Amazon MLS-C01: Sécurité, confidentialité et conformité — Guide d'étude
Fait partie du AWS Machine Learning Specialty MLS-C01 — Guide d’étude. Entraînez-vous avec des réponses vérifiées dans le centre d’examens Amazon, ou passez des tests chronométrés sur ExamRoll.io.
Chiffrement des données et des modèles : contrôles en couches et pièges courants
Le chiffrement des données au repos et en transit est la première ligne de défense pour les pipelines de ML. Pour les objets dans S3, préférez le chiffrement côté serveur avec KMS (SSE-KMS) lorsque vous avez besoin d’auditabilité et d’un contrôle granulaire des clés ; SSE-S3 est acceptable pour les buckets où la journalisation KMS par requête n’est pas nécessaire. Les artefacts de modèle SageMaker, les volumes EBS attachés aux instances d’entraînement et d’hébergement, et les volumes EFS/FSx doivent également être chiffrés. SageMaker peut être configuré pour utiliser des clés CMK gérées par le client pour le chiffrement des artefacts de modèle et des volumes. Pour les grands jeux de données ou le partage entre comptes, utilisez le chiffrement d’enveloppe (générez des clés de données avec KMS et utilisez le SDK de chiffrement AWS ou des bibliothèques côté client) pour éviter les appels KMS répétés. La protection en transit nécessite TLS pour tous les points de terminaison S3 et de service ; lors de l’utilisation d’un réseau privé, PrivateLink et les points de terminaison VPC utilisent toujours TLS sur le réseau. Un piège fréquent est d’oublier de mettre à jour les stratégies de clé CMK : il est nécessaire d’accorder au principal de service SageMaker et à vos rôles d’exécution les autorisations de déchiffrement/génération (IAM seul n’est pas suffisant). Critères de décision : choisissez les clés CMK gérées par AWS lorsque vous souhaitez une faible charge opérationnelle ; choisissez les clés CMK gérées par le client lorsque vous avez besoin de stratégies de rotation des clés, d’un contrôle entre comptes ou d’administrateurs de clés distincts. Tenez compte des performances et des coûts : le chiffrement d’enveloppe réduit l’utilisation de l’API KMS pour les charges de travail à haut débit.
Gestion des clés, conception des CMK et contrôles opérationnels
La conception d’une stratégie KMS pour les charges de travail de ML équilibre la sécurité, les limites d’accès et les opérations. Utilisez des clés CMK gérées par le client lorsque vous avez besoin de contrôles de stratégie affinés, de grants, d’une utilisation entre comptes et de pistes d’audit dans CloudTrail pour les opérations GenerateDataKey/Decrypt. Pour les clés adossées à un HSM et les exigences FIPS, envisagez un KMS Custom Key Store s’appuyant sur CloudHSM. Les stratégies de clé font autorité ; complétez-les avec des stratégies IAM et utilisez les conditions kms:ViaService pour limiter l’utilisation à des services AWS spécifiques (par exemple, autoriser le déchiffrement uniquement lorsque l’appel est effectué via sagemaker.amazonaws.com ou s3.amazonaws.com). Utilisez les grants KMS pour les autorisations à court terme afin de déléguer le déchiffrement/chiffrement à des rôles éphémères utilisés par les tâches d’entraînement. Activez la rotation automatique des clés pour les CMK symétriques lorsque cela est approprié et créez des clés multi-régions pour la réplication géo-redondante des modèles. Les pièges courants incluent le fait de se fier uniquement aux stratégies IAM (sans mettre à jour la stratégie de la clé CMK) et d’oublier d’inclure les principaux de service (tels que sagemaker.amazonaws.com ou elasticblockstore.amazonaws.com) afin que les services gérés puissent utiliser les CMK. Les critères de décision doivent mettre en balance la séparation administrative (utiliser des CMK distinctes par unité commerciale ou classe de sensibilité) avec les quotas KMS et la complexité opérationnelle ; appliquez le principe du moindre privilège et auditez les événements GenerateDataKey dans CloudTrail.
Réseau privé et points de terminaison VPC pour SageMaker et S3
Pour garder les données et les images hors de l’Internet public, placez SageMaker Studio, les instances de notebook, et les tâches d’entraînement/hébergement dans des VPC et utilisez des points de terminaison VPC. Les points de terminaison de passerelle S3 (Gateway Endpoints) permettent un accès direct et privé aux objets des buckets depuis vos sous-réseaux ; attachez des stratégies de point de terminaison restrictives pour limiter l’accès à des buckets et préfixes spécifiques. Les API SageMaker, les appels d’exécution (runtime) et ECR nécessitent des points de terminaison d’interface (Interface Endpoints via PrivateLink) : créez les points de terminaison com.amazonaws.
IAM, accès aux images privées, journalisation d’audit et contrôles d’exfiltration
Les rôles IAM de moindre privilège sont essentiels : le rôle d’exécution de SageMaker ne doit disposer que des permissions S3, ECR, KMS et CloudWatch nécessaires à la tâche, souvent limitées aux ARN des ressources et restreintes avec les conditions aws:SourceArn/aws:SourceAccount/aws:SourceVpc. Pour les images de conteneur privées, hébergez-les dans des référentiels ECR privés avec des politiques de référentiel qui limitent les extractions (pulls) à des principaux IAM ou des comptes organisationnels spécifiques ; marquez les images comme immuables et activez l’analyse d’images. La journalisation d’audit est complète : activez les événements de gestion CloudTrail et les événements de données S3 pour GetObject/PutObject sur les buckets sensibles, transférez les journaux vers un bucket de journalisation chiffré et inter-comptes dédié, et activez CloudWatch Logs et VPC Flow Logs pour détecter les sorties anormales. Utilisez Amazon Macie pour découvrir des PII dans S3 et GuardDuty pour détecter des modèles d’accès aux données inhabituels. Pour prévenir l’exfiltration de données, combinez des politiques de bucket S3 qui refusent (Deny) les requêtes ne provenant pas de points de terminaison VPC ou de CIDR VPC approuvés, des contrôles réseau tels que les Security Groups/NACLs et AWS Network Firewall pour le filtrage du trafic sortant, et des limites de permissions IAM/SCP pour réduire le rayon d’impact. Les pièges courants incluent le fait de supposer que VpcConfig seul empêche tout trafic sortant (vous devez contrôler les passerelles NAT/Internet et les points de terminaison) et d’oublier d’accorder la permission de déchiffrement KMS aux principaux d’exécution qui ont besoin des artefacts de modèle.
Problème pratique : Scénario d’utilisation
Scénario : MetroDelivery exploite des modèles XGBoost par ville stockés en tant qu’artefacts dans S3 et entraîne des modèles dans SageMaker Studio. Ils exigent que l’entraînement et l’inférence ne transitent jamais par l’internet public, que les artefacts de modèle soient chiffrés avec des clés contrôlées par le client, et que les images de conteneur soient hébergées de manière privée.
Défi : Assurer le chiffrement de bout en bout et la mise en réseau privée pour l’entraînement et l’hébergement, restreindre l’extraction d’images aux rôles approuvés, et détecter/empêcher les mouvements de données non autorisés.
Approche recommandée :
- Créer une clé CMK symétrique gérée par le client dans KMS, définir une politique de clé accordant aux administrateurs de MetroDelivery, à sagemaker.amazonaws.com et aux rôles d’exécution de SageMaker les permissions Decrypt/GenerateDataKey, et activer la rotation automatique.
- Chiffrer les buckets S3 avec SSE-KMS en utilisant cette CMK ; utiliser des politiques de bucket S3 pour bloquer l’accès public et exiger les conditions aws:SourceVpc ou aws:ViaAWSService pour PutObject/GetObject.
- Configurer le VPC : déployer des sous-réseaux privés sans NAT, créer un point de terminaison VPC de type passerelle pour S3 avec une politique de point de terminaison limitée au préfixe du bucket de modèles, et déployer des points de terminaison d’interface pour sagemaker, sagemaker-runtime, ecr.api, ecr.dkr, sts et cloudwatchlogs.
- Héberger les images dans un ECR privé avec une politique de référentiel restreignant les principaux au rôle d’exécution de SageMaker ; activer l’immuabilité et l’analyse des images. Activer CloudTrail (événements de gestion + données S3), Macie pour la découverte de données sensibles, et GuardDuty pour l’activité anormale ; envoyer les journaux à un bucket d’audit chiffré inter-comptes.
Justification : L’utilisation d’une CMK gérée par le client offre contrôle et auditabilité pour les artefacts de modèle ; les points de terminaison VPC et les politiques restrictives de point de terminaison/référentiel maintiennent le trafic sur le réseau AWS et empêchent la sortie publique ; la combinaison des services de journalisation et de classification des données détecte et dissuade l’exfiltration tandis que l’IAM de moindre privilège limite la portée de l’attaque.
← Déploiement · Tous les domaines · MLOps →
Entraînez-vous sur ces questions → · Tests chronométrés sur 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.
Réussissez votre examen →