Sécuriser les ressources de l’espace de travail Azure Machine Learning à l’aide de réseaux virtuels (réseaux virtuels)

Découvrez comment sécuriser les ressources de l’espace de travail Azure Machine Learning et les environnements de calcul à l’aide de réseaux virtuels Azure (réseaux virtuels). Cet article utilise un exemple de scénario pour vous montrer comment configurer un réseau virtuel complet.

Cet article fait partie d’une série sur la sécurisation d’un workflow Azure Machine Learning. Consultez les autres articles de cette série :

Pour obtenir un didacticiel sur la création d’un espace de travail sécurisé, consultez le tutoriel : Créer un espace de travail sécurisé, unmodèle Bicep ou un modèle Terraform.

Prérequis

Cet article suppose que vous êtes familiarisé avec les articles suivants :

• Réseaux virtuels Azure
• Réseaux IP
• Espace de travail Azure Machine Learning avec point de terminaison privé
• Groupes de sécurité réseau (NSG)
• Pare-feu de réseau

Exemple de scénario

Dans cette section, vous allez apprendre à configurer un scénario réseau courant pour sécuriser la communication Azure Machine Learning avec des adresses IP privées.

Le tableau suivant compare comment les services accèdent à différentes parties d’un réseau Azure Machine Learning avec et sans réseau virtuel (VNet) :

• Espace de travail - Créer un point de terminaison privé pour votre espace de travail. Le point de terminaison privé connecte l’espace de travail au réseau virtuel via plusieurs adresses IP privées.
  • Accès public : vous pouvez activer l’accès public pour un espace de travail sécurisé (facultatif).
• Ressource associée : utilisez des points de terminaison de service ou des points de terminaison privés pour vous connecter à des ressources d’espace de travail telles que stockage Azure et Azure Key Vault. Pour Azure Container Services, utilisez un point de terminaison privé.
  • Les points de terminaison de service fournissent l’identité de votre réseau virtuel au service Azure. Une fois que vous avez activé les points de terminaison de service dans votre réseau virtuel, vous pouvez ajouter une règle de réseau virtuel afin de sécuriser les ressources du service Azure pour votre réseau virtuel. Les points de terminaison de service utilisent des adresses IP publiques.
  • Les points de terminaison privés sont des interfaces réseau qui vous connectent de manière sécurisée à un service alimenté par Azure Private Link. Le point de terminaison privé utilise une adresse IP privée de votre réseau virtuel, plaçant de fait le service dans votre réseau virtuel.
• Accès au calcul d’entraînement : accédez aux cibles de calcul d’entraînement comme l’instance de calcul Azure Machine Learning et les clusters de calcul Azure Machine Learning en toute sécurité avec des adresses IP publiques ou privées.
• Accès au calcul d’inférence : accédez à des clusters de calcul Azure Kubernetes Services (AKS) avec des adresses IP privées.

Les sections suivantes vous montrent comment sécuriser le scénario de réseau décrit précédemment. Pour sécuriser votre réseau, vous devez :

1. Sécuriser l’espace de travail et les ressources associées.
2. Sécuriser l’environnement d’entraînement.
3. Sécuriser l’environnement d’inférence.
4. Facultatif : activer la fonctionnalité studio.
5. Configurer les paramètres de pare-feu.
6. Configurer la résolution de noms DNS.

Espace de travail public et ressources sécurisées

Pour accéder à l’espace de travail via l’Internet public tout en conservant toutes les ressources associées sécurisées dans un réseau virtuel, procédez comme suit :

1. Créez un réseau virtuel Azure. Ce réseau sécurise les ressources utilisées par l’espace de travail.

2. Utilisez l'une des options suivantes pour créer un espace de travail accessible publiquement :

   • Créez un espace de travail Azure Machine Learning qui n’utilise pas le réseau virtuel. Pour plus d’informations, consultez Gestion des espaces de travail Azure Machine Learning.

   OU

   • Créez un espace de travail avec Private Link activé pour activer la communication entre votre réseau virtuel et votre espace de travail. Puis activez l’accès public à l’espace de travail.
   • Créez un espace de travail Azure Machine Learning qui n’utilise pas le réseau virtuel. Pour plus d’informations, consultez Gestion des espaces de travail Azure Machine Learning.
   • Créez un espace de travail avec Private Link activé pour activer la communication entre votre réseau virtuel et votre espace de travail. Puis activez l’accès public à l’espace de travail.

3. Ajoutez les services suivants au réseau virtuel en utilisant un point de terminaison de serviceou un point de terminaison privé. Autorisez également les services Microsoft approuvés à accéder à ces services :

   Service	Informations sur le point de terminaison	Autoriser les informations approuvées
   Azure Key Vault	Point de terminaison de service Point de terminaison privé	Autoriser les services Microsoft approuvés à contourner ce pare-feu
   Compte Stockage Azure	Point de terminaison privé et de service Point de terminaison privé	Accorder l’accès aux services Azure approuvés
   Azure Container Registry	Point de terminaison privé	Autoriser les services approuvés

   Service	Informations sur le point de terminaison	Autoriser les informations approuvées
   Azure Key Vault	Point de terminaison de service Point de terminaison privé	Autoriser les services Microsoft approuvés à contourner ce pare-feu
   Compte Stockage Azure	Point de terminaison privé et de service Point de terminaison privé	Accorder l’accès aux services Azure approuvés
   Azure Container Registry	Point de terminaison privé	Autoriser les services approuvés

4. Dans les propriétés du compte Stockage Azure de votre espace de travail, ajoutez l’adresse IP de votre client à la liste d’autorisation des paramètres du pare-feu. Pour plus d’informations, consultez Configurer des pare-feu et réseaux virtuels.

Sécuriser l’espace de travail et les ressources associées

Utilisez la procédure ci-dessous pour sécuriser votre espace de travail et les ressources associées. Ces étapes permettent à vos services de communiquer dans le réseau virtuel.

Limites

La sécurisation de votre espace de travail et des ressources associées au sein d’un réseau virtuel présente les limitations suivantes :

• L’espace de travail et le compte de stockage par défaut doivent se trouver dans le même réseau virtuel. Toutefois, elles peuvent se trouver dans différents sous-réseaux au sein du même réseau virtuel. Par exemple, l’espace de travail peut se trouver dans un sous-réseau et le compte de stockage dans un autre.

  Nous vous recommandons d’utiliser Azure Key Vault et Azure Container Registry pour l’espace de travail dans le même réseau virtuel. Toutefois, ces deux ressources peuvent également se trouver dans un réseau virtuel de nœud homologue.

Sécuriser l’environnement d’entraînement

Dans cette section, vous allez voir comment sécuriser l’environnement d’entraînement dans Azure Machine Learning. Vous découvrirez également comment Azure Machine Learning effectue un travail d’entraînement pour comprendre le fonctionnement des configurations réseau.

Pour sécuriser l’environnement d’entraînement, procédez comme suit :

Envoi d’un exemple de travail d’entraînement

Dans cette section, vous allez voir comment Azure Machine Learning communique de manière sécurisée entre les services pour soumettre un travail d’entraînement. Cet exemple vous montre comment toutes vos configurations s’associent pour sécuriser la communication.

1. Le client charge des scripts et des données d’entraînement vers des comptes de stockage sécurisés au moyen d’un point de terminaison de service ou privé.

2. Le client envoie un travail d’entraînement à l’espace de travail Azure Machine Learning via le point de terminaison privé.

3. Le service Azure Batch reçoit la tâche depuis l’espace de travail. Il soumet ensuite la tâche de formation à l’environnement de calcul via l’équilibreur de charge public pour la ressource de calcul.

4. La ressource de calcul reçoit le travail et commence l’apprentissage. La ressource de calcul utilise les informations stockées dans le coffre de clés pour accéder aux comptes de stockage afin de télécharger les fichiers d’entraînement et charger la sortie.

Limites

• Azure Compute Instance et les clusters De calcul Azure doivent se trouver dans le même réseau virtuel, région et abonnement que l’espace de travail. Si les ressources associées se trouvent dans une région différente de celle de l’espace de travail, vous pouvez rencontrer une latence supplémentaire.

Sécuriser l’environnement d’inférence

Facultatif : Activer l’accès public

Vous pouvez sécuriser l’espace de travail derrière un réseau virtuel à l’aide d’un point de terminaison privé et autoriser l’accès via l’Internet public. La configuration initiale est la même que pour la sécurisation de l’espace de travail et des ressources associées.

Après avoir sécurisé l’espace de travail avec un point de terminaison privé, procédez comme suit pour permettre aux clients de développer à distance à l’aide du Kit de développement logiciel (SDK) ou d’Azure Machine Learning Studio :

Facultatif : activer la fonctionnalité studio

Si votre stockage se trouve dans un réseau virtuel, vous devez utiliser des étapes de configuration supplémentaires pour activer toutes les fonctionnalités dans Studio. Par défaut, les fonctionnalités suivantes sont désactivées :

• Aperçu des données dans Studio
• Visualisation des données dans le concepteur
• Déploiement d’un modèle dans le concepteur
• Envoi d’une expérience AutoML
• Démarrage d’un projet d’étiquetage

Pour activer toutes les fonctionnalités Studio, consultez Utiliser le studio Azure Machine Learning dans un réseau virtuel.

Limites

L’étiquetage des données assisté par ML ne prend pas en charge les comptes de stockage par défaut derrière un réseau virtuel. À la place, utilisez un compte de stockage différent de celui par défaut pour l’étiquetage des données assisté par ML.

Configurer les paramètres de pare-feu

Configurez votre pare-feu pour contrôler le trafic entre les ressources de votre espace de travail Azure Machine Learning et l’Internet public. Nous recommandons d’utiliser le pare-feu Azure, mais vous pouvez utiliser d’autres produits de pare-feu.

Pour plus d’informations sur les paramètres de pare-feu, consultez Utiliser un espace de travail derrière un pare-feu.

Système DNS personnalisé

Si vous devez utiliser une solution DNS personnalisée pour votre réseau virtuel, vous devez ajouter des enregistrements d’hôte pour votre espace de travail.

Pour plus d’informations sur les noms de domaine et les adresses IP requis, consultez Comment utiliser un espace de travail avec un serveur DNS personnalisé.

Microsoft Sentinel

Microsoft Sentinel est une solution de sécurité qui peut s’intégrer à Azure Machine Learning. Par exemple, il peut s’intégrer aux notebooks Jupyter fournis via Azure Machine Learning. Pour plus d’informations, consultez Utiliser des notebooks Jupyter pour faire la chasse aux menaces de sécurité.

Accès public

Microsoft Sentinel peut créer un espace de travail automatiquement si l’utilisation d’un point de terminaison public vous convient. Dans cette configuration, les analystes du centre des opérations de sécurité (SOC) et les administrateurs système se connectent aux notebooks dans votre espace de travail via Sentinel.

Pour plus d’informations sur ce processus, consultez Créer un espace de travail Azure Machine Learning à partir de Microsoft Sentinel.

Point de terminaison privé

Si vous souhaitez sécuriser votre espace de travail et les ressources associées dans un réseau virtuel, vous devez d’abord créer l’espace de travail Azure Machine Learning. Vous devez également créer une zone de saut de machine virtuelle dans le même réseau virtuel que votre espace de travail et activer la connectivité Azure Bastion à celle-ci. À l’instar de la configuration publique, les analystes SOC et les administrateurs peuvent se connecter à l’aide de Microsoft Sentinel, mais certaines opérations doivent être effectuées à l’aide d’Azure Bastion pour se connecter à la machine virtuelle.

Pour plus d’informations sur cette configuration, consultez Créer un espace de travail Azure Machine Learning à partir de Microsoft Sentinel.

Contenu connexe

Cet article fait partie d’une série sur la sécurisation d’un workflow Azure Machine Learning. Consultez les autres articles de cette série :