Çevrimiçi uç noktalar için istemcilerin kimliğini doğrulama

ŞUNLAR IÇIN GEÇERLIDIR: Azure CLI ml uzantısı v2 (geçerli)Python SDK azure-ai-ml v2 (geçerli)

Bu makalede, Azure Machine Learning çevrimiçi uç noktaları için istemcilerin kimliğini doğrulamayı öğreneceksiniz. İzinleri ayarlar, uç nokta oluşturur, belirteçleri veya anahtarları alır ve üç kimlik doğrulama modundan birini kullanarak verileri puanlarsınız: anahtar, Azure Machine Learning belirteci (aml_token) veya Microsoft Entra belirteci (aad_token).

Çevrimiçi uç nokta kimlik doğrulaması iki tür işlem içerir:

  • Denetim düzlemi işlemi, bir uç noktayı kontrol eder ve değiştirir. Denetim düzlemi işlemleri, çevrimiçi uç noktalarda ve çevrimiçi dağıtımlarda oluşturma, okuma, güncelleştirme ve silme (CRUD) işlemlerini içerir.
  • Veri düzlemi işlemi , uç noktayı değiştirmeden çevrimiçi uç noktayla etkileşime geçmek için verileri kullanır. Örneğin veri düzlemi işlemi, çevrimiçi uç noktaya puanlama isteği gönderme ve yanıt alma işlemlerinden oluşur.

Kimlik doğrulaması modu seçme

Çevrimiçi uç noktalar, veri düzlemi işlemleri için üç kimlik doğrulama modunu destekler. Güvenlik gereksinimlerinize ve uç nokta türüne en uygun modu seçin.

Anahtar Azure Machine Learning belirteci (aml_token) Microsoft Entra belirteci (aad_token)
Güvenlik düzeyi En düşük — statik anahtarların süresi dolmaz Orta — kısa ömürlü, otomatik olarak yenilenen Üst düzey — kimlik tabanlı, rol tabanlı sınırlandırılmış
Uç nokta türleri Yönetilen ve Kubernetes Yönetilen ve Kubernetes Sadece yönetilen
Puanlama için RBAC gerekiyor Hayır Hayır Evet (score/action rol)
Jeton ömrü Süre sonu yok (elle döndürülür) Yenileme ile kısa ömürlü Kısa ömürlü (Microsoft Entra ilkesine göre)
En uygun Geliştirme ve test Otomatik işlem hatları Üretim iş yükleri

Yönetilen çevrimiçi uç noktalarda üretim iş yükleri için en güçlü güvenlik için Microsoft Entra belirteci kimlik doğrulamasını (aad_token) kullanın. Geliştirme veya Kubernetes uç noktaları için anahtar tabanlı kimlik doğrulaması en basit seçenektir.

Önemli

Microsoft Entra belirteci (aad_token) kimlik doğrulaması yalnızca yönetilen çevrimiçi uç noktalar için desteklenir. Kubernetes çevrimiçi uç noktaları için anahtar veya Azure Machine Learning belirteci (aml_token) kimlik doğrulamasını kullanın. Daha fazla bilgi için bkz. Çevrimiçi uç noktalar için kimlik doğrulaması ve yetkilendirme.

Önkoşullar

  • Python SDK'sı: azure-ai-ml ve azure-identity paketleri (pip install azure-ai-ml azure-identity)
  • Azure CLI: ml Uzantı (az extension add -n ml)
  • Microsoft Entra Id'de bir kullanıcı kimliği. Kullanıcı kimliği oluşturma hakkında bilgi için bkz. Kimlik doğrulamasını ayarlama. Sonraki bir adımda kimlik ID'sine ihtiyacınız olacak.
  • Denetim düzlemi ve veri düzlemi işlemleri için gerekli RBAC rolü: Çalışma alanı kapsamında kullanıcı kimliğinize aşağıdaki rollerden birini atayın:
    • AzureML Veri Bilimcisi (yerleşik) — Uç noktalar ve puanlama üzerinde CRUD işlemleri için izinler içerir. Bkz. AzureML Veri Bilimcisi rolü.
    • Sahip veya Katkıda Bulunan — Uç noktaları yönetmek için tam erişim.
    • Microsoft.MachineLearningServices/workspaces/onlineEndpoints/* eylemlerle birlikte olan özel bir rol.
  • (İsteğe bağlı) Azure Machine Learning Çalışma Alanı Bağlantı Gizli Dizileri Okuyucusu — Yalnızca çalışma alanı bağlantılarından gizli dizilere erişmeniz gerekiyorsa gereklidir.

Kurulumunuzu doğrulama

Kimlik bilgilerinizin ve RBAC izinlerinizin doğru yapılandırıldığını doğrulamak için bu kod parçacığını çalıştırın:

az login
az ml online-endpoint list --resource-group <RESOURCE_GROUP> --workspace-name <WORKSPACE_NAME>

Beklenen çıkış: JSON uç nokta dizisi (henüz uç nokta yoksa boş [] ).

Referans: az ml online-endpoint list

Kimliğe izinler atayın

Gerekli RBAC rolü zaten atanmışsa (Önkoşullar kısmında listelendiği gibi) Bir uç nokta oluşturun kısmına atlayın. Bu bölümde, gerekirse özel rol oluşturma ayrıntıları sağlanır.

Yerleşik rol ayrıntılarını görüntüleme

AzureML Veri Bilimci Yerleşik rol, şu RBAC (Yetki Tabanlı Erişim Kontrolü) denetim düzlemi eylemlerini içerir:

  • Microsoft.MachineLearningServices/workspaces/onlineEndpoints/write
  • Microsoft.MachineLearningServices/workspaces/onlineEndpoints/delete
  • Microsoft.MachineLearningServices/workspaces/onlineEndpoints/read
  • Microsoft.MachineLearningServices/workspaces/onlineEndpoints/token/action
  • Microsoft.MachineLearningServices/workspaces/onlineEndpoints/listKeys/action
  • Microsoft.MachineLearningServices/workspaces/onlineEndpoints/regenerateKeys/action

Ve bu veri düzlemi RBAC eylemi:

  • Microsoft.MachineLearningServices/workspaces/onlineEndpoints/score/action

Azure Machine Learning Workspace Connection Secrets Reader Bir yerleşik rol şunları içerir:

  • Microsoft.MachineLearningServices/workspaces/connections/listsecrets/action
  • Microsoft.MachineLearningServices/workspaces/metadata/secrets/read

(İsteğe bağlı) Özel rol oluşturma

Yerleşik roller veya önceden oluşturulmuş diğer özel roller kullanıyorsanız bu adımı atlayın.

  1. Rollerin JSON tanımlarını oluşturarak özel rollerin kapsamını ve eylemlerini tanımlayın. Örneğin, custom-role-for-control-plane.jsonaşağıdaki rol tanımı, kullanıcının belirtilen çalışma alanında çevrimiçi bir uç noktada CRUD işlemleri gerçekleştirmesine izin verir.

    {
    "Name": "Custom role for control plane operations - online endpoint",
    "IsCustom": true,
    "Description": "Can CRUD against online endpoints.",
    "Actions": [
        "Microsoft.MachineLearningServices/workspaces/onlineEndpoints/write",
        "Microsoft.MachineLearningServices/workspaces/onlineEndpoints/delete",
        "Microsoft.MachineLearningServices/workspaces/onlineEndpoints/read",
        "Microsoft.MachineLearningServices/workspaces/onlineEndpoints/token/action",
        "Microsoft.MachineLearningServices/workspaces/onlineEndpoints/listKeys/action",
        "Microsoft.MachineLearningServices/workspaces/onlineEndpoints/regenerateKeys/action"
    ],
    "NotActions": [
    ],
    "AssignableScopes": [
        "/subscriptions/<subscriptionID>/resourcegroups/<resourceGroupName>"
    ]
}

    Aşağıdaki rol tanımı custom-role-for-scoring.jsonkullanıcının belirtilen çalışma alanında bir çevrimiçi uç noktaya puanlama istekleri göndermesine olanak tanır.

    {
    "Name": "Custom role for scoring - online endpoint",
    "IsCustom": true,
    "Description": "Can score against online endpoints.",
    "Actions": [
        "Microsoft.MachineLearningServices/workspaces/onlineEndpoints/*/action"
    ],
    "NotActions": [
    ],
    "AssignableScopes": [
        "/subscriptions/<subscriptionID>/resourcegroups/<resourceGroupName>"
    ]
}

  2. Özel roller oluşturmak için JSON tanımlarını kullanın:

    az role definition create --role-definition custom-role-for-control-plane.json --subscription <subscriptionID>

az role definition create --role-definition custom-role-for-scoring.json --subscription <subscriptionID>

    Not

    Özel roller oluşturmak için üç rolden birine ihtiyacınız vardır:

    • Sahibi
    • Kullanıcı Erişimi Yöneticisi
    • Özel roller oluşturmak/güncelleştirmek/silmek için Microsoft.Authorization/roleDefinitions/write izni ve özel rolleri görüntülemek için Microsoft.Authorization/roleDefinitions/read izni olan özel rol.

    Özel roller oluşturma hakkında daha fazla bilgi için bkz . Azure özel rolleri.

  3. Rol tanımını doğrulayın:

    az role definition list --custom-role-only -o table

az role definition list -n "Custom role for control plane operations - online endpoint"
az role definition list -n "Custom role for scoring - online endpoint"

export role_definition_id1=`(az role definition list -n "Custom role for control plane operations - online endpoint" --query "[0].id" | tr -d '"')`

export role_definition_id2=`(az role definition list -n "Custom role for scoring - online endpoint" --query "[0].id" | tr -d '"')`

Rolü kimliğe ata

  1. Yerleşik rolü kullanıyorsanız AzureML Veri Bilimci , rolü kullanıcı kimliğinize atamak için aşağıdaki kodu kullanın.

    az role assignment create --assignee <identityID> --role "AzureML Data Scientist" --scope /subscriptions/<subscriptionID>/resourcegroups/<resourceGroupName>/providers/Microsoft.MachineLearningServices/workspaces/<workspaceName>

  2. İsteğe bağlı olarak, yerleşik rolü kullanıyorsanız Azure Machine Learning Workspace Connection Secrets Reader , rolü kullanıcı kimliğinize atamak için aşağıdaki kodu kullanın.

    az role assignment create --assignee <identityID> --role "Azure Machine Learning Workspace Connection Secrets Reader" --scope /subscriptions/<subscriptionID>/resourcegroups/<resourceGroupName>/providers/Microsoft.MachineLearningServices/workspaces/<workspaceName>

  3. Özel bir rol kullanıyorsanız, rolü kullanıcı kimliğinize atamak için aşağıdaki kodu kullanın.

    az role assignment create --assignee <identityID> --role "Custom role for control plane operations - online endpoint" --scope /subscriptions/<subscriptionID>/resourcegroups/<resourceGroupName>/providers/Microsoft.MachineLearningServices/workspaces/<workspaceName>

az role assignment create --assignee <identityID> --role "Custom role for scoring - online endpoint" --scope /subscriptions/<subscriptionID>/resourcegroups/<resourceGroupName>/providers/Microsoft.MachineLearningServices/workspaces/<workspaceName>

    Not

    Kullanıcı kimliğine özel roller atamak için üç rolden birine ihtiyacınız vardır:

    • Sahibi
    • Kullanıcı Erişimi Yöneticisi
    • Özel roller atama izni (Microsoft.Authorization/roleAssignments/write) ve rol atamalarını görüntüleme izni (Microsoft.Authorization/roleAssignments/read) veren özel bir rol.

    Azure rolleri ve izinleri hakkında daha fazla bilgi için bkz. Azure rolleri ve Azure portalını kullanarak Azure rolleri atama.

  4. Rol atamasını onaylayın:

    az role assignment list --scope /subscriptions/<subscriptionID>/resourcegroups/<resourceGroupName>/providers/Microsoft.MachineLearningServices/workspaces/<workspaceName>

Denetim düzlemi belirteci alın

Doğrudan belirteci kullanan REST API'yi kullanarak denetim düzlemi işlemleri gerçekleştirmeyi planlıyorsanız bu adımı tamamlayın.

Ml uzantısı v2, Python SDK v2 veya Azure Machine Learning Stüdyosu ile Azure CLI gibi diğer yöntemleri kullanmayı planlıyorsanız Microsoft Entra belirtecini el ile almanız gerekmez. Oturum açma sırasında kullanıcı kimliğiniz doğrulanır ve kimlik doğrulama belirteci sizin adınıza otomatik olarak alınır ve iletilir.

Denetim düzlemi işlemleri için Microsoft Entra belirtecini Azure kaynak uç noktasından alabilirsiniz: https://management.azure.com.

  1. Azure'da oturum açın.

    az login

  2. Belirli bir kimlik kullanmak istiyorsanız, kimlikle oturum açmak için aşağıdaki kodu kullanın:

    az login --identity --username <identityID>

  3. Belirteci almak için bu bağlamı kullanın:

    export CONTROL_PLANE_TOKEN=$(az account get-access-token \
    --resource https://management.azure.com \
    --query accessToken -o tsv)

Referans: az login, az account get-access-token

Denetim düzlemi belirtecini doğrulama (isteğe bağlı)

Microsoft Entra belirtecini aldıktan sonra belirtecin kodunu management.azure.com aracılığıyla çözerek belirtecin doğru Azure kaynak uç noktası () ve doğru istemci kimliği için olduğunu doğrulayabilirsiniz.

İpucu

jwt.ms sitesi, belirteçlerin kodunu tamamen tarayıcıda çözen Microsoft'a ait bir araçtır; sunucuya veri gönderilmez. Belirteçleri asla güvenilmeyen kod çözme araçlarına yapıştırmayın.

Kodu çözülen belirteç, aşağıdaki bilgileri içeren bir JSON yanıtı döndürür:

{
    "aud": "https://management.azure.com",
    "oid": "<your-object-id>"
}

Uç nokta oluşturma

Aşağıdaki örnek, sistem tarafından atanan kimliği (SAI) uç nokta kimliği olarak kullanarak uç noktayı oluşturur. SAI, uç noktalar için varsayılan kimlik türüdür ve bazı temel roller otomatik olarak atanır. Daha fazla bilgi için bkz. Uç nokta kimliği için otomatik rol ataması.

CLI, denetim düzlemi belirtecini açıkça sağlamanızı gerektirmez. Bunun yerine, CLI az login komutu oturum açma sırasında kimliğinizi doğrular ve kimlik belirteci sizin için otomatik olarak elde edilip iletilir.

  1. endpoint.yml adlı bir uç nokta tanımı YAML dosyası oluşturun:

    $schema: https://azuremlschemas.azureedge.net/latest/managedOnlineEndpoint.schema.json
name: my-endpoint
auth_mode: aad_token

    auth_mode'yı anahtar kimlik doğrulaması için veya key'yi Azure Machine Learning belirteci kimlik doğrulaması için aml_token olarak ayarlayabilirsiniz. Bu örnekte Microsoft Entra belirteci kimlik doğrulaması için kullanılır aad_token .

    Not

    aad_token Kimlik doğrulama modu yalnızca yönetilen çevrimiçi uç noktalar için desteklenir. Kubernetes çevrimiçi uç noktaları için auth_mode'yi key veya aml_token olarak ayarlayın.

  2. Uç noktayı oluşturun:

    az ml online-endpoint create -f endpoint.yml

  3. Uç noktanın durumunu denetleyin:

    az ml online-endpoint show -n my-endpoint

  4. Uç nokta oluştururken auth_mode'yi geçersiz kılmak istiyorsanız (örneğin, aad_token için), aşağıdaki kodu çalıştırın.

    az ml online-endpoint create -n my-endpoint --auth-mode aad_token

  5. Mevcut uç noktayı güncelleştirmek ve belirtmek auth_mode istiyorsanız (örneğin, gibi aad_token) aşağıdaki kodu çalıştırın:

    az ml online-endpoint update -n my-endpoint --set auth_mode=aad_token

Referans: az ml online-endpoint create, az ml online-endpoint show, az ml online-endpoint update

Dağıtım oluştur

Dağıtım oluşturmak için bkz. Çevrimiçi uç nokta ile makine öğrenmesi modeli dağıtma veya Modeli çevrimiçi uç nokta olarak dağıtmak için REST kullanma. Farklı kimlik doğrulama modları için dağıtım oluşturma yönteminizde bir fark yoktur.

Aşağıdaki kod, bir dağıtımın nasıl oluşturulacağını gösteren bir örnektir. Çevrimiçi uç noktaları dağıtma hakkında daha fazla bilgi için bkz. Çevrimiçi uç nokta ile makine öğrenmesi modeli dağıtma (CLI aracılığıyla).

  1. blue-deployment.yml adlı bir dağıtım tanımı YAML dosyası oluşturun:

    $schema: https://azuremlschemas.azureedge.net/latest/managedOnlineDeployment.schema.json
name: blue
endpoint_name: my-aad-auth-endp1
model:
  path: ../../model-1/model/
code_configuration:
  code: ../../model-1/onlinescoring/
  scoring_script: score.py
environment: 
  conda_file: ../../model-1/environment/conda.yml
  image: mcr.microsoft.com/azureml/openmpi4.1.0-ubuntu22.04:latest
instance_type: Standard_DS3_v2
instance_count: 1

  2. YAML dosyasını kullanarak dağıtımı oluşturun. Bu örnek için tüm trafiği yeni dağıtıma ayarlayın.

    az ml online-deployment create -f blue-deployment.yml --all-traffic

Referans: az ml online-deployment create

Puanlama URI'sini alma

Uç noktayı çağırmak için kullanırsanız az ml online-endpoint invoke , CLI puanlama URI'sini otomatik olarak çözümler, bu nedenle el ile almanız gerekmez.

Ancak, diğer araçlarla (REST API veya özel HTTP istemcileri gibi) kullanmak için puanlama URI'sine ihtiyacınız varsa, bunu aşağıdaki komutla alabilirsiniz:

scoringUri=$(az ml online-endpoint show -n my-endpoint --query "scoring_uri")

Komut referansı: az ml online-endpoint show

Veri düzlemine ait anahtar veya jetonu alın

Anahtarı veya belirteci alma işlemi bir denetim düzlemi işlemi olsa da, veri düzlemi işlemleri için bir anahtar veya belirteç kullanabilirsiniz. Başka bir deyişle, veri düzlemi işlemlerinde kullanacağınız anahtarı veya belirteci elde etmek için bir denetim düzlemi belirteci kullanırsınız.

Belirteç yaşam süreleri kimlik doğrulama moduna göre farklılık gösterir:

  • Anahtar: Anahtarların süresi dolmaz, ancak güvenlik için düzenli olarak döndürülmelidir. regenerateKeys Tuşları döndürmek için eylemi kullanın.
  • Azure Machine Learning belirteci (aml_token): Kısa ömürlü ve bir refreshAfterTimeUtc alanı içeren belirteçler. Sürenin dolmasını önlemek için bu süreden sonra yeni bir jeton isteyin.
  • Microsoft Entra belirteci (aad_token): Microsoft Entra ID belirteci yaşam süresi ilkenize (genellikle 60-90 dakika) uyar. Belirteci expiryTimeUtc öncesinde yenileyin.

Anahtarı veya Azure Machine Learning belirtecini almak için, bunu isteyen kullanıcı kimliğinin denetim düzlemi işlemleri için yetkilendirme bölümünde açıklandığı gibi doğru rolün atanması gerekir. Kullanıcı kimliğinin Microsoft Entra belirtecini almak için ek rollere ihtiyacı yoktur.

Uç noktayı çağırmak için CLI kullanmayı planlıyorsanız, CLI bunu size sağladığından veri düzlemi işlemleri için anahtarları veya belirteci açıkça almanız gerekmez. Bununla birlikte, CLI'yi kullanarak veri düzlemi işlemlerinin anahtarlarını veya belirtecini almaya devam edebilirsiniz; böylece REST API gibi diğer kanallarla da kullanabilirsiniz.

Veri düzlemi işlemlerinin anahtarlarını veya belirtecini almak için az ml online-endpoint get-credentials komutunu kullanın. Bu komut anahtarları, belirteci ve/veya ek bilgileri içeren JSON çıkışını döndürür.

İpucu

Aşağıdaki komutta --query parametresi, JSON çıkışından belirli bilgileri ayıklamak için kullanılır. Ancak, bu amaç için uygun herhangi bir aracı kullanabilirsiniz.

auth_mode olduğunda key uç noktasının

  • Anahtarlar primaryKey ve secondaryKey alanlarında döndürülür.

    export DATA_PLANE_TOKEN=$(az ml online-endpoint get-credentials -n $ENDPOINT_NAME -g $RESOURCE_GROUP -w $WORKSPACE_NAME -o tsv --query primaryKey)
export DATA_PLANE_TOKEN2=$(az ml online-endpoint get-credentials -n $ENDPOINT_NAME -g $RESOURCE_GROUP -w $WORKSPACE_NAME -o tsv --query secondaryKey)

auth_mode olduğunda aml_token uç noktasının

  • Jeton, accessToken alanında döndürülür.

  • Belirteç sona erme süresi expiryTimeUtc alanında döndürülür.

  • Belirteç yenileme süresi, refreshAfterTimeUtc alanında döndürülür.

    export DATA_PLANE_TOKEN=$(az ml online-endpoint get-credentials -n $ENDPOINT_NAME -g $RESOURCE_GROUP -w $WORKSPACE_NAME -o tsv --query accessToken)
export EXPIRY_TIME_UTC=$(az ml online-endpoint get-credentials -n $ENDPOINT_NAME -g $RESOURCE_GROUP -w $WORKSPACE_NAME -o tsv --query expiryTimeUtc)
export REFRESH_AFTER_TIME_UTC=$(az ml online-endpoint get-credentials -n $ENDPOINT_NAME -g $RESOURCE_GROUP -w $WORKSPACE_NAME -o tsv --query refreshAfterTimeUtc)

auth_mode olduğunda aad_token uç noktasının

  • Jeton, accessToken alanında döndürülür.

  • Belirteç sona erme süresi expiryTimeUtc alanında döndürülür.

    export DATA_PLANE_TOKEN=$(az ml online-endpoint get-credentials -n $ENDPOINT_NAME -g $RESOURCE_GROUP -w $WORKSPACE_NAME -o tsv --query accessToken)
export EXPIRY_TIME_UTC=$(az ml online-endpoint get-credentials -n $ENDPOINT_NAME -g $RESOURCE_GROUP -w $WORKSPACE_NAME -o tsv --query expiryTimeUtc)

Referans: az ml online-endpoint get-credentials

Veri düzlemi belirtecini doğrulama (isteğe bağlı)

Entra belirtecini aldıktan sonra, ml.azure.com belirtecin kodunu çözerek belirtecin doğru Azure kaynak uç noktası, ve doğru istemci kimliği için olduğunu doğrulayabilirsiniz; bu da aşağıdaki bilgileri içeren bir JSON yanıtı döndürür:

İpucu

jwt.ms sitesi, belirteçlerin kodunu tamamen tarayıcıda çözen Microsoft'a ait bir araçtır; sunucuya veri gönderilmez. Belirteçleri asla güvenilmeyen kod çözme araçlarına yapıştırmayın.

{
    "aud": "https://ml.azure.com",
    "oid": "<your-object-id>"
}

Verileri puanla

az ml online-endpoint invoke anahtar, Azure Machine Learning belirteci veya Microsoft Entra belirteci ile uç noktalar için kullanabilirsiniz. CLI, anahtarı veya belirteci otomatik olarak sağlar, dolayısıyla sizin manuel olarak iletmenize gerek yoktur.

az ml online-endpoint invoke -n my-endpoint -r request.json

Referans: az ml online-endpoint invoke

Uç nokta trafiğini izleme

Uç noktanın tanılama ayarlarında trafik günlüğünü etkinleştirmek için Günlükleri açma başlığındaki adımları tamamlayın.

Tanılama ayarı etkinse, kimlik doğrulama modunu ve kullanıcı kimliğini görmek için AmlOnlineEndpointTrafficLogs tablosunu görüntüleyebilirsiniz.

Kimlik doğrulama sorunlarını giderme

Aşağıdaki tabloda yaygın kimlik doğrulama hataları ve bunların çözümleri listelemektedir.

Error Olası neden Çözünürlük
401 Yetkisiz Eksik, süresi dolmuş veya yanlış hedef kitle belirteci Belirteç hedef kitlesinin uç nokta türüyle eşleştiklerini doğrulayın: management.azure.com denetim düzlemi için, ml.azure.com veri düzlemi için. Süresi dolan belirteçleri yenileyin.
403 Yasak Kullanıcı kimliğinde gerekli RBAC rolü yok Özel bir rol veya AzureML Veri Bilimci izniyle uç nokta kapsamına score/action atayın. Bkz . Kimliğe izin atama.
aad_token kabul edilmedi Kubernetes uç noktasında aad_token kullanımı key veya aml_token öğesine geçin. Microsoft Entra belirteci kimlik doğrulaması yalnızca yönetilen çevrimiçi uç noktalar için desteklenir.
AADSTS700016 veya benzer Entra hatası Belirteç isteğinde yanlış kaynak veya hedef kitle Kaynak parametresinin işlem türüyle eşleştiğinden emin olun: https://management.azure.com denetim düzlemi için, https://ml.azure.com veri düzlemi için.

İlgili içerik

  • Last updated on