Amazon MLA-C01: Beveiliging, Governance en Compliance — Studiegids
Onderdeel van de AWS Machine Learning Engineer Associate MLA-C01 — Studiegids. Oefen met geverifieerde antwoorden in het Amazon-examencentrum, of doe getimede oefentests op ExamRoll.io.
IAM-rollen, ’least privilege’ en SageMaker execution contexts
Identiteits- en toegangsbeheer voor ML-workloads vereist een expliciete, auditeerbare scheiding van bevoegdheden tussen menselijke gebruikers, CI/CD-systemen en runtime compute. Voor SageMaker betekent dit het definiëren van een toegewijde execution role (een IAM Role met een AssumeRolePolicyDocument die de SageMaker service principal sagemaker.amazonaws.com toestaat) en het beperken van de permissies van die rol tot de minimaal benodigde set acties: S3 GetObject/PutObject op specifieke prefixes, kms:Decrypt/kms:Encrypt op een of meer door de klant beheerde CMK’s, logs:CreateLogStream en logs:PutLogEvents voor specifieke LogGroup ARN’s, en sts:AssumeRole alleen als cross-account toegang vereist is. Voeg policy conditions op resourceniveau toe (aws:SourceAccount en aws:SourceArn) zodat artefacten die door een specifieke SageMaker-taak of -pipeline zijn gemaakt, niet door andere principals kunnen worden geëxfiltreerd. Gebruik afzonderlijke rollen voor training, het bouwen van modellen en hosting (RoleArn-velden doorgegeven aan CreateTrainingJob, CreateModel, CreateEndpointConfig) zodat runtime-bevoegdheden gecompartimenteerd zijn; sla deze rol-ARN’s op in code of pipelines als parameters in plaats van credentials in te bedden.
Geef voor tijdelijke ontwikkelaarstoegang en menselijke goedkeuringen de voorkeur aan IAM-rollen die worden aangenomen via AWS STS met kortstondige credentials in plaats van langlevende IAM-gebruikerssleutels. Het afdwingen van reviews door meerdere personen en scheiding van taken wordt bereikt door een combinatie van IAM permission boundaries, AWS Single Sign-On of een OIDC IdP, en controles op resourceniveau op SageMaker Model Registry packages. Waar workflows tijdelijke escalatie van rechten vereisen (bijvoorbeeld om een model package goed te keuren), gebruik dan een goedkeuringsworkflow in SageMaker Model Registry die ModelApprovalStatus op “PendingManualApproval” zet en vereis een IAM principal met een nauw afgebakende sagemaker:ApproveModelPackage-permissie om dit naar “Approved” om te zetten.
VPC-isolatie, netwerkcontroles en encryptie
Netwerkisolatie begint met het plaatsen van SageMaker training- en inference-instances binnen VPC-subnetten met een expliciete VpcConfig (subnet-ID’s en security group-ID’s) die wordt meegegeven aan de CreateTrainingJob, CreateModel, CreateEndpointConfig en CreateProcessingJob API’s. Combineer dit met VPC-eindpunten (Interface-eindpunten voor com.amazonaws.region.sagemaker en com.amazonaws.region.s3 via AWS PrivateLink of Gateway-eindpunten voor S3) zodat modelartefacten en API-verkeer nooit over het openbare internet gaan. Activeer VPC Flow Logs voor het subnet en gebruik Security Group-regels om uitgaand verkeer (egress) te beperken tot alleen de benodigde adressen en poorten, bijvoorbeeld alleen naar het S3 VPC-eindpunt of naar een NAT Gateway als externe package-downloads zijn toegestaan.
Encryptie moet worden toegepast op data at rest en in transit. Gebruik voor data at rest S3 server-side encryptie met AWS KMS (SSE-KMS) en beveilig sleutels met een door de klant beheerde CMK die key policies heeft die beheerders en de SageMaker execution role beperken (plaats de CMK ARN in OutputDataConfig.KmsKeyId of in de S3 PutObject SSE-KMS-headers voor artefacten). Specificeer voor EBS-volumes die aan training-instances zijn gekoppeld, volume-encryptie via ResourceConfig en zorg ervoor dat de EBS KMS-sleutel is ingesteld. Activeer voor container-naar-containerverkeer en netwerkoverdrachten EnableInterContainerTrafficEncryption en EnableNetworkIsolation in CreateTrainingJob/CreateModel om TLS af te dwingen voor inter-containerverkeer en om uitgaande internettoegang te blokkeren; bovendien moeten alle REST- en SDK-aanroepen naar SageMaker en S3 standaard gebruikmaken van HTTPS/TLS. Roteer CMK’s met EnableKeyRotation op de CMK en auditeer het sleutelgebruik met de KMS-events van CloudTrail.
Audit-logging, data-events en lineage tracking
Een volledig audittraject combineert logs van het management-plane en events van het data-plane. Gebruik AWS CloudTrail om alle SageMaker- en IAM-API-aanroepen vast te leggen; activeer data event logging in CloudTrail voor S3-buckets (PutEventSelectors met DataResources die naar de S3 ARN verwijzen) om lees-/schrijfacties op objectniveau voor trainingsdatasets en modelartefacten te registreren. Stuur containerlogs en systeemlogs van trainingstaken naar CloudWatch Logs door ervoor te zorgen dat de execution role de permissies logs:CreateLogStream en logs:PutLogEvents heeft; retentiebeleid en subscription filters kunnen deze logs naar een centrale SIEM streamen. Activeer voor auditing op netwerkniveau VPC Flow Logs en abonneer u voor de detectie van verdachte activiteiten op GuardDuty-bevindingen en Amazon Macie voor de ontdekking van gevoelige data in S3.
Lineage (herkomstregistratie) vereist het vastleggen van de herkomst van artefacten tijdens preprocessing, training, evaluatie en deployment. Gebruik SageMaker Pipelines en SageMaker Experiments om automatisch Experiment-, Trial- en TrialComponent-records aan te maken; deze API’s registreren parameters, inputs, metrics en de ModelPackage-metadata. Sla metadata persistent op in een centrale metadata store: AWS Glue Data Catalog kan dienen als de datasetcatalogus en metadata op tabelniveau en partitionering opslaan, terwijl de metadataservice van SageMaker pipeline-uitvoeringen koppelt aan modelartefacten. Centraliseer voor cross-account of multi-source ingestion de verbindingen met AWS Glue connections (JDBC voor on-prem MySQL) of gebruik AWS Database Migration Service (DMS) om transactionele data te repliceren naar S3/Redshift waar Glue crawlers deze kunnen indexeren. Verwijs vervolgens vanuit pipelines naar de resulterende Glue-tabellen om een auditeerbaar lineage-pad te behouden.
Model governance: registry, model cards en monitoring
SageMaker Model Registry (model package groups en ModelPackage-objecten) biedt de canonieke, centrale model store met ingebouwde lifecycle-statussen en hooks voor CI/CD. Registreer een getraind model in een ModelPackageGroup en stel de ModelApprovalStatus in op “PendingManualApproval”; automatisering (CodePipeline, Step Functions) kan pauzeren totdat een geautoriseerde principal UpdateModelPackage aanroept met ModelApprovalStatus=“Approved”. Koppel de registry aan SageMaker Model Cards om het beoogde gebruik, datasets, training-hyperparameters, lineage-verwijzingen, prestatiemetrieken, fairness-metrieken van SageMaker Clarify en compliance-verklaringen te documenteren. Model Cards moeten worden opgesteld als gestructureerde metadata en samen met de ModelPackage worden opgeslagen, zodat reviews, audit trails en model cards zich op dezelfde locatie bevinden als de binaire artefacten.
Operationele monitoring wordt uitgevoerd met SageMaker Model Monitor voor data- en modelkwaliteitsdrift en SageMaker Clarify voor bias en explainability. Activeer DataCaptureConfig op CreateEndpoint om request- en response-payloads vast te leggen naar een beveiligde S3-prefix (met SSE-KMS), configureer vervolgens Model Monitor baseline-generatiejobs (met behulp van baseline-statistieken en -constraints) en plan monitoringjobs in of trigger on-demand analyses. Voor bias-drift op geïmplementeerde real-time endpoints, leg inference en ground-truth (indien beschikbaar) vast, voer Clarify bias-jobs uit op de vastgelegde dataset en sla Clarify-rapporten op in S3 en Model Cards. Waarschuwingen en herstelacties kunnen worden gekoppeld aan CloudWatch Alarms en Step Functions die rollback- of quarantainepatronen implementeren.
Ontwerppatronen, afwegingen en veelvoorkomende valkuilen
Bij het centraliseren van meerdere databronnen is AWS Glue met zijn JDBC-connectoren plus AWS Lake Formation voor fijnmazige toegangscontrole het patroon met de laagste operationele overhead; het gebruik van DMS om transactionele bronnen naar S3 te repliceren biedt betere isolatie voor ML-pipelines, maar verhoogt de operationele complexiteit. Voor de latentie bij toegang tot datasets tijdens herhaalde trainingstaken, vermindert het streamen van S3-invoer met de Pipe-modus of het aankoppelen van een gedeeld bestandssysteem zoals Amazon FSx for Lustre (waarbij een POSIX-naamruimte naar trainingsinstanties wordt geëxporteerd) de opstarttijd in vergelijking met het herhaaldelijk kopiëren van grote datasets naar lokale EBS-volumes. De afweging is dat FSx extra kosten en beheer met zich meebrengt; de Pipe-modus is eenvoudiger maar vereist dat uw trainingscontainer streaming-invoer ondersteunt (RecordIO, protobuf).
Voor het omgaan met klasse-onbalans en categorische variabelen met minimale inspanning, maak gebruik van Data Wrangler of SageMaker Processing om consistente transformaties te produceren en feature-data op te slaan in SageMaker Feature Store, zodat zowel offline training als online inferentie dezelfde transformatie delen. Specifiek voor onbalans, geef eerst de voorkeur aan oplossingen op algoritmeniveau (voor XGBoost, stel scale_pos_weight in op num_negative/num_positive) voordat u resampling op dataniveau toepast; algoritmische benaderingen vermijden het creëren van synthetische records en zijn operationeel eenvoudiger voor pipelines. Voor anomaliedetectie en kwaliteitscontroles van datasets, kies tussen speciaal gebouwde services en custom modellen: Amazon Lookout for Metrics biedt geautomatiseerde anomaliedetectie en visualisatie met connectoren naar meerdere bronnen, terwijl SageMaker Random Cut Forest (ingebouwd) direct integreert in pipelines en volledige controle geeft voor aangepaste drempelwaarden en uitlegbaarheid (explainability).
Veelvoorkomende valkuilen zijn onder meer te ruime IAM-rollen (buitensporige s3:- of kms:-permissies), het niet inschakelen van CloudTrail data events voor S3 wat leidt tot blinde vlekken wanneer modelartefacten worden geëxfiltreerd, het niet inschakelen van VPC-endpoints waardoor data onbedoeld via het openbare internet wordt gerouteerd, en het overslaan van de Model Approval-workflow waardoor niet-beoordeelde modellen worden gepromoveerd. Een andere veelgemaakte fout is het opslaan van gevoelige data als onversleutelde tekst (plaintext) in S3 zonder SSE-KMS, of het niet beperken van KMS-sleutelbeleid om sleutelgebruik door onbevoegde principals te voorkomen.
Praktijkprobleem: Gebruiksscenario
AcmeFin: fraudedetectiemodel voor een financiële webapplicatie. Databronnen omvatten transactielogboeken en klantprofielen in S3, plus on-premises MySQL-tabellen met risicoscores van klanten. De doelen zijn veilige, auditeerbare pipelines, lage opstartlatentie voor frequente hertraining, een handmatige goedkeuringspoort voor productie-implementatie, on-demand beoordeling van bias/drift voor geïmplementeerde endpoints, en geautomatiseerde anomaliedetectie en visualisatie van inkomende data.
Data opnemen en centraliseren: gebruik AWS DMS om on-premise MySQL te repliceren naar een S3 landing-prefix onder strikte SSE-KMS-versleuteling (bucket policy beperkt tot AcmeFin-accounts). Registreer de S3-datasets en partities bij de AWS Glue Data Catalog via Glue crawlers en dwing toegang af via Lake Formation-permissies. Rationale: DMS biedt continue replicatie voor transactionele tabellen, de Glue Catalog centraliseert metadata en maakt lineage mogelijk over ETL en training.
Beveiligde compute en opslag: creëer toegewijde SageMaker execution roles met het principe van ’least privilege’ (RoleArn gebruikt in CreateTrainingJob) en een trust policy die sagemaker.amazonaws.com toestaat; beperk de rolpermissies tot specifieke S3-prefixes en de door de klant beheerde CMK. Plaats alle training en inferentie in private subnets door VpcConfig.Subnets en VpcConfig.SecurityGroupIds mee te geven aan CreateTrainingJob en CreateEndpointConfig, en creëer Interface-endpoints voor com.amazonaws.region.s3 en voor de SageMaker API om uitgaand verkeer via het openbare internet te vermijden. Rationale: VPC-isolatie plus VPC-endpoints zorgen ervoor dat artefacten nooit openbare netwerken doorkruisen en rollen met CMK-beperkingen voorkomen misbruik van de sleutel.
Minimaliseer opstartlatentie van training: sla grote datasets op Amazon FSx for Lustre op, geëxporteerd naar het trainingssubnet, en gebruik de Pipe-modus voor kleinere streaming-inputs. Configureer CreateTrainingJob met InputDataConfig die verwijst naar de op FSx aangekoppelde dataset of naar S3 met Pipe-modus, en hergebruik ‘warme’ caches door de dataset-pointers constant te houden tussen taken. Rationale: FSx biedt POSIX-toegang en vermijdt herhaalde S3-downloads; de Pipe-modus vermindert de kopieerlatentie voor containers die geschikt zijn voor streaming.
Governance en handmatige goedkeuring: registreer modellen in de SageMaker Model Registry na voltooiing van de training; stel ModelApprovalStatus=“PendingManualApproval” in voor nieuwe ModelPackage-objecten. Implementeer een goedkeuringsworkflow met AWS CodePipeline/Step Functions die vereist dat een principal met sagemaker:UpdateModelPackage-permissie UpdateModelPackage(ModelApprovalStatus=“Approved”) aanroept voordat de CreateEndpoint-stap wordt uitgevoerd. Rationale: Model Registry biedt statussen voor de levenscyclus en een auditeerbare goedkeuringsactie die gekoppeld is aan IAM-autorisaties.
On-demand controles op bias en drift: schakel DataCaptureConfig in op het endpoint om verzoeken en antwoorden weg te schrijven naar een met SSE-KMS versleutelde S3-prefix. Voor on-demand bias-analyse, voer SageMaker Clarify batch-taken uit die verwijzen naar de vastgelegde data en de Model Card-baseline; voor continue drift, plan SageMaker Model Monitor-taken in die live distributies vergelijken met basisstatistieken. Rationale: Data capture plus Clarify/Model Monitor biedt zowel ad-hoc als geplande beoordelingen, waarbij de resultaten worden opgeslagen naast de metadata van het model.
Anomaliedetectie en visualisatie: verbind vastgelegde metrieken en feature-tijdreeksen met Amazon Lookout for Metrics voor geautomatiseerde anomaliedetectie en meldingen, en visualiseer de resultaten in Amazon QuickSight. Als alternatief, voer een Random Cut Forest-trainingstaak uit in SageMaker en toon anomalieën in een dashboard als aangepaste drempelwaarden nodig zijn. Rationale: Lookout for Metrics vermindert de operationele overhead voor anomaliedetectie en integreert met meerdere bronnen voor snelle visualisatie.
Deze aanpak balanceert beveiliging (VPC, SSE-KMS, beperkte IAM), governance (Model Registry, Model Cards, goedkeuringsworkflows), training met lage latentie (FSx + Pipe-modus), en operationele monitoring (DataCapture, Clarify, Model Monitor, Lookout for Metrics), terwijl een auditeerbare lineage wordt behouden via de Glue Catalog en SageMaker Experiments.
← Modelmonitoring en Observeerbaarheid · Alle domeinen · Generatieve AI en Foundation Models →
Oefen deze vragen → · Getimede oefening op 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.
Slaag voor je examen →