Amazon MLA-C01: Sicherheit, Governance und Compliance — Lernleitfaden
Teil des AWS Machine Learning Engineer Associate MLA-C01 — Lernleitfaden. Üben Sie mit verifizierten Antworten im Amazon-Prüfungscenter, oder absolvieren Sie zeitlich begrenzte Übungstests auf ExamRoll.io.
IAM-Rollen, Prinzip der geringsten Rechte und SageMaker-Ausführungskontexte
Das Identitäts- und Zugriffsmanagement für ML-Workloads erfordert eine explizite, auditierbare Trennung der Berechtigungen zwischen menschlichen Benutzern, CI/CD-Systemen und der Laufzeit-Rechenumgebung. Für SageMaker bedeutet dies die Definition einer dedizierten Ausführungsrolle (einer IAM-Rolle mit einem AssumeRolePolicyDocument, das den SageMaker-Service-Prinzipal sagemaker.amazonaws.com zulässt) und die Beschränkung der Berechtigungen dieser Rolle auf die minimal erforderlichen Aktionen: S3 GetObject/PutObject für bestimmte Präfixe, kms:Decrypt/kms:Encrypt für einen oder mehrere kundenseitig verwaltete CMKs, logs:CreateLogStream und logs:PutLogEvents für bestimmte LogGroup-ARNs und sts:AssumeRole nur, wenn kontoübergreifender Zugriff erforderlich ist. Fügen Sie Richtlinienbedingungen auf Ressourcenebene (aws:SourceAccount und aws:SourceArn) hinzu, damit Artefakte, die von einem bestimmten SageMaker-Job oder einer Pipeline erstellt wurden, nicht von anderen Prinzipalen exfiltriert werden können. Verwenden Sie separate Rollen für Training, Modellerstellung und Hosting (RoleArn-Felder, die an CreateTrainingJob, CreateModel, CreateEndpointConfig übergeben werden), um die Laufzeitberechtigungen zu kompartimentieren; speichern Sie diese Rollen-ARNs als Parameter im Code oder in Pipelines, anstatt Anmeldeinformationen einzubetten.
Für temporären Entwicklerzugriff und manuelle Genehmigungen sollten IAM-Rollen bevorzugt werden, die über AWS STS mit kurzlebigen Anmeldeinformationen übernommen werden, anstatt langlebige IAM-Benutzerschlüssel zu verwenden. Die Durchsetzung von Mehr-Augen-Prüfungen und Funktionstrennung wird durch die Kombination von IAM-Berechtigungsgrenzen (Permission Boundaries), AWS Single Sign-On oder einem OIDC-IdP und Kontrollen auf Ressourcenebene für SageMaker Model Registry-Pakete erreicht. Wo Workflows eine temporäre Erhöhung der Rechte erfordern (z. B. zur Genehmigung eines Modellpakets), verwenden Sie einen Genehmigungsworkflow in der SageMaker Model Registry, der den ModelApprovalStatus auf „PendingManualApproval“ setzt und einen IAM-Prinzipal mit einer eng gefassten sagemaker:ApproveModelPackage-Berechtigung erfordert, um ihn auf „Approved“ zu ändern.
VPC-Isolierung, Netzwerksteuerungen und Verschlüsselung
Die Netzwerkisolierung beginnt damit, SageMaker-Trainings- und Inferenzinstanzen in VPC-Subnetzen mit einer expliziten VpcConfig (Subnetz-IDs und Sicherheitsgruppen-IDs) zu platzieren, die an die APIs CreateTrainingJob, CreateModel, CreateEndpointConfig und CreateProcessingJob übergeben wird. Kombinieren Sie dies mit VPC-Endpunkten (Interface-Endpunkte für com.amazonaws.region.sagemaker und com.amazonaws.region.s3 über AWS PrivateLink oder Gateway-Endpunkte für S3), damit Modell-Artefakte und API-Verkehr niemals das öffentliche Internet durchqueren. Aktivieren Sie VPC-Flow-Protokolle für das Subnetz und verwenden Sie Regeln für Sicherheitsgruppen, um den ausgehenden Verkehr (Egress) auf die erforderlichen Adressen und Ports zu beschränken, z. B. nur auf den S3-VPC-Endpunkt oder auf ein NAT-Gateway, wenn externe Paket-Downloads erlaubt sind.
Verschlüsselung muss für Daten im Ruhezustand (at-rest) und während der Übertragung (in-transit) angewendet werden. Für Daten im Ruhezustand verwenden Sie die serverseitige S3-Verschlüsselung mit AWS KMS (SSE-KMS) und schützen Sie die Schlüssel mit einem kundenseitig verwalteten CMK, der über Schlüsselrichtlinien verfügt, die Administratoren und die SageMaker-Ausführungsrolle einschränken (fügen Sie den CMK-ARN in OutputDataConfig.KmsKeyId oder in die S3 PutObject SSE-KMS-Header für Artefakte ein). Für EBS-Volumes, die an Trainingsinstanzen angehängt sind, geben Sie die Volume-Verschlüsselung über ResourceConfig an und stellen Sie sicher, dass der EBS-KMS-Schlüssel festgelegt ist. Für Container-zu-Container-Verkehr und Netzwerkübertragungen aktivieren Sie EnableInterContainerTrafficEncryption und EnableNetworkIsolation in CreateTrainingJob/CreateModel, um TLS für den Inter-Container-Verkehr zu erzwingen und den ausgehenden Internetzugriff zu blockieren; zusätzlich sollten alle REST- und SDK-Aufrufe an SageMaker und S3 standardmäßig HTTPS/TLS nutzen. Rotieren Sie CMKs mit EnableKeyRotation für den CMK und auditieren Sie die Schlüsselverwendung mit den KMS-Ereignissen von CloudTrail.
Audit-Protokollierung, Datenereignisse und Herkunftsverfolgung
Ein umfassender Audit-Trail kombiniert Protokolle der Verwaltungsebene (Management-Plane) und Ereignisse der Datenebene (Data-Plane). Verwenden Sie AWS CloudTrail, um alle SageMaker- und IAM-API-Aufrufe aufzuzeichnen; aktivieren Sie die Protokollierung von Datenereignissen in CloudTrail für S3-Buckets (PutEventSelectors mit DataResources, die auf den S3-ARN verweisen), um Lese-/Schreibvorgänge auf Objektebene für Trainingsdatensätze und Modell-Artefakte zu erfassen. Senden Sie Container-Protokolle und Systemprotokolle von Trainingsjobs an CloudWatch Logs, indem Sie sicherstellen, dass die Berechtigungen logs:CreateLogStream und logs:PutLogEvents für die Ausführungsrolle vorhanden sind; Aufbewahrungsrichtlinien und Abonnementfilter können diese Protokolle an ein zentrales SIEM streamen. Für die Auditierung auf Netzwerkebene aktivieren Sie VPC-Flow-Protokolle und für die Erkennung verdächtiger Aktivitäten abonnieren Sie GuardDuty-Ergebnisse und Amazon Macie zur Erkennung sensibler Daten in S3.
Die Herkunftsverfolgung (Lineage) erfordert die Erfassung der Artefaktherkunft über die Vorverarbeitung, das Training, die Evaluierung und die Bereitstellung hinweg. Verwenden Sie SageMaker Pipelines und SageMaker Experiments, um automatisch Experiment-, Trial- und TrialComponent-Einträge zu erstellen; diese APIs zeichnen Parameter, Eingaben, Metriken und die Metadaten des ModelPackage auf. Persistieren Sie Metadaten in einem zentralen Metadatenspeicher: Der AWS Glue Data Catalog kann als Katalog für Datensätze dienen und Metadaten auf Tabellenebene sowie Partitionierungen speichern, während der Metadatendienst von SageMaker Pipeline-Ausführungen mit Modell-Artefakten verknüpft. Für kontoübergreifende oder aus mehreren Quellen stammende Datenaufnahme (Ingestion) zentralisieren Sie Verbindungen mit AWS Glue Connections (JDBC für On-Premise-MySQL) oder verwenden Sie den AWS Database Migration Service (DMS), um Transaktionsdaten nach S3/Redshift zu replizieren, wo Glue-Crawler sie indizieren können. Referenzieren Sie dann die resultierenden Glue-Tabellen aus den Pipelines, um einen auditierbaren Herkunftspfad aufrechtzuerhalten.
Model-Governance: Registry, Model Cards und Überwachung
Die SageMaker Model Registry (Model-Paket-Gruppen und ModelPackage-Objekte) stellt den kanonischen, zentralen Modellspeicher mit integrierten Lebenszyklus-Zuständen und Hooks für CI/CD bereit. Registrieren Sie ein trainiertes Modell in einer ModelPackageGroup und setzen Sie den ModelApprovalStatus auf „PendingManualApproval“; die Automatisierung (CodePipeline, Step Functions) kann pausieren, damit ein autorisierter Principal UpdateModelPackage mit ModelApprovalStatus=„Approved“ aufrufen kann. Kombinieren Sie die Registry mit SageMaker Model Cards, um den Verwendungszweck, Datensätze, Trainings-Hyperparameter, Herkunftsverweise (Lineage), Leistungskennzahlen, Fairness-Metriken von SageMaker Clarify und Compliance-Erklärungen zu dokumentieren. Model Cards sollten als strukturierte Metadaten erstellt und zusammen mit dem ModelPackage gespeichert werden, damit Reviews, Audit-Trails und die Model Cards selbst bei den binären Artefakten verbleiben.
Die operative Überwachung erfolgt mit SageMaker Model Monitor für Daten- und Modellqualitäts-Drift und mit SageMaker Clarify für Bias und Erklärbarkeit. Aktivieren Sie DataCaptureConfig bei CreateEndpoint, um Anfrage- und Antwort-Payloads in einem sicheren S3-Präfix (mit SSE-KMS) zu erfassen. Konfigurieren Sie anschließend Baseline-Erstellungs-Jobs für Model Monitor (unter Verwendung von Baseline-Statistiken und -Beschränkungen) und planen Sie Überwachungs-Jobs oder lösen Sie On-Demand-Analysen aus. Für Bias-Drift bei bereitgestellten Echtzeit-Endpunkten erfassen Sie Inferenzdaten und Ground-Truth-Daten (sofern verfügbar), führen Sie Clarify-Bias-Jobs für den erfassten Datensatz aus und speichern Sie die Clarify-Berichte in S3 und in den Model Cards. Benachrichtigungen und Korrekturmaßnahmen können mit CloudWatch Alarms und Step Functions verknüpft werden, die Rollback- oder Quarantänemuster implementieren.
Entwurfsmuster, Kompromisse und häufige Fallstricke
Bei der Zentralisierung mehrerer Datenquellen ist AWS Glue mit seinen JDBC-Konnektoren und AWS Lake Formation für eine feingranulare Zugriffskontrolle das Muster mit dem geringsten Betriebsaufwand. Die Verwendung von DMS zur Replikation von transaktionalen Quellen in S3 bietet eine bessere Isolierung für ML-Pipelines, erhöht aber die betriebliche Komplexität. Um die Latenz beim Zugriff auf Datensätze bei wiederholten Trainingsjobs zu verringern, reduziert das Streamen von S3-Eingaben im Pipe-Modus oder das Einhängen eines gemeinsam genutzten Dateisystems wie Amazon FSx for Lustre (das einen POSIX-Namespace für Trainingsinstanzen exportiert) die Startzeit im Vergleich zum wiederholten Kopieren großer Datensätze in lokale EBS-Volumes. Der Kompromiss besteht darin, dass FSx zusätzliche Kosten und Verwaltungsaufwand verursacht; der Pipe-Modus ist einfacher, erfordert aber, dass Ihr Trainingscontainer Streaming-Eingaben (RecordIO, protobuf) unterstützt.
Für den Umgang mit Klassen-Ungleichgewicht und kategorialen Daten mit minimalem Betriebsaufwand nutzen Sie Data Wrangler oder SageMaker Processing, um konsistente Transformationen zu erzeugen und Feature-Daten im SageMaker Feature Store zu speichern, sodass sowohl das Offline-Training als auch die Online-Inferenz dieselbe Transformation gemeinsam nutzen. Speziell bei Ungleichgewichten sollten Sie zuerst Abhilfemaßnahmen auf Algorithmus-Ebene bevorzugen (bei XGBoost setzen Sie scale_pos_weight auf num_negative/num_positive), bevor Sie ein Resampling auf Datenebene durchführen. Algorithmische Ansätze vermeiden die Erstellung synthetischer Datensätze und sind für Pipelines betrieblich einfacher. Für die Anomalieerkennung und die Prüfung der Datensatzqualität können Sie zwischen zweckgebundenen Diensten und benutzerdefinierten Modellen wählen: Amazon Lookout for Metrics bietet eine automatisierte Anomalieerkennung und -visualisierung mit Konnektoren zu mehreren Quellen, während SageMaker Random Cut Forest (integriert) sich direkt in Pipelines integrieren lässt und die volle Kontrolle über benutzerdefinierte Schwellenwerte und Erklärbarkeit bietet.
Häufige Fallstricke sind zu weit gefasste IAM-Rollen (übermäßige s3:*- oder kms:*-Berechtigungen), das Versäumnis, CloudTrail-Datenereignisse für S3 zu aktivieren, was zu blinden Flecken führt, wenn Modell-Artefakte exfiltriert werden, das Nichtaktivieren von VPC-Endpunkten und das damit verbundene unbeabsichtigte Routing von Daten über das öffentliche Internet sowie das Überspringen des Modell-Genehmigungs-Workflows, was dazu führt, dass ungeprüfte Modelle hochgestuft werden. Ein weiterer häufiger Fehler ist die Speicherung sensibler Daten im Klartext in S3 ohne SSE-KMS oder die Nicht-Einschränkung von KMS-Schlüsselrichtlinien, um die Verwendung von Schlüsseln durch unautorisierte Prinzipale zu verhindern.
Praktisches Problem: Anwendungsfallszenario
AcmeFin: Modell zur Betrugserkennung für eine Finanz-Webanwendung. Die Datenquellen umfassen Transaktionsprotokolle und Kundenprofile in S3 sowie On-Premises-MySQL-Tabellen mit Kundenrisikobewertungen. Die Ziele sind sichere, auditierbare Pipelines, eine geringe Startlatenz beim Training für häufiges Neutraining, ein manuelles Genehmigungstor für die Produktionsbereitstellung, eine On-Demand-Bewertung von Bias/Drift für bereitgestellte Endpunkte sowie eine automatisierte Anomalieerkennung und Visualisierung eingehender Daten.
Daten aufnehmen und zentralisieren: Verwenden Sie AWS DMS, um On-Premises-MySQL in ein S3-Landing-Präfix unter strikter SSE-KMS-Verschlüsselung zu replizieren (Bucket-Richtlinie, die auf AcmeFin-Konten beschränkt ist). Registrieren Sie die S3-Datensätze und -Partitionen mit dem AWS Glue Data Catalog über Glue-Crawler und erzwingen Sie den Zugriff durch Lake Formation-Berechtigungen. Begründung: DMS bietet eine kontinuierliche Replikation für transaktionale Tabellen, der Glue Catalog zentralisiert Metadaten und ermöglicht Lineage über ETL und Training hinweg.
Sichere Rechenleistung und Speicherung: Erstellen Sie dedizierte SageMaker-Ausführungsrollen mit den geringsten Rechten (Least Privilege) (
RoleArn, das inCreateTrainingJobverwendet wird) und einer Vertrauensrichtlinie, diesagemaker.amazonaws.comerlaubt. Beschränken Sie die Rollenberechtigungen auf bestimmte S3-Präfixe und den kundenseitig verwalteten CMK. Platzieren Sie alle Trainings- und Inferenzvorgänge in privaten Subnetzen, indem SieVpcConfig.SubnetsundVpcConfig.SecurityGroupIdsanCreateTrainingJobundCreateEndpointConfigübergeben, und erstellen Sie Interface-Endpunkte fürcom.amazonaws.region.s3und für die SageMaker-API, um Egress ins öffentliche Internet zu vermeiden. Begründung: VPC-Isolierung plus VPC-Endpunkte stellen sicher, dass Artefakte niemals öffentliche Netzwerke durchqueren, und Rollen mit CMK-Einschränkungen verhindern den Missbrauch von Schlüsseln.Startlatenz des Trainings minimieren: Speichern Sie große Datensätze auf Amazon FSx for Lustre, das in das Trainings-Subnetz exportiert wird, und verwenden Sie den Pipe-Modus für kleinere Streaming-Eingaben. Konfigurieren Sie
CreateTrainingJobmitInputDataConfig, das auf den FSx-eingehängten Datensatz oder S3 im Pipe-Modus verweist, und verwenden Sie warme Caches wieder, indem Sie die Datensatzzeiger über Jobs hinweg konstant halten. Begründung: FSx bietet POSIX-Zugriff und vermeidet wiederholte S3-Downloads; der Pipe-Modus reduziert die Kopierlatenz für streaming-freundliche Container.Governance und manuelle Genehmigung: Registrieren Sie Modelle nach Abschluss des Trainings in der SageMaker Model Registry; setzen Sie
ModelApprovalStatus="PendingManualApproval"für neueModelPackage-Objekte. Implementieren Sie einen Genehmigungsworkflow mit AWS CodePipeline/Step Functions, der erfordert, dass ein Prinzipal mit der Berechtigungsagemaker:UpdateModelPackageUpdateModelPackage(ModelApprovalStatus="Approved")aufruft, bevor derCreateEndpoint-Schritt ausgeführt wird. Begründung: Die Model Registry bietet Lebenszyklus-Status und eine auditierbare Genehmigungsaktion, die an IAM-Autorisierungen gebunden ist.On-Demand-Prüfungen auf Bias und Drift: Aktivieren Sie
DataCaptureConfigam Endpunkt, um Anfragen und Antworten in ein mit SSE-KMS verschlüsseltes S3-Präfix zu schreiben. Führen Sie für die On-Demand-Bias-Analyse SageMaker Clarify-Batch-Jobs aus, die auf die erfassten Daten und die Baseline der Model Card verweisen; für die kontinuierliche Drift-Überwachung planen Sie SageMaker Model Monitor-Jobs, die Live-Verteilungen mit Basisstatistiken vergleichen. Begründung: Datenerfassung plus Clarify/Model Monitor ermöglicht sowohl Ad-hoc- als auch geplante Bewertungen, deren Ergebnisse zusammen mit den Modell-Metadaten gespeichert werden.Anomalieerkennung und Visualisierung: Verbinden Sie erfasste Metriken und Feature-Zeitreihen mit Amazon Lookout for Metrics für eine automatisierte Anomalieerkennung und Benachrichtigungen, und visualisieren Sie die Ergebnisse in Amazon QuickSight. Alternativ können Sie einen Random Cut Forest-Trainingsjob in SageMaker ausführen und Anomalien in einem Dashboard anzeigen, wenn benutzerdefinierte Schwellenwerte erforderlich sind. Begründung: Lookout for Metrics reduziert den Betriebsaufwand für die Anomalieerkennung und lässt sich zur schnellen Visualisierung mit mehreren Quellen integrieren.
Dieser Ansatz schafft eine Balance zwischen Sicherheit (VPC, SSE-KMS, eingeschränktes IAM), Governance (Model Registry, Model Cards, Genehmigungsworkflows), Training mit geringer Latenz (FSx + Pipe-Modus) und Betriebsüberwachung (DataCapture, Clarify, Model Monitor, Lookout for Metrics), während eine auditierbare Lineage über den Glue Catalog und SageMaker Experiments aufrechterhalten wird.
← Modellüberwachung und Beobachtbarkeit · Alle Domänen · Generative KI und Foundation Models →
Diese Fragen üben → · Zeitlich begrenzte Übung auf 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.
Bestehe deine Prüfung →