Een ML-specialist voert gedistribueerde training uit van een BERT-model op acht SageMaker-instances. De trainingsdata bevinden zich in S3. Welke combinatie van stappen moet worden genomen om data te beschermen tijdens gedistribueerde training? (Kies drie.)

Om data te beschermen tijdens gedistribueerde training in SageMaker, is het essentieel om de trainingstaken binnen een private VPC uit te voeren en inter-containerverkeer te versleutelen. Dit isoleert het netwerkverkeer en voorkomt ongeautoriseerde toegang. Een S3 VPC endpoint zorgt ervoor dat dataverkeer tussen de SageMaker-instances en S3 binnen het AWS-netwerk blijft, zonder via het publieke internet te gaan, wat de beveiliging verhoogt. De juiste netwerkroutes, endpoint policies en S3 bucket policy zijn hierbij cruciaal. Tot slot moet een IAM role met read-only toegang tot de S3-data worden toegewezen aan de SageMaker-taken. Dit volgt het principe van minimale privileges, waardoor de taken alleen de benodigde rechten hebben om de data te lezen en geen onbedoelde wijzigingen kunnen aanbrengen. Het uitvoeren over meerdere VPC's met peering is complexer en niet direct noodzakelijk voor beveiliging. Een NAT gateway en Elastic IP zijn voor uitgaand internetverkeer en niet direct voor interne databeveiliging. Een inkomende security group rule is te algemeen en niet specifiek gericht op de databeveiliging van S3 of inter-containerverkeer.