Amazon MLS-C01: Безопасность, конфиденциальность и соответствие требованиям — Руководство по подготовке
Часть AWS Machine Learning Specialty MLS-C01 — Руководство по подготовке. Практикуйтесь с проверенными ответами в центре экзаменов Amazon, или пройдите тесты на время на ExamRoll.io.
Шифрование данных и моделей: многоуровневый контроль и распространенные ошибки
Шифрование данных при хранении (at rest) и передаче (in transit) — это первая линия защиты для конвейеров ML. Для объектов в S3 предпочтительно использовать серверное шифрование с помощью KMS (SSE-KMS), когда требуется возможность аудита и гранулярный контроль над ключами; SSE-S3 допустимо для бакетов, где логирование каждого запроса к KMS не является необходимостью. Артефакты моделей SageMaker, тома EBS, подключенные к инстансам для обучения и хостинга, а также тома EFS/FSx также должны быть зашифрованы — SageMaker можно настроить на использование управляемых клиентом ключей CMK для шифрования артефактов моделей и томов. Для больших наборов данных или при совместном доступе между аккаунтами используйте конвертное шифрование (envelope encryption) — генерируйте ключи данных с помощью KMS и используйте AWS Encryption SDK или клиентские библиотеки, — чтобы избежать повторяющихся вызовов KMS. Защита при передаче требует использования TLS для всех эндпоинтов S3 и сервисов; при использовании частной сети эндпоинты PrivateLink и VPC также используют TLS для передачи данных. Частая ошибка — забыть обновить политики ключей CMK: необходимо предоставить сервисному принципалу SageMaker и вашим ролям выполнения (execution roles) разрешения на расшифровку/генерацию (decrypt/generate), одного лишь IAM недостаточно. Критерии выбора: выбирайте управляемые AWS ключи CMK, если вам нужны низкие операционные издержки; выбирайте управляемые клиентом ключи CMK, если вам требуются политики ротации ключей, контроль доступа между аккаунтами или разделение администраторов ключей. Учитывайте производительность и стоимость: конвертное шифрование снижает использование API KMS для рабочих нагрузок с высокой пропускной способностью.
Управление ключами, проектирование CMK и операционный контроль
Разработка стратегии KMS для ML-нагрузок — это поиск баланса между безопасностью, границами доступа и операционной деятельностью. Используйте управляемые клиентом ключи CMK, когда вам нужен гранулярный контроль с помощью политик, разрешений (grants), использование между аккаунтами и аудиторские записи в CloudTrail для операций GenerateDataKey/Decrypt. Для ключей, хранящихся в HSM, и при наличии требований FIPS рассмотрите возможность использования кастомного хранилища ключей KMS (Custom Key Store) на базе CloudHSM. Политики ключей являются основным источником разрешений; дополняйте их политиками IAM и используйте условия kms:ViaService, чтобы ограничить использование конкретными сервисами AWS (например, разрешить расшифровку только при вызове через sagemaker.amazonaws.com или s3.amazonaws.com). Используйте разрешения KMS (grants) для предоставления краткосрочных прав на расшифровку/шифрование эфемерным ролям, используемым заданиями обучения. Включайте автоматическую ротацию для симметричных CMK, где это уместно, и создавайте мультирегиональные ключи для геоизбыточной репликации моделей. Распространенные ошибки включают использование только политик IAM (без обновления политики ключа CMK) и отсутствие сервисных принципалов (таких как sagemaker.amazonaws.com или elasticblockstore.amazonaws.com), что не позволяет управляемым сервисам использовать CMK. Критерии выбора должны взвешивать административное разделение (использование отдельных CMK для каждого бизнес-подразделения или класса конфиденциальности) с учетом квот KMS и операционной сложности; применяйте принцип наименьших привилегий и проводите аудит событий GenerateDataKey в CloudTrail.
Частная сеть и эндпоинты VPC для SageMaker и S3
Чтобы изолировать данные и образы от публичного интернета, размещайте SageMaker Studio, инстансы ноутбуков и задания обучения/хостинга в VPC и используйте эндпоинты VPC. Шлюзовые эндпоинты S3 (Gateway Endpoints) обеспечивают прямой частный доступ к объектам бакета из ваших подсетей; применяйте ограничивающие политики эндпоинтов, чтобы разрешить доступ только к определенным бакетам и префиксам. Для API SageMaker, вызовов рантайма и ECR требуются интерфейсные эндпоинты (Interface Endpoints, PrivateLink): создайте эндпоинты com.amazonaws.<region>.sagemaker, com.amazonaws.<region>.sagemaker-runtime, com.amazonaws.<region>.ecr.api, com.amazonaws.<region>.ecr.dkr и com.amazonaws.<region>.sts по мере необходимости. Критически важная операционная деталь — семантика получения образов из ECR: для аутентификации и извлечения бинарных объектов (blob) вам нужны как интерфейсные эндпоинты ECR, так и эндпоинт S3 (и эндпоинт STS). Отсутствие эндпоинтов STS или S3 — частая причина сбоев в приватном режиме. Когда вы указываете VpcConfig для обучения/хостинга, SageMaker создает сетевые интерфейсы (ENI) в ваших подсетях, чтобы вычислительные ресурсы могли получить доступ к частным ресурсам; помните, что отключение NAT-шлюзов и публичных подсетей блокирует исходящий трафик в интернет, обеспечивая изолированную среду. Критерии выбора: для высокого уровня безопасности максимально ограничьте политики эндпоинтов, отключите доступ в интернет для трафика Studio и ноутбуков и направляйте логирование (CloudWatch Logs и CloudTrail) через каналы с использованием эндпоинтов.
IAM, доступ к частным образам, аудит и контроль эксфильтрации данных
Центральную роль играют IAM-роли с минимальными привилегиями: роль выполнения SageMaker должна иметь только те разрешения S3, ECR, KMS и CloudWatch, которые необходимы для задания, и часто они должны быть ограничены ARN-ами ресурсов и условиями aws:SourceArn/aws:SourceAccount/aws:SourceVpc. Для частных образов контейнеров размещайте их в частных репозиториях ECR с политиками репозитория, которые ограничивают скачивание (pull) для определённых IAM-субъектов или аккаунтов организации; помечайте образы как неизменяемые (immutable) и включайте сканирование образов. Аудит является комплексным: включите события управления CloudTrail и события данных S3 для GetObject/PutObject в бакетах с конфиденциальными данными, пересылайте журналы в выделенный, зашифрованный бакет для логов в другом аккаунте (cross-account) и включите CloudWatch Logs и VPC Flow Logs для обнаружения аномального исходящего трафика. Используйте Amazon Macie для обнаружения персональных данных (PII) в S3 и GuardDuty для выявления необычных паттернов доступа к данным. Для предотвращения эксфильтрации данных комбинируйте политики бакетов S3, которые запрещают (Deny) запросы, исходящие не из утверждённых конечных точек VPC или CIDR-блоков VPC, сетевые средства контроля, такие как Security Groups/NACL и AWS Network Firewall для фильтрации исходящего трафика, и границы разрешений IAM (permission boundaries)/SCP для уменьшения радиуса поражения (blast radius). Распространённые ошибки включают предположение, что один лишь VpcConfig предотвращает весь исходящий трафик (необходимо контролировать NAT/Internet Gateway и конечные точки), и то, что забывают предоставить разрешение на расшифровку (KMS decrypt) реальным субъектам времени выполнения, которым нужны артефакты модели.
Практическая задача: Сценарий использования
Сценарий: MetroDelivery использует модели XGBoost для каждого города, которые хранятся как артефакты в S3, и обучает модели в SageMaker Studio. Они требуют, чтобы обучение и инференс никогда не проходили через публичный интернет, артефакты моделей были зашифрованы ключами, управляемыми клиентом, а образы контейнеров размещались в частном порядке.
Задача: Обеспечить сквозное шифрование и частную сетевую среду для обучения и хостинга, ограничить скачивание образов только утверждёнными ролями, а также обнаруживать и предотвращать несанкционированное перемещение данных.
Рекомендуемый подход:
- Создайте симметричный ключ CMK, управляемый клиентом, в KMS, установите политику ключа, предоставляющую администраторам MetroDelivery,
sagemaker.amazonaws.comи ролям выполнения SageMaker разрешенияDecrypt/GenerateDataKey, и включите автоматическую ротацию. - Зашифруйте бакеты S3 с помощью SSE-KMS, используя этот CMK; используйте политики бакетов S3 для блокировки публичного доступа и требуйте наличия условий
aws:SourceVpcилиaws:ViaAWSServiceдляPutObject/GetObject. - Настройте VPC: разверните частные подсети без NAT, создайте шлюзовую конечную точку VPC (Gateway VPC Endpoint) для S3 с политикой, ограниченной префиксом бакета с моделями, и разверните интерфейсные конечные точки (Interface Endpoints) для
sagemaker,sagemaker-runtime,ecr.api,ecr.dkr,stsиcloudwatchlogs. - Разместите образы в частном ECR с политикой репозитория, ограничивающей субъектов ролью выполнения SageMaker; включите неизменяемость (immutability) и сканирование образов. Включите CloudTrail (события управления + события данных S3), Macie для обнаружения конфиденциальных данных и GuardDuty для выявления аномальной активности; отправляйте журналы в зашифрованный бакет для аудита в другом аккаунте.
Обоснование: Использование CMK, управляемого клиентом, обеспечивает контроль и возможность аудита для артефактов модели; конечные точки VPC и ограничительные политики конечных точек/репозиториев удерживают трафик в сети AWS и предотвращают выход в публичный интернет; комбинированные сервисы логирования и классификации данных обнаруживают и сдерживают эксфильтрацию, в то время как IAM с минимальными привилегиями ограничивает масштаб атаки.
← Развертывание · Все домены · MLOps →
Отработать эти вопросы → · Тесты на время на 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.
Сдайте экзамен →