Azure Machine Learning 的 Enterprise 安全性與治理
在此文章中，您將了解 Azure Machine Learning 可用的安全性和控管功能。 系統管理員、DevOps 工程師和 MLOps 工程師如果想建立與公司原則相容的安全設定，便可以使用這些功能。
透過 Azure Machine Learning 和 Azure 平台，您可以：
- 依使用者帳戶或群組限制資源和作業的存取權。
- 限制連入和連出的網路通訊。
- 加密傳輸和待用的資料。
- 掃描弱點。
- 套用和稽核設定原則。
限制資源和作業的存取權
Microsoft Entra ID 是適用於 Azure Machine Learning 的身分識別服務提供者。 您可以將其用來建立及管理用以驗證 Azure 資源的安全性物件 (使用者、群組、服務主體和受控識別)。 如果 Microsoft Entra ID 設定為使用它，則支援多重要素驗證 (MFA)。
以下是 Azure Machine Learning 在 Microsoft Entra ID 中透過 MFA 進行的驗證程序：
- 用戶端登入到 Microsoft Entra ID，並取得 Azure Resource Manager 權杖。
- 用戶端會將權杖提供給 Azure Resource Manager 和 Azure Machine Learning。
- Azure Machine Learning 會為使用者計算目標 (例如，Machine Learning 計算叢集或無伺服器計算) 提供 Machine Learning 服務權杖。 在作業完成之後，使用者計算目標會使用此權杖來回呼 Machine Learning 服務。 適用範圍僅限於工作區。
每個工作區都有相關聯的系統指派受控識別，其名稱與工作區相同。 此受控識別是用於安全地存取工作區所使用的資源。 該識別針對相關聯的資源具有下列 Azure 角色型存取控制 (RBAC) 權限：
| 資源 | 權限 |
|---|---|
| 工作區 | 參與者 |
| 儲存體帳戶 | 儲存體 Blob 資料參與者 |
| 金鑰保存庫 | 所有金鑰、祕密、憑證的存取權 |
| Container Registry： | 參與者 |
| 包含工作區的資源群組 | 參與者 |
系統指派的受控識別會用於 Azure Machine Learning 與其他 Azure 資源之間的內部服務對服務驗證。 使用者無法存取身分識別權杖，且無法將其用來取得這些資源的存取權。 使用者只能透過 Azure Machine Learning 控制及資料平面 API 來存取資源 (如果具有符合的 RBAC 權限)。
我們不建議管理員撤銷上表所述資源的受控識別存取權。 您可以使用重新同步金鑰作業來還原存取權。
注意
如果您 Azure Machine Learning 工作區的計算目標 (例如計算叢集、計算執行個體或 Azure Kubernetes Service [AKS] 執行個體) 是在 2021 年 5 月 14 日之前所建立，則您可能也會有額外的 Microsoft Entra 帳戶。 帳戶名稱會以 Microsoft-AzureML-Support-App- 開頭，並且具有每個工作區區域訂用帳戶的參與者層級存取權。
如果您的工作區沒有連結 AKS 執行個體，您可以安全地刪除此 Microsoft Entra 帳戶。
如果您的工作區已連結 AKS 叢集，且這些叢集建立於 2021 年 5 月 14 日之前，請勿刪除此 Microsoft Entra 帳戶。 在這個情況下，您必須刪除再重新建立 AKS 叢集，才能刪除 Microsoft Entra 帳戶。
您可以佈建工作區以使用使用者指派的受控識別，然後為受控識別授與其他角色。 例如，您可以授與角色來存取基底 Docker 映像的 Azure Container Registry 執行個體。
您也可以設定受控識別，以搭配 Azure Machine Learning 計算叢集使用。 此受控識別與工作區受控識別無關。 透過計算叢集，受控識別會用來存取執行定型作業的使用者可能無法存取的資源，例如安全的資料存放區。 如需詳細資訊，請參閱使用受控識別。
提示
在 Azure Machine Learning 中使用 Microsoft Entra ID 和 Azure RBAC 時會發生例外狀況：
- 您可以選擇性地啟用計算資源 (例如 Azure Machine Learning 計算執行個體和計算叢集) 的安全殼層 (SSH) 存取。 SSH 存取是以公開/私密金鑰組為基礎，而不是 Microsoft Entra ID。 Azure RBAC 不會控管 SSH 存取。
- 您可以使用金鑰或權杖型驗證，藉此驗證模型以部署為線上端點。 索引鍵是靜態字串，而權杖則會透過 Microsoft Entra 安全性物件擷取。 如需詳細資訊，請參閱驗證線上端點的用戶端。
如需詳細資訊，請參閱下列文章：
- 設定 Azure Machine Learning 資源和工作流程的驗證
- 管理對 Azure Machine Learning 工作區的存取
- 使用資料存放區
- 在 Azure Machine Learning 作業中使用驗證認證祕密
- 設定 Azure Machine Learning 與其他服務之間的驗證
提供網路安全性與隔離
若要限制 Azure Machine Learning 資源的網路存取，您可以使用 Azure Machine Learning 虛擬網路或 Azure 虛擬網路執行個體。 使用虛擬網路可減少您解決方案的受攻擊面，並降低資料外流的機會。
您不需要選擇其中一個。 例如，您可以使用 Azure Machine Learning 受控虛擬網路來協助保護受控計算資源和非受控資源的 Azure 虛擬網路執行個體，或協助保護工作區的用戶端存取。
Azure Machine Learning 受控虛擬網路：提供完全受控的解決方案，為您的工作區和受控計算資源啟用網路隔離。 您可以使用私人端點來協助保護與其他 Azure 服務的通訊，且您可以限制輸出通訊。 使用受控虛擬網路來協助保護下列受控計算資源：
- 無伺服器計算 (包括 Spark 無伺服器)
- 計算叢集
- 計算執行個體
- 受控線上端點
- 批次線上端點
如需詳細資訊，請參閱工作區受控虛擬網路隔離。
Azure 虛擬網路執行個體：提供可自訂程度更高的虛擬網路供應項目。 不過，您必須負責設定及管理。 您可能需要使用網路安全性群組、使用者定義的路由或防火牆來限制輸出通訊。
如需詳細資訊，請參閱下列文章：
加密資料
Azure Machine Learning 會使用 Azure 平台上的各種計算資源和資料存放區。 若要深入了解這兩項資源如何支援待用和傳輸中的資料加密，請參閱 Azure Machine Learning 的資料加密。
防止資料外流
Azure Machine Learning 有數個輸入和輸出網路相依性。 其中有些相依性會因組織內的惡意代理程式，而有造成資料外流的風險。 這些風險與 Azure 儲存體、Azure Front Door 和 Azure 監視器的輸出需求相關。 如需降低此風險的建議，請參閱預防 Azure Machine Learning 資料外流。
掃描弱點
適用於雲端的 Microsoft Defender 提供跨混合式雲端工作負載的整合式安全性管理與進階威脅保護。 針對 Azure Machine Learning，您應該啟用掃描 Azure Container Registry 資源和 AKS 資源。 如需詳細資訊，請參閱適用於容器登錄的 Microsoft Defender 簡介和適用於 Kubernetes 的 Microsoft Defender 簡介。
稽核及管理合規性
Azure 原則是一種治理工具，可協助確保 Azure 資源遵循您的原則。 您可以設定原則以允許或強制執行特定設定，例如您的 Azure Machine Learning 工作區是否使用私人端點。
如需 Azure 原則的詳細資訊，請參閱 Azure 原則文件。 如需 Azure Machine Learning 特定原則的詳細資訊，請參閱稽核及管理 Azure Machine Learning。