Amazon MLA-C01: Segurança, Governança e Conformidade — Guia de estudos
Faz parte do AWS Machine Learning Engineer Associate MLA-C01 — Guia de estudos. Pratique com respostas verificadas no centro de exames da Amazon, ou faça testes cronometrados no ExamRoll.io.
Perfis do IAM, privilégio mínimo e contextos de execução do SageMaker
O gerenciamento de identidade e acesso para cargas de trabalho de ML exige uma separação explícita e auditável de privilégios entre usuários humanos, sistemas de CI/CD e computação em tempo de execução. Para o SageMaker, isso significa definir um perfil de execução (execution role) dedicado (um IAM Role com um AssumeRolePolicyDocument que permite o principal de serviço do SageMaker, sagemaker.amazonaws.com) e limitar as permissões desse perfil ao conjunto mínimo de ações necessárias: S3 GetObject/PutObject em prefixos específicos, kms:Decrypt/kms:Encrypt em uma ou mais CMKs gerenciadas pelo cliente, logs:CreateLogStream e logs:PutLogEvents para ARNs de LogGroup específicos, e sts:AssumeRole apenas se o acesso entre contas for necessário. Anexe condições de política em nível de recurso (aws:SourceAccount e aws:SourceArn) para que os artefatos criados por um job ou pipeline específico do SageMaker não possam ser exfiltrados por outros principais. Use perfis separados para treinamento, construção de modelo e hospedagem (campos RoleArn passados para CreateTrainingJob, CreateModel, CreateEndpointConfig) para que os privilégios de tempo de execução sejam compartimentalizados; armazene os ARNs desses perfis no código ou em pipelines como parâmetros, em vez de incorporar credenciais.
Para acesso efêmero de desenvolvedor e aprovações humanas, prefira perfis do IAM assumidos via AWS STS com credenciais de curta duração em vez de chaves de usuário do IAM de longa duração. A aplicação de revisões por várias pessoas e a separação de funções são alcançadas combinando limites de permissão do IAM (permission boundaries), AWS Single Sign-On ou um IdP OIDC, e controles em nível de recurso nos pacotes do SageMaker Model Registry. Onde os fluxos de trabalho exigem elevação temporária de privilégios (por exemplo, para aprovar um pacote de modelo), use um fluxo de trabalho de aprovação no SageMaker Model Registry que defina o ModelApprovalStatus como “PendingManualApproval” e exija que um principal do IAM com uma permissão sagemaker:ApproveModelPackage de escopo restrito o altere para “Approved”.
Isolamento de VPC, controles de rede e criptografia
O isolamento de rede começa colocando as instâncias de treinamento e inferência do SageMaker dentro de sub-redes (subnets) da VPC com um VpcConfig explícito (IDs de sub-rede e IDs de security group) fornecido para as APIs CreateTrainingJob, CreateModel, CreateEndpointConfig e CreateProcessingJob. Combine isso com endpoints de VPC (endpoints de Interface para com.amazonaws.region.sagemaker e com.amazonaws.region.s3 via AWS PrivateLink ou endpoints de Gateway para S3) para que os artefatos do modelo e o tráfego da API nunca atravessem a internet pública. Habilite os VPC Flow Logs para a sub-rede e use regras de Security Group para restringir o tráfego de saída (egress) apenas para os endereços e portas necessários, por exemplo, apenas para o endpoint de VPC do S3 ou para um NAT Gateway se downloads de pacotes externos forem permitidos.
A criptografia deve ser aplicada em repouso e em trânsito. Para dados em repouso, use a criptografia do lado do servidor do S3 com AWS KMS (SSE-KMS) e proteja as chaves com uma CMK gerenciada pelo cliente que tenha políticas de chave (key policies) restringindo administradores e o perfil de execução do SageMaker (coloque o ARN da CMK em OutputDataConfig.KmsKeyId ou nos cabeçalhos SSE-KMS do S3 PutObject para os artefatos). Para volumes EBS anexados a instâncias de treinamento, especifique a criptografia de volume via ResourceConfig e garanta que a chave KMS do EBS esteja definida. Para o tráfego entre contêineres e transferências de rede, habilite EnableInterContainerTrafficEncryption e EnableNetworkIsolation em CreateTrainingJob/CreateModel para forçar o uso de TLS para o tráfego entre contêineres e para bloquear o acesso de saída à internet; além disso, todas as chamadas REST e SDK para o SageMaker e S3 devem utilizar HTTPS/TLS por padrão. Rotacione as CMKs com EnableKeyRotation na CMK e audite o uso da chave com os eventos de KMS do CloudTrail.
Logs de auditoria, eventos de dados e rastreamento de linhagem
Uma trilha de auditoria abrangente combina logs do plano de gerenciamento (management-plane) e eventos do plano de dados (data-plane). Use o AWS CloudTrail para registrar todas as chamadas de API do SageMaker e do IAM; habilite o registro de eventos de dados no CloudTrail para buckets S3 (PutEventSelectors com DataResources apontando para o ARN do S3) para capturar leituras/escritas em nível de objeto para conjuntos de dados de treinamento e artefatos de modelo. Envie os logs de contêiner e os logs de sistema do job de treinamento para o CloudWatch Logs, garantindo que as permissões logs:CreateLogStream e logs:PutLogEvents estejam presentes no perfil de execução; políticas de retenção e filtros de assinatura (subscription filters) podem transmitir esses logs para um SIEM central. Para auditoria em nível de rede, habilite os VPC Flow Logs e, para detecção de atividades suspeitas, inscreva-se nos achados (findings) do GuardDuty e no Amazon Macie para descoberta de dados sensíveis no S3.
A linhagem exige a captura da proveniência dos artefatos em pré-processamento, treinamento, avaliação e implantação. Use o SageMaker Pipelines e o SageMaker Experiments para criar registros de Experiment, Trial e TrialComponent automaticamente; essas APIs registram parâmetros, entradas, métricas e os metadados do ModelPackage. Persista os metadados em um repositório de metadados central: o AWS Glue Data Catalog pode servir como o catálogo de conjuntos de dados e armazenar metadados e particionamento em nível de tabela, enquanto o serviço de metadados do SageMaker vincula as execuções de pipeline aos artefatos de modelo. Para ingestão entre contas ou de múltiplas fontes, centralize as conexões com as conexões do AWS Glue (JDBC para MySQL on-prem) ou use o AWS Database Migration Service (DMS) para replicar dados transacionais para o S3/Redshift, onde os crawlers do Glue podem indexá-los. Em seguida, referencie as tabelas do Glue resultantes a partir dos pipelines para manter um caminho de linhagem auditável.
Governança de modelos: registro, model cards e monitoramento
O SageMaker Model Registry (grupos de pacotes de modelo e objetos ModelPackage) fornece o repositório de modelos central e canônico com estados de ciclo de vida integrados e ganchos (hooks) para CI/CD. Registre um modelo treinado em um ModelPackageGroup e defina o ModelApprovalStatus como “PendingManualApproval”; a automação (CodePipeline, Step Functions) pode pausar para que uma entidade principal (principal) autorizada chame UpdateModelPackage com ModelApprovalStatus=“Approved”. Use o registro em conjunto com o SageMaker Model Cards para documentar o uso pretendido, os conjuntos de dados, os hiperparâmetros de treinamento, as referências de linhagem (lineage), as métricas de desempenho, as métricas de justiça (fairness) do SageMaker Clarify e as declarações de conformidade (compliance). Os Model Cards devem ser criados como metadados estruturados e armazenados junto com o ModelPackage para que as revisões, as trilhas de auditoria e os próprios model cards permaneçam colocalizados com os artefatos binários.
O monitoramento operacional é realizado usando o SageMaker Model Monitor para desvio (drift) de qualidade de dados e de modelo, e o SageMaker Clarify para viés (bias) e explicabilidade (explainability). Habilite o DataCaptureConfig no CreateEndpoint para capturar os payloads de solicitação e resposta em um prefixo S3 seguro (com SSE-KMS) e, em seguida, configure os trabalhos de geração de linha de base (baseline) do Model Monitor (usando estatísticas e restrições de linha de base) e agende trabalhos de monitoramento ou acione análises sob demanda (on-demand). Para desvio de viés (bias drift) em endpoints de tempo real implantados, capture a inferência e os dados de referência (ground-truth) (quando disponíveis), execute trabalhos de viés do Clarify no conjunto de dados capturado e armazene os relatórios do Clarify no S3 e nos Model Cards. Alertas e remediação podem ser vinculados a CloudWatch Alarms e Step Functions que implementam padrões de reversão (rollback) ou quarentena.
Padrões de design, trade-offs e armadilhas comuns
Ao centralizar múltiplas fontes de dados, o AWS Glue com seus conectores JDBC, juntamente com o AWS Lake Formation para controle de acesso granular, é o padrão com a menor sobrecarga operacional; usar o DMS para replicar fontes transacionais no S3 proporciona melhor isolamento para pipelines de ML, mas aumenta a complexidade operacional. Para a latência de acesso ao dataset durante trabalhos de treinamento repetidos, fazer o streaming da entrada do S3 com o modo Pipe ou montar um sistema de arquivos compartilhado como o Amazon FSx for Lustre (exportando um namespace POSIX para as instâncias de treinamento) reduz o tempo de inicialização em comparação com a cópia repetida de grandes datasets para volumes EBS locais. O trade-off é que o FSx adiciona custo e gerenciamento; o modo Pipe é mais simples, mas exige que seu contêiner de treinamento suporte entrada de streaming (RecordIO, protobuf).
Para desbalanceamento de classes e tratamento de variáveis categóricas com o mínimo de operações, utilize o Data Wrangler ou o SageMaker Processing para produzir transformações consistentes e armazene os dados de features no SageMaker Feature Store, para que tanto o treinamento offline quanto a inferência online compartilhem a mesma transformação. Especificamente para o desbalanceamento, prefira primeiro soluções no nível do algoritmo (para o XGBoost, defina scale_pos_weight como num_negative/num_positive) antes da reamostragem no nível dos dados; abordagens algorítmicas evitam a criação de registros sintéticos e são operacionalmente mais simples para os pipelines. Para detecção de anomalias e verificações de qualidade do dataset, escolha entre serviços de propósito específico e modelos personalizados: o Amazon Lookout for Metrics oferece detecção e visualização automatizadas de anomalias com conectores para múltiplas fontes, enquanto o SageMaker Random Cut Forest (integrado) se integra diretamente aos pipelines e oferece controle total para limiares personalizados e explicabilidade.
As armadilhas comuns incluem funções IAM excessivamente amplas (permissões s3:* ou kms:* em excesso), falha em habilitar eventos de dados do CloudTrail para o S3, o que leva a pontos cegos quando artefatos de modelo são exfiltrados, não habilitar endpoints de VPC e, assim, rotear dados não intencionalmente pela internet pública, e pular o fluxo de trabalho de Aprovação de Modelo, resultando na promoção de modelos não revisados. Outro erro frequente é armazenar dados sensíveis em texto plano no S3 sem SSE-KMS ou não restringir as políticas de chave do KMS para impedir o uso da chave por principals não autorizados.
Problema Prático: Cenário de Caso de Uso
AcmeFin: modelo de detecção de fraudes para uma aplicação web financeira. As fontes de dados incluem logs de transações e perfis de clientes no S3, além de tabelas MySQL on-premises contendo pontuações de risco do cliente. Os objetivos são pipelines seguros e auditáveis, baixa latência de inicialização do treinamento para retreinamentos frequentes, um portão de aprovação manual para implantação em produção, avaliação sob demanda de viés/desvio (bias/drift) para endpoints implantados e detecção e visualização automatizadas de anomalias nos dados de entrada.
Ingerir e centralizar dados: use o AWS DMS para replicar o MySQL on-prem para um prefixo de landing no S3 sob criptografia SSE-KMS estrita (política de bucket restrita às contas da AcmeFin). Registre os datasets e partições do S3 com o AWS Glue Data Catalog por meio de crawlers do Glue e aplique o acesso por meio das permissões do Lake Formation. Justificativa: O DMS fornece replicação contínua para tabelas transacionais, o Glue Catalog centraliza metadados e permite a linhagem entre ETL e treinamento.
Proteger computação e armazenamento: crie funções de execução dedicadas do SageMaker com o princípio do privilégio mínimo (RoleArn usado em
CreateTrainingJob) e uma política de confiança permitindosagemaker.amazonaws.com; restrinja as permissões da função a prefixos específicos do S3 e à CMK gerenciada pelo cliente. Coloque todo o treinamento e inferência em sub-redes privadas, fornecendoVpcConfig.SubnetseVpcConfig.SecurityGroupIdsparaCreateTrainingJobeCreateEndpointConfig, e crie endpoints de Interface paracom.amazonaws.region.s3e para a API do SageMaker para evitar a saída para a internet pública. Justificativa: O isolamento de VPC mais os endpoints de VPC garantem que os artefatos nunca trafeguem por redes públicas, e as funções com restrições de CMK impedem o uso indevido da chave.Minimizar a latência de inicialização do treinamento: armazene grandes datasets no Amazon FSx for Lustre exportado para a sub-rede de treinamento e use o modo Pipe para entradas de streaming menores. Configure o
CreateTrainingJobcomInputDataConfigapontando para o dataset montado no FSx ou para o S3 com modo Pipe, e reutilize caches aquecidos mantendo os ponteiros do dataset constantes entre os trabalhos. Justificativa: O FSx fornece acesso POSIX e evita downloads repetidos do S3; o modo Pipe reduz a latência de cópia para contêineres compatíveis com streaming.Governança e aprovação manual: registre os modelos no SageMaker Model Registry após a conclusão do treinamento; defina
ModelApprovalStatus="PendingManualApproval"para novos objetosModelPackage. Implemente um fluxo de trabalho de aprovação usando AWS CodePipeline/Step Functions que exija que um principal com a permissãosagemaker:UpdateModelPackagechameUpdateModelPackage(ModelApprovalStatus="Approved")antes que a etapaCreateEndpointseja executada. Justificativa: O Model Registry fornece estados de ciclo de vida e uma ação de aprovação auditável vinculada às autorizações do IAM.Verificações sob demanda de viés e desvio (drift): habilite o
DataCaptureConfigno endpoint para escrever requisições e respostas em um prefixo S3 criptografado com SSE-KMS. Para análise de viés sob demanda, execute trabalhos em lote do SageMaker Clarify referenciando os dados capturados e a linha de base (baseline) do Model Card; para desvio contínuo, agende trabalhos do SageMaker Model Monitor que comparam as distribuições em tempo real com as estatísticas da linha de base. Justificativa: A captura de dados mais o Clarify/Model Monitor fornecem avaliações tanto ad-hoc quanto agendadas, com os resultados armazenados junto aos metadados do modelo.Detecção e visualização de anomalias: conecte as métricas capturadas e as séries temporais de features ao Amazon Lookout for Metrics para detecção automatizada de anomalias e notificações, e visualize os resultados no Amazon QuickSight. Alternativamente, execute um trabalho de treinamento do Random Cut Forest no SageMaker e exponha as anomalias em um dashboard se limiares personalizados forem necessários. Justificativa: O Lookout for Metrics reduz a sobrecarga operacional para detecção de anomalias e se integra com múltiplas fontes para visualização rápida.
Essa abordagem equilibra segurança (VPC, SSE-KMS, IAM restrito), governança (Model Registry, Model Cards, fluxos de trabalho de aprovação), treinamento de baixa latência (FSx + modo Pipe) e monitoramento operacional (DataCapture, Clarify, Model Monitor, Lookout for Metrics), enquanto mantém uma linhagem auditável por meio do Glue Catalog e do SageMaker Experiments.
← Monitoramento e Observabilidade de Modelos · Todos os domínios · IA Generativa e Modelos Fundacionais →
Pratique estas questões → · Prática cronometrada no ExamRoll.io →
Pass the whole exam — not just this question
You found this answer. Get every verified question and explanation in one place, and save hours of prep. Free to start.
Passe no seu exame →