Amazon MLA-C01: Sicurezza, governance e conformità — Guida allo studio
Fa parte della AWS Machine Learning Engineer Associate MLA-C01 — Guida allo studio. Esercitati con risposte verificate nel centro esami Amazon, oppure fai test cronometrati su ExamRoll.io.
Ruoli IAM, principio del privilegio minimo e contesti di esecuzione di SageMaker
La gestione dell’identità e degli accessi per i carichi di lavoro di ML richiede una separazione esplicita e verificabile dei privilegi tra utenti umani, sistemi CI/CD e risorse di calcolo di runtime. Per SageMaker, questo significa definire un ruolo di esecuzione dedicato (un IAM Role con un AssumeRolePolicyDocument che autorizza il service principal di SageMaker, sagemaker.amazonaws.com) e limitare le autorizzazioni di tale ruolo al set minimo di azioni necessarie: S3 GetObject/PutObject su prefissi specifici, kms:Decrypt/kms:Encrypt su una o più CMK gestite dal cliente, logs:CreateLogStream e logs:PutLogEvents per ARN di LogGroup specifici, e sts:AssumeRole solo se è richiesto l’accesso cross-account. Allega condizioni di policy a livello di risorsa (aws:SourceAccount e aws:SourceArn) in modo che gli artefatti creati da un particolare processo o pipeline di SageMaker non possano essere esfiltrati da altri principal. Utilizza ruoli separati per l’addestramento, la creazione del modello e l’hosting (campi RoleArn passati a CreateTrainingJob, CreateModel, CreateEndpointConfig) in modo che i privilegi di runtime siano compartimentati; archivia questi ARN dei ruoli nel codice o nelle pipeline come parametri anziché incorporare le credenziali.
Per l’accesso temporaneo degli sviluppatori e le approvazioni umane, preferisci ruoli IAM assunti tramite AWS STS con credenziali a breve termine anziché chiavi utente IAM a lunga durata. L’applicazione di revisioni multi-persona e la separazione dei compiti si ottiene combinando i permission boundary di IAM, AWS Single Sign-On o un IdP OIDC e controlli a livello di risorsa sui pacchetti del SageMaker Model Registry. Laddove i flussi di lavoro richiedono un’elevazione temporanea dei privilegi (ad esempio, per approvare un pacchetto modello), utilizza un flusso di lavoro di approvazione in SageMaker Model Registry che imposta ModelApprovalStatus su “PendingManualApproval” e richiedi che un principal IAM con un’autorizzazione sagemaker:ApproveModelPackage strettamente definita lo cambi in “Approved”.
Isolamento VPC, controlli di rete e crittografia
L’isolamento di rete inizia posizionando le istanze di addestramento e inferenza di SageMaker all’interno di sottoreti VPC con una VpcConfig esplicita (ID di sottorete e ID di gruppi di sicurezza) fornita alle API CreateTrainingJob, CreateModel, CreateEndpointConfig e CreateProcessingJob. Combina questo approccio con endpoint VPC (endpoint di interfaccia per com.amazonaws.region.sagemaker e com.amazonaws.region.s3 tramite AWS PrivateLink o endpoint gateway per S3) in modo che gli artefatti del modello e il traffico API non attraversino mai la rete Internet pubblica. Abilita i VPC Flow Logs per la sottorete e utilizza le regole dei Security Group per limitare il traffico in uscita (egress) solo agli indirizzi e alle porte necessarie, ad esempio solo verso l’endpoint VPC di S3 o un NAT Gateway se sono consentiti download di pacchetti esterni.
La crittografia deve essere applicata sia at-rest (a riposo) che in-transit (in transito). Per i dati at-rest, utilizza la crittografia lato server di S3 con AWS KMS (SSE-KMS) e proteggi le chiavi con una CMK gestita dal cliente che abbia policy della chiave che limitano gli amministratori e il ruolo di esecuzione di SageMaker (inserisci l’ARN della CMK in OutputDataConfig.KmsKeyId o negli header SSE-KMS di S3 PutObject per gli artefatti). Per i volumi EBS collegati alle istanze di addestramento, specifica la crittografia del volume tramite ResourceConfig e assicurati che la chiave KMS di EBS sia impostata. Per il traffico tra container e i trasferimenti di rete, abilita EnableInterContainerTrafficEncryption e EnableNetworkIsolation in CreateTrainingJob/CreateModel per forzare l’uso di TLS per il traffico tra container e per bloccare l’accesso a Internet in uscita; inoltre, tutte le chiamate REST e SDK a SageMaker e S3 dovrebbero sfruttare HTTPS/TLS per impostazione predefinita. Effettua la rotazione delle CMK con EnableKeyRotation sulla CMK e verifica l’utilizzo delle chiavi con gli eventi KMS di CloudTrail.
Registrazione di audit, eventi dati e tracciamento della lineage
Una traccia di audit completa combina i log del piano di gestione (management-plane) e gli eventi del piano dati (data-plane). Utilizza AWS CloudTrail per registrare tutte le chiamate API di SageMaker e IAM; abilita la registrazione degli eventi dati in CloudTrail per i bucket S3 (PutEventSelectors con DataResources che puntano all’ARN di S3) per catturare le letture/scritture a livello di oggetto per i set di dati di addestramento e gli artefatti del modello. Invia i log dei container e i log di sistema dei processi di addestramento a CloudWatch Logs, assicurandoti che il ruolo di esecuzione disponga delle autorizzazioni logs:CreateLogStream e logs:PutLogEvents; le policy di conservazione e i filtri di sottoscrizione possono trasmettere questi log a un SIEM centrale. Per l’auditing a livello di rete, abilita i VPC Flow Logs e per il rilevamento di attività sospette, sottoscrivi i risultati di GuardDuty e Amazon Macie per la scoperta di dati sensibili in S3.
La lineage richiede di catturare la provenienza degli artefatti attraverso le fasi di pre-elaborazione, addestramento, valutazione e deployment. Utilizza SageMaker Pipelines e SageMaker Experiments per creare automaticamente record di Experiment, Trial e TrialComponent; queste API registrano parametri, input, metriche e i metadati del ModelPackage. Rendi persistenti i metadati in un archivio metadati centrale: AWS Glue Data Catalog può fungere da catalogo dei set di dati e archiviare metadati e partizionamento a livello di tabella, mentre il servizio di metadati di SageMaker collega le esecuzioni delle pipeline agli artefatti del modello. Per l’ingestione cross-account o multi-sorgente, centralizza le connessioni con le connessioni di AWS Glue (JDBC per MySQL on-premise) o utilizza AWS Database Migration Service (DMS) per replicare i dati transazionali in S3/Redshift, dove i crawler di Glue possono indicizzarli. Successivamente, fai riferimento alle tabelle Glue risultanti dalle pipeline per mantenere un percorso di lineage verificabile.
Governance dei modelli: registro, schede del modello e monitoraggio
SageMaker Model Registry (gruppi di pacchetti di modelli e oggetti ModelPackage) fornisce l’archivio centrale canonico dei modelli con stati del ciclo di vita integrati e hook per la CI/CD. Registra un modello addestrato in un ModelPackageGroup e imposta ModelApprovalStatus su “PendingManualApproval”; l’automazione (CodePipeline, Step Functions) può mettersi in pausa in attesa che un principal autorizzato chiami UpdateModelPackage con ModelApprovalStatus=“Approved”. Associa il registro a SageMaker Model Cards per documentare l’uso previsto, i set di dati, gli iperparametri di addestramento, i riferimenti di lineage, le metriche delle prestazioni, le metriche di equità di SageMaker Clarify e le dichiarazioni di conformità. Le Model Card dovrebbero essere create come metadati strutturati e archiviate insieme al ModelPackage, in modo che revisioni, percorsi di audit e schede del modello rimangano co-localizzati con gli artefatti binari.
Il monitoraggio operativo viene eseguito utilizzando SageMaker Model Monitor per la deriva della qualità dei dati e del modello e SageMaker Clarify per il bias e la spiegabilità. Abilita DataCaptureConfig su CreateEndpoint per acquisire i payload di richiesta e risposta su un prefisso S3 sicuro (con SSE-KMS), quindi configura i processi di generazione della baseline di Model Monitor (utilizzando statistiche e vincoli di baseline) e pianifica i processi di monitoraggio o avvia analisi on-demand. Per la deriva del bias su endpoint in tempo reale distribuiti, acquisisci l’inferenza e il ground-truth (quando disponibile), esegui i processi di analisi del bias di Clarify sul set di dati acquisito e archivia i report di Clarify in S3 e nelle Model Card. Gli avvisi e la remediation possono essere collegati a CloudWatch Alarms e a Step Functions che implementano pattern di rollback o quarantena.
Pattern di progettazione, compromessi e insidie comuni
Quando si centralizzano più origini dati, AWS Glue con i suoi connettori JDBC, unito ad AWS Lake Formation per un controllo degli accessi a grana fine, rappresenta il pattern con il più basso overhead operativo; l’uso di DMS per replicare le origini transazionali in S3 offre un migliore isolamento per le pipeline di ML, ma aumenta la complessità operativa. Per la latenza di accesso ai dataset durante processi di addestramento ripetuti, lo streaming dell’input da S3 con la modalità Pipe o il montaggio di un file system condiviso come Amazon FSx for Lustre (che esporta un namespace POSIX alle istanze di addestramento) riduce il tempo di avvio rispetto alla copia ripetuta di grandi dataset in volumi EBS locali. Il compromesso è che FSx aggiunge costi e gestione; la modalità Pipe è più semplice ma richiede che il container di addestramento supporti l’input in streaming (RecordIO, protobuf).
Per gestire lo squilibrio delle classi e le variabili categoriche con un minimo di overhead operativo, si può sfruttare Data Wrangler o SageMaker Processing per produrre trasformazioni coerenti e archiviare i dati delle feature in SageMaker Feature Store, in modo che sia l’addestramento offline che l’inferenza online condividano la stessa trasformazione. Nello specifico per lo squilibrio, è preferibile applicare prima rimedi a livello di algoritmo (per XGBoost, impostare scale_pos_weight su num_negative/num_positive) prima di ricorrere al ricampionamento a livello di dati; gli approcci algoritmici evitano di creare record sintetici e sono operativamente più semplici per le pipeline. Per il rilevamento delle anomalie e i controlli sulla qualità del dataset, si può scegliere tra servizi appositamente creati e modelli personalizzati: Amazon Lookout for Metrics offre il rilevamento automatico delle anomalie e la visualizzazione con connettori a più sorgenti, mentre SageMaker Random Cut Forest (integrato) si integra direttamente nelle pipeline e offre pieno controllo per soglie personalizzate e interpretabilità.
Tra le insidie comuni vi sono ruoli IAM troppo ampi (autorizzazioni s3:* o kms:* eccessive), la mancata abilitazione degli eventi dati di CloudTrail per S3 che porta a punti ciechi quando gli artefatti del modello vengono esfiltrati, la non abilitazione degli endpoint VPC con conseguente instradamento involontario dei dati sulla rete Internet pubblica e il saltare il flusso di lavoro di Approvazione del Modello (Model Approval) che porta alla promozione di modelli non revisionati. Un altro errore frequente è l’archiviazione di dati sensibili in chiaro su S3 senza SSE-KMS o la mancata restrizione delle policy delle chiavi KMS per impedire l’uso della chiave da parte di principal non autorizzati.
Problema Pratico: Scenario d’Uso
AcmeFin: modello di rilevamento frodi per un’applicazione web finanziaria. Le origini dati includono log delle transazioni e profili dei clienti in S3, oltre a tabelle MySQL on-premise contenenti i punteggi di rischio dei clienti. Gli obiettivi sono pipeline sicure e auditabili, bassa latenza di avvio dell’addestramento per riaddestramenti frequenti, un gate di approvazione manuale per il deployment in produzione, valutazione on-demand di bias e drift per gli endpoint di cui è stato fatto il deploy, e rilevamento automatico delle anomalie e visualizzazione dei dati in ingresso.
Acquisire e centralizzare i dati: usare AWS DMS per replicare il MySQL on-premise in un prefisso di destinazione (landing) su S3 con una rigorosa crittografia SSE-KMS (policy del bucket limitata agli account AcmeFin). Registrare i dataset e le partizioni S3 con AWS Glue Data Catalog tramite i crawler di Glue e imporre l’accesso tramite le autorizzazioni di Lake Formation. Motivazione: DMS fornisce una replica continua per le tabelle transazionali, Glue Catalog centralizza i metadati e abilita il lineage tra ETL e addestramento.
Sicurezza del calcolo e dello storage: creare ruoli di esecuzione SageMaker dedicati con il minimo privilegio (
RoleArnusato inCreateTrainingJob) e una policy di fiducia (trust policy) che consentasagemaker.amazonaws.com; limitare le autorizzazioni del ruolo a specifici prefissi S3 e alla CMK gestita dal cliente. Inserire tutto l’addestramento e l’inferenza in subnet private fornendoVpcConfig.SubnetseVpcConfig.SecurityGroupIdsaCreateTrainingJobeCreateEndpointConfig, e creare endpoint di interfaccia percom.amazonaws.region.s3e per l’API di SageMaker per evitare l’egress verso la rete Internet pubblica. Motivazione: l’isolamento tramite VPC e gli endpoint VPC assicurano che gli artefatti non attraversino mai le reti pubbliche, e i ruoli con restrizioni sulla CMK impediscono l’uso improprio della chiave.Minimizzare la latenza di avvio dell’addestramento: archiviare i grandi dataset su Amazon FSx for Lustre esportato nella subnet di addestramento e usare la modalità Pipe per input di streaming più piccoli. Configurare
CreateTrainingJobconInputDataConfigche punta al dataset montato su FSx o a S3 con la modalità Pipe, e riutilizzare le cache “calde” (warm cache) mantenendo costanti i puntatori ai dataset tra un processo e l’altro. Motivazione: FSx fornisce accesso POSIX ed evita download ripetuti da S3; la modalità Pipe riduce la latenza di copia per i container compatibili con lo streaming.Governance e approvazione manuale: registrare i modelli nel SageMaker Model Registry al completamento dell’addestramento; impostare
ModelApprovalStatus="PendingManualApproval"per i nuovi oggettiModelPackage. Implementare un flusso di lavoro di approvazione usando AWS CodePipeline/Step Functions che richieda a un principal con l’autorizzazionesagemaker:UpdateModelPackagedi chiamareUpdateModelPackage(ModelApprovalStatus="Approved")prima che venga eseguito lo stepCreateEndpoint. Motivazione: il Model Registry fornisce stati del ciclo di vita e un’azione di approvazione auditabile legata alle autorizzazioni IAM.Controlli on-demand di bias e drift: abilitare
DataCaptureConfigsull’endpoint per scrivere richieste e risposte in un prefisso S3 crittografato con SSE-KMS. Per l’analisi di bias on-demand, eseguire processi batch di SageMaker Clarify che fanno riferimento ai dati catturati e alla baseline della Model Card; per il drift continuo, pianificare processi di SageMaker Model Monitor che confrontano le distribuzioni in tempo reale con le statistiche di baseline. Motivazione: la cattura dei dati (Data capture) insieme a Clarify/Model Monitor fornisce valutazioni sia ad-hoc che pianificate, con risultati archiviati insieme ai metadati del modello.Rilevamento delle anomalie e visualizzazione: collegare le metriche e le serie temporali delle feature acquisite ad Amazon Lookout for Metrics per il rilevamento automatico delle anomalie e le notifiche, e visualizzare i risultati in Amazon QuickSight. In alternativa, eseguire un processo di addestramento di Random Cut Forest in SageMaker e visualizzare le anomalie in una dashboard se sono necessarie soglie personalizzate. Motivazione: Lookout for Metrics riduce l’overhead operativo per il rilevamento delle anomalie e si integra con più sorgenti per una rapida visualizzazione.
Questo approccio bilancia sicurezza (VPC, SSE-KMS, IAM con restrizioni), governance (Model Registry, Model Cards, flussi di lavoro di approvazione), addestramento a bassa latenza (FSx + modalità Pipe) e monitoraggio operativo (DataCapture, Clarify, Model Monitor, Lookout for Metrics), mantenendo al contempo un lineage auditabile tramite Glue Catalog e SageMaker Experiments.
← Monitoraggio del modello e osservabilità · Tutti i domini · IA generativa e modelli fondazionali →
Esercitati su queste domande → · Pratica cronometrata su 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.
Supera l'esame →