = "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Storage/storageAccounts/<STORAGE_ACCOUNT_NAME>"
subresource_target = "blob"
spark_enabled = True
ws.managed_network.outbound_rules.append(
    PrivateEndpointDestination(
        name=rule_name, 
        service_resource_id=service_resource_id, 
        subresource_target=subresource_target, 
        spark_enabled=spark_enabled
    )
)

# Example service tag rule
rule_name = "datafactory"
service_tag = "DataFactory"
protocol = "TCP"
port_ranges = "80, 8080-8089"
ws.managed_network.outbound_rules.append(
    ServiceTagDestination(
        name=rule_name, 
        service_tag=service_tag, 
        protocol=protocol, 
        port_ranges=port_ranges
    )
)

# Example FQDN rule
ws.managed_network.outbound_rules.append(
    FqdnDestination(
        name="fqdnrule", 
        destination="pypi.org"
    )
)

# Create the workspace
ws = ml_client.workspaces.begin_create(ws).result()

Uppdatera en befintlig arbetsyta:

Varning

I följande exempel visas hur du skapar ett hanterat virtuellt nätverk för en befintlig Azure Machine Learning-arbetsyta med namnet myworkspace. Exemplet lägger också till flera regler för utgående trafik för det hanterade virtuella nätverket:

myrule – Lägger till en privat slutpunkt för ett Azure Blob Store.
datafactory – Lägger till en tjänsttaggregel för att kommunicera med Azure Data Factory.

Dricks

Att lägga till ett utgående för en tjänsttagg eller ett FQDN är endast giltigt när det hanterade virtuella nätverket har konfigurerats till IsolationMode.ALLOW_ONLY_APPROVED_OUTBOUND.

Varning

# Get the existing workspace
ml_client = MLClient(DefaultAzureCredential(), subscription_id=subscription_id, resource_group_name=resource_group, workspace_name="myworkspace")
ws = ml_client.workspaces.get()

# Basic managed VNet configuration
ws.managed_network = ManagedNetwork(IsolationMode.ALLOW_ONLY_APPROVED_OUTBOUND)

# Append some rules
ws.managed_network.outbound_rules = []
# Example private endpoint outbound to a blob
rule_name = "myrule"
service_resource_id = "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Storage/storageAccounts/<STORAGE_ACCOUNT_NAME>"
subresource_target = "blob"
spark_enabled = True
ws.managed_network.outbound_rules.append(
    PrivateEndpointDestination(
        name=rule_name, 
        service_resource_id=service_resource_id, 
        subresource_target=subresource_target, 
        spark_enabled=spark_enabled
    )
)

# Example service tag rule
rule_name = "datafactory"
service_tag = "DataFactory"
protocol = "TCP"
port_ranges = "80, 8080-8089"
ws.managed_network.outbound_rules.append(
    ServiceTagDestination(
        name=rule_name, 
        service_tag=service_tag, 
        protocol=protocol, 
        port_ranges=port_ranges
    )
)

# Example FQDN rule
ws.managed_network.outbound_rules.append(
    FqdnDestination(
        name="fqdnrule", 
        destination="pypi.org"
    )
)

# Update the workspace
ml_client.workspaces.begin_update(ws)

Konfigurera för serverlösa Spark-jobb

Dricks

Stegen i det här avsnittet behövs bara om du planerar att skicka serverlösa Spark-jobb. Om du inte ska skicka serverlösa Spark-jobb kan du hoppa över det här avsnittet.

Om du vill aktivera serverlösa Spark-jobb för det hanterade virtuella nätverket måste du utföra följande åtgärder:

Konfigurera ett hanterat virtuellt nätverk för arbetsytan och lägg till en utgående privat slutpunkt för Azure Storage-kontot.
När du har konfigurerat det hanterade virtuella nätverket etablerar du det och flaggar det för att tillåta Spark-jobb.

Konfigurera en utgående privat slutpunkt.
Använd en YAML-fil för att definiera den hanterade VNet-konfigurationen och lägga till en privat slutpunkt för Azure Storage-kontot. Ange spark_enabled: trueäven :

Dricks

Det här exemplet är för ett hanterat virtuellt nätverk som konfigurerats med isolation_mode: allow_internet_outbound för att tillåta Internettrafik. Om du bara vill tillåta godkänd utgående trafik använder du isolation_mode: allow_only_approved_outbound.
```
name: myworkspace
managed_network:
  isolation_mode: allow_internet_outbound
  outbound_rules:
  - name: added-perule
    destination:
      service_resource_id: /subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Storage/storageAccounts/<STORAGE_ACCOUNT_NAME>
      spark_enabled: true
      subresource_target: blob
    type: private_endpoint
```
Du kan använda en YAML-konfigurationsfil med az ml workspace update kommandot genom att ange parametern --file och namnet på YAML-filen. Följande kommando uppdaterar till exempel en befintlig arbetsyta med hjälp av en YAML-fil med namnet workspace_pe.yml:
```
az ml workspace update --file workspace_pe.yml --resource_group rg --name ws
```
Kommentar

När Tillåt endast godkänd utgående trafik är aktiverat (isolation_mode: allow_only_approved_outbound) kommer conda-paketberoenden som definierats i Spark-sessionskonfigurationen inte att installeras. Lös problemet genom att ladda upp ett fristående Python-pakethjul utan externa beroenden till ett Azure Storage-konto och skapa en privat slutpunkt till det här lagringskontot. Använd sökvägen till Python-pakethjulet som py_files parameter i ditt Spark-jobb. Om du anger en FQDN-regel för utgående trafik kringgås inte det här problemet eftersom FQDN-regelspridning inte stöds av Spark.
I följande exempel visas hur du skapar ett hanterat virtuellt nätverk för en befintlig Azure Machine Learning-arbetsyta med namnet myworkspace. Den lägger också till en privat slutpunkt för Azure Storage-kontot och anger spark_enabled=true:

Dricks

Följande exempel är för ett hanterat virtuellt nätverk som konfigurerats med IsolationMode.ALLOW_INTERNET_OUTBOUND för att tillåta Internettrafik. Om du bara vill tillåta godkänd utgående trafik använder du IsolationMode.ALLOW_ONLY_APPROVED_OUTBOUND.
```
# Get the existing workspace
ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group, "myworkspace")
ws = ml_client.workspaces.get()

# Basic managed VNet configuration
ws.managed_network = ManagedNetwork(IsolationMode.ALLOW_INTERNET_OUTBOUND)

# Example private endpoint outbound to a blob
rule_name = "myrule"
service_resource_id = "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Storage/storageAccounts/<STORAGE_ACCOUNT_NAME>"
subresource_target = "blob"
spark_enabled = True

# Add the outbound 
ws.managed_network.outbound_rules = [PrivateEndpointDestination(
    name=rule_name, 
    service_resource_id=service_resource_id, 
    subresource_target=subresource_target, 
    spark_enabled=spark_enabled)]

# Create the workspace
ml_client.workspaces.begin_update(ws)
```
Kommentar
- När Tillåt endast godkänd utgående trafik är aktiverat (isolation_mode: allow_only_approved_outbound) kommer conda-paketberoenden som definierats i Spark-sessionskonfigurationen inte att installeras. Lös problemet genom att ladda upp ett fristående Python-pakethjul utan externa beroenden till ett Azure Storage-konto och skapa en privat slutpunkt till det här lagringskontot. Använd sökvägen till Python-pakethjulet som py_files parameter i Spark-jobbet.
- Om arbetsytan skapades med IsolationMode.ALLOW_INTERNET_OUTBOUNDkan den inte uppdateras senare för att använda IsolationMode.ALLOW_ONLY_APPROVED_OUTBOUND.
1. Logga in på Azure Portal och välj Arbetsytan Azure Machine Learning.
2. Välj Nätverk och sedan Lägg till användardefinierade regler för utgående trafik. Lägg till en regel för Azure Storage-kontot och kontrollera att Spark är aktiverat .
3. Välj Spara för att spara regeln och välj sedan Spara överst i Nätverk för att spara ändringarna i det bemannade virtuella nätverket.
Etablera det hanterade virtuella nätverket.

Kommentar

Om din arbetsyta redan har konfigurerats för en offentlig slutpunkt (till exempel med ett virtuellt Azure-nätverk) och har offentlig nätverksåtkomst aktiverad måste du inaktivera den innan du etablerar det hanterade virtuella nätverket. Om du inte inaktiverar åtkomst till offentligt nätverk när du etablerar det hanterade virtuella nätverket kanske inte de privata slutpunkterna för den hanterade slutpunkten har skapats.
I följande exempel visas hur du etablerar ett hanterat virtuellt nätverk för serverlösa Spark-jobb med hjälp av parametern --include-spark .
```
az ml workspace provision-network -g my_resource_group -n my_workspace_name --include-spark
```
I följande exempel visas hur du etablerar ett hanterat virtuellt nätverk för serverlösa Spark-jobb:
```
# Connect to a workspace named "myworkspace"
ml_client = MLClient(DefaultAzureCredential(), subscription_id=subscription_id, resource_group_name=resource_group, workspace_name="myworkspace")

# whether to provision Spark vnet as well
include_spark = True

provision_network_result = ml_client.workspaces.begin_provision_network(workspace_name=ws_name, include_spark=include_spark).result()
```
Använd flikarna Azure CLI eller Python SDK för att lära dig hur du manuellt etablerar det hanterade virtuella nätverket med serverlöst Spark-stöd.

Etablera ett hanterat virtuellt nätverk manuellt

Det hanterade virtuella nätverket etableras automatiskt när du skapar en beräkningsinstans. När du förlitar dig på automatisk etablering kan det ta cirka 30 minuter att skapa den första beräkningsinstansen eftersom den även etablerar nätverket. Om du har konfigurerat utgående FQDN-regler (endast tillgängligt med endast godkänt läge) lägger den första FQDN-regeln till cirka 10 minuter till etableringstiden. Om du har en stor uppsättning utgående regler som ska etableras i det hanterade nätverket kan det ta längre tid för etableringen att slutföras. Den ökade etableringstiden kan leda till att den första beräkningsinstansen skapas.

För att minska väntetiden och undvika potentiella timeout-fel rekommenderar vi att du etablerar det hanterade nätverket manuellt. Vänta sedan tills etableringen är klar innan du skapar en beräkningsinstans.

Kommentar

Om du vill skapa en onlinedistribution måste du etablera det hanterade nätverket manuellt eller skapa en beräkningsinstans först som automatiskt etablerar den.

I följande exempel visas hur du etablerar ett hanterat virtuellt nätverk.

Dricks

Om du planerar att skicka serverlösa Spark-jobb lägger du till parametern --include-spark .

az ml workspace provision-network -g my_resource_group -n my_workspace_name

Kontrollera att etableringen har slutförts genom att använda följande kommando:

az ml workspace show -n my_workspace_name -g my_resource_group --query managed_network

I följande exempel visas hur du etablerar ett hanterat virtuellt nätverk:

# Connect to a workspace named "myworkspace"
ml_client = MLClient(DefaultAzureCredential(), subscription_id=subscription_id, resource_group_name=resource_group, workspace_name="myworkspace")

# whether to provision Spark vnet as well
include_spark = True

provision_network_result = ml_client.workspaces.begin_provision_network(workspace_name=ws_name, include_spark=include_spark).result()

Om du vill kontrollera att arbetsytan har etablerats använder du ml_client.workspaces.get() för att hämta information om arbetsytan. Egenskapen managed_network innehåller status för det hanterade nätverket.

ws = ml_client.workspaces.get()
print(ws.managed_network.status)

Konfigurera avbildningsversioner

När Azure Container Registry för din arbetsyta finns bakom ett virtuellt nätverk kan det inte användas för att skapa Docker-avbildningar direkt. Konfigurera i stället arbetsytan så att den använder ett beräkningskluster eller en beräkningsinstans för att skapa avbildningar.

Viktigt!

Den beräkningsresurs som används för att skapa Docker-avbildningar måste kunna komma åt paketlagringsplatserna som används för att träna och distribuera dina modeller. Om du använder ett nätverk som konfigurerats för att endast tillåta godkänd utgående trafik kan du behöva lägga till regler som tillåter åtkomst till offentliga lagringsplatser eller använder privata Python-paket.

Om du vill uppdatera en arbetsyta för att använda ett beräkningskluster eller en beräkningsinstans för att skapa Docker-avbildningar använder du az ml workspace update kommandot med parametern --image-build-compute :

az ml workspace update --name ws --resource-group rg --image-build-compute mycompute

I följande exempel visas hur du uppdaterar en arbetsyta för att använda ett beräkningskluster för att skapa avbildningar:

# import required libraries
from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential

subscription_id = "<your subscription ID>"
resource_group = "<your resource group name>"
workspace = "<your workspace name>"

ml_client = MLClient(
    DefaultAzureCredential(), subscription_id=subscription_id, resource_group_name=resource_group, workspace_name=workspace
)

# Get workspace info
ws=ml_client.workspaces.get(name=workspace)
# Update to use cpu-cluster for image builds
ws.image_build_compute="mycompute"
ml_client.workspaces.begin_update(ws)
# To switch back to using ACR to build (if ACR is not in the virtual network):
# ws.image_build_compute = ''
# ml_client.workspaces.begin_update(ws)

Hantera regler för utgående trafik

Om du vill visa en lista över regler för utgående VNet för en arbetsyta använder du följande kommando:

az ml workspace outbound-rule list --workspace-name ws --resource-group rg

Om du vill visa information om en utgående regel för hanterade virtuella nätverk använder du följande kommando:

az ml workspace outbound-rule show --rule rule-name --workspace-name ws --resource-group rg

Om du vill ta bort en regel för utgående trafik från det hanterade virtuella nätverket använder du följande kommando:

az ml workspace outbound-rule remove --rule rule-name --workspace-name ws --resource-group rg

I följande exempel visas hur du hanterar regler för utgående trafik för en arbetsyta med namnet myworkspace:

# Connect to the workspace
ml_client = MLClient(DefaultAzureCredential(), subscription_id=subscription_id, resource_group_name=resource_group, workspace_name="myworkspace")

# Specify the rule name
rule_name = "<some-rule-name>"

# Get a rule by name
rule = ml_client._workspace_outbound_rules.get(resource_group, ws_name, rule_name)

# List rules for a workspace
rule_list = ml_client._workspace_outbound_rules.list(resource_group, ws_name)

# Delete a rule from a workspace
ml_client._workspace_outbound_rules.begin_remove(resource_group, ws_name, rule_name).result()

Lista över obligatoriska regler

Dricks

Dessa regler läggs automatiskt till i det hanterade virtuella nätverket.

Privata slutpunkter:

När isoleringsläget för det hanterade virtuella nätverket är Allow internet outboundskapas regler för utgående privat slutpunkt automatiskt som obligatoriska regler från det hanterade virtuella nätverket för arbetsytan och associerade resurser med offentlig nätverksåtkomst inaktiverad (Key Vault, Lagringskonto, Container Registry, Azure Machine Learning-arbetsyta).
När isoleringsläget för det hanterade virtuella nätverket är Allow only approved outboundskapas regler för utgående privat slutpunkt automatiskt som nödvändiga regler från det hanterade virtuella nätverket för arbetsytan och associerade resurser oavsett åtkomstläge för offentliga nätverk för dessa resurser (Key Vault, Lagringskonto, Container Registry, Azure Machine Learning-arbetsytan).

Regler för utgående tjänsttagg:

AzureActiveDirectory
AzureMachineLearning
BatchNodeManagement.region
AzureResourceManager
AzureFrontDoor.FirstParty
MicrosoftContainerRegistry
AzureMonitor

Regler för inkommande tjänsttagg:

AzureMachineLearning

Lista över scenariospecifika regler för utgående trafik

Scenario: Få åtkomst till offentliga maskininlärningspaket

Om du vill tillåta installation av Python-paket för träning och distribution lägger du till utgående FQDN-regler för att tillåta trafik till följande värdnamn:

Varning

Kommentar

Det här är inte en fullständig lista över de värdar som krävs för alla Python-resurser på Internet, bara de vanligaste. Om du till exempel behöver åtkomst till en GitHub-lagringsplats eller en annan värd måste du identifiera och lägga till de värdar som krävs för det scenariot.

Värdnamn	Syfte
`anaconda.com` `*.anaconda.com`	Används för att installera standardpaket.
`*.anaconda.org`	Används för att hämta lagringsplatsdata.
`pypi.org`	Används för att lista beroenden från standardindexet, om det finns några, och indexet skrivs inte över av användarinställningarna. Om indexet skrivs över måste du också tillåta `*.pythonhosted.org`.
`pytorch.org` `*.pytorch.org`	Används av några exempel baserade på PyTorch.
`*.tensorflow.org`	Används av några exempel som baseras på Tensorflow.

Scenario: Använda Visual Studio Code Desktop eller webben med beräkningsinstans

Om du planerar att använda Visual Studio Code med Azure Machine Learning lägger du till utgående FQDN-regler för att tillåta trafik till följande värdar:

Varning

*.vscode.dev
vscode.blob.core.windows.net
*.gallerycdn.vsassets.io
raw.githubusercontent.com
*.vscode-unpkg.net
*.vscode-cdn.net
*.vscodeexperiments.azureedge.net
default.exp-tas.com
code.visualstudio.com
update.code.visualstudio.com
*.vo.msecnd.net
marketplace.visualstudio.com
vscode.download.prss.microsoft.com

Scenario: Använda batchslutpunkter eller ParallelRunStep

Om du planerar att använda Azure Machine Learning-batchslutpunkter för distribution eller ParallelRunStep lägger du till regler för utgående privat slutpunkt för att tillåta trafik till följande underresurser för standardlagringskontot:

queue
table

Scenario: Använda promptflöde med Azure OpenAI, innehållssäkerhet och Azure AI Search

Privat slutpunkt till Azure AI Services
Privat slutpunkt till Azure AI Search

Scenario: Använda HuggingFace-modeller

Om du planerar att använda HuggingFace-modeller med Azure Machine Learning lägger du till utgående FQDN-regler för att tillåta trafik till följande värdar:

Varning

docker.io
*.docker.io
*.docker.com
production.cloudflare.docker.com
cdn.auth0.com
cdn-lfs.huggingface.co

Scenario: Aktivera åtkomst från valda IP-adresser

Om du vill aktivera åtkomst från specifika IP-adresser använder du följande åtgärder:

Lägg till en regel för utgående privat slutpunkt för att tillåta trafik till Azure Machine Learning-arbetsytan. På så sätt kan beräkningsinstanser som skapats i det hanterade virtuella nätverket komma åt arbetsytan.

Dricks

Du kan inte lägga till den här regeln när arbetsytan skapas eftersom arbetsytan inte finns ännu.
Aktivera offentlig nätverksåtkomst till arbetsytan. Mer information finns i Åtkomst till offentligt nätverk aktiverat.
Lägg till dina IP-adresser i brandväggen för Azure Machine Learning. Mer information finns i aktivera åtkomst endast från IP-intervall.

Kommentar

Endast IPv4-adresser stöds.

Privata slutpunkter

Privata slutpunkter stöds för närvarande för följande Azure-tjänster:

Azure Machine Learning
Azure Machine Learning-register
Azure Storage (alla underresurstyper)
Azure Container Registry
Azure Key Vault
Azure AI-tjänster
Azure AI Search (tidigare Cognitive Search)
Azure SQL Server
Azure Data Factory
Azure Cosmos DB (alla underresurstyper)
Azure Event Hubs
Azure Redis Cache
Azure Databricks
Azure-databas för MariaDB
Azure Database for PostgreSQL – enskild server
Flexibel Server för Azure Database for PostgreSQL
Azure Database for MySQL
Azure API Management

När du skapar en privat slutpunkt anger du resurstypen och underresursen som slutpunkten ansluter till. Vissa resurser har flera typer och underresurser. Mer information finns i vad som är en privat slutpunkt.

När du skapar en privat slutpunkt för Azure Machine Learning-beroenderesurser, till exempel Azure Storage, Azure Container Registry och Azure Key Vault, kan resursen finnas i en annan Azure-prenumeration. Resursen måste dock finnas i samma klientorganisation som Azure Machine Learning-arbetsytan.

Viktigt!

När du konfigurerar privata slutpunkter för ett hanterat virtuellt Azure Machine Learning-nätverk skapas endast de privata slutpunkterna när den första beräkningen skapas eller när hanterad VNet-etablering tvingas. Mer information om hur du tvingar den hanterade VNet-etableringen finns i Konfigurera för serverlösa Spark-jobb.

Prissättning

Funktionen för hanterade virtuella nätverk för Azure Machine Learning är kostnadsfri. Du debiteras dock för följande resurser som används av det hanterade virtuella nätverket:

Azure Private Link – Privata slutpunkter som används för att skydda kommunikationen mellan det hanterade virtuella nätverket och Azure-resurser förlitar sig på Azure Private Link. Mer information om priser finns i Prissättning för Azure Private Link.
Utgående FQDN-regler – FQDN-regler för utgående trafik implementeras med hjälp av Azure Firewall. Om du använder utgående FQDN-regler läggs avgifter för Azure Firewall till i din fakturering. Azure Firewall (standard-SKU) etableras av Azure Machine Learning.

Viktigt!

Brandväggen skapas inte förrän du lägger till en utgående FQDN-regel. Mer information om priser finns i Prissättning för Azure Firewall och visa priser för standardversionen .

Begränsningar

Azure AI Studio stöder inte användning av ditt eget virtuella Azure-nätverk för att skydda hubb-, projekt- eller beräkningsresurserna. Du kan bara använda funktionen för hanterat nätverk för att skydda dessa resurser.
När du aktiverar hanterad VNet-isolering av din arbetsyta (tillåt antingen utgående internet eller tillåt endast godkänd utgående trafik) kan du inte inaktivera den.
Hanterat VNet använder en privat slutpunktsanslutning för att få åtkomst till dina privata resurser. Du kan inte ha en privat slutpunkt och en tjänstslutpunkt samtidigt för dina Azure-resurser, till exempel ett lagringskonto. Vi rekommenderar att du använder privata slutpunkter i alla scenarier.
Det hanterade virtuella nätverket tas bort när arbetsytan tas bort.
Dataexfiltreringsskydd aktiveras automatiskt för det enda godkända utgående läget. Om du lägger till andra regler för utgående trafik, till exempel till FQDN, kan Microsoft inte garantera att du skyddas från dataexfiltrering till dessa utgående mål.
Det går inte att skapa ett beräkningskluster i en annan region än arbetsytan när du använder ett hanterat VNet.
Kubernetes och anslutna virtuella datorer stöds inte i ett Azure Machine Learning-hanterat VNet.
Om du använder utgående FQDN-regler ökar kostnaden för hanterat VNet eftersom FQDN-regler använder Azure Firewall. Mer information finns i Prissättning.
FQDN-regler för utgående trafik stöder endast portarna 80 och 443.
Om beräkningsinstansen finns i ett hanterat nätverk och inte har konfigurerats för någon offentlig IP-adress använder du kommandot az ml compute connect-ssh för att ansluta till den med hjälp av SSH.
När du använder hanterat VNet kan du inte distribuera beräkningsresurser i ditt anpassade VNet. Beräkningsresurser kan bara skapas i hanterat VNet.
Isolering av hanterat nätverk kan inte upprätta en privat anslutning från det hanterade virtuella nätverket till en användares lokala resurser. Listan över privata anslutningar som stöds finns i Privata slutpunkter.
Om ditt hanterade nätverk har konfigurerats för att endast tillåta godkänd utgående trafik kan du inte använda en FQDN-regel för åtkomst till Azure Storage-konton. Du måste använda en privat slutpunkt i stället.

Migrering av beräkningsresurser

Om du har en befintlig arbetsyta och vill aktivera hanterade virtuella nätverk för den finns det för närvarande ingen migreringssökväg som stöds för befintliga hanterade beräkningsresurser. Du måste ta bort alla befintliga hanterade beräkningsresurser och återskapa dem när du har aktiverat det hanterade virtuella nätverket. Följande lista innehåller de beräkningsresurser som måste tas bort och återskapas:

Beräkningskluster
Beräkningsinstans
Hanterade onlineslutpunkter

Dela via

Arbetsytans hanterade virtuella nätverksisolering

Arkitektur för hanterat virtuellt nätverk

Azure Machine Learning Studio

Skyddade associerade resurser

Förutsättningar

Konfigurera ett hanterat virtuellt nätverk för att tillåta utgående internet

Konfigurera ett hanterat virtuellt nätverk för att endast tillåta godkänd utgående trafik

Konfigurera för serverlösa Spark-jobb

Etablera ett hanterat virtuellt nätverk manuellt

Konfigurera avbildningsversioner

Hantera regler för utgående trafik

Lista över obligatoriska regler

Lista över scenariospecifika regler för utgående trafik

Scenario: Få åtkomst till offentliga maskininlärningspaket

Scenario: Använda Visual Studio Code Desktop eller webben med beräkningsinstans

Scenario: Använda batchslutpunkter eller ParallelRunStep

Scenario: Använda promptflöde med Azure OpenAI, innehållssäkerhet och Azure AI Search

Scenario: Använda HuggingFace-modeller

Scenario: Aktivera åtkomst från valda IP-adresser

Privata slutpunkter

Prissättning

Begränsningar

Migrering av beräkningsresurser

Nästa steg

Feedback

Ytterligare resurser