Amazon MLA-C01: 安全性、治理與合規性 — 學習指南

By Laurynas Brazys · 4 August 2026 · #amazon #mla-c01 #certification #exam-prep #study-guide

屬於 AWS Machine Learning Engineer Associate MLA-C01 — 學習指南. 使用經過驗證的解答練習： Amazon 考試中心, 或參加限時模擬考試： ExamRoll.io.

IAM 角色、最小權限與 SageMaker 執行環境

機器學習工作負載的身分與存取管理，需要在真人使用者、CI/CD 系統和執行期運算之間，進行明確且可稽核的權限分離。對 SageMaker 而言，這意味著要定義一個專用的執行角色 (一個 IAM Role，其 AssumeRolePolicyDocument 允許 SageMaker 服務主體 sagemaker.amazonaws.com)，並將該角色的權限範圍限定在所需的最小行動集合：對特定前綴的 S3 GetObject/PutObject、對一或多個客戶自訂 CMK 的 kms:Decrypt/kms:Encrypt、對特定 LogGroup ARN 的 logs:CreateLogStream 和 logs:PutLogEvents，以及僅在需要跨帳戶存取時才使用的 sts:AssumeRole。附加資源層級的政策條件 (aws:SourceAccount 和 aws:SourceArn)，如此一來，由特定 SageMaker 任務或管線所建立的產物，便無法被其他主體竊取。為訓練、模型建置和託管使用不同的角色 (傳遞給 CreateTrainingJob、CreateModel、CreateEndpointConfig 的 RoleArn 欄位)，以便將執行期權限區隔開來；將這些角色的 ARN 作為參數儲存在程式碼或管線中，而不是嵌入憑證。

對於臨時性的開發者存取和真人核准，應優先使用透過 AWS STS 取得的 IAM 角色，搭配短期有效的憑證，而非長期有效的 IAM 使用者金鑰。要強制執行多人審核和職責分離，可以結合使用 IAM 權限邊界、AWS Single Sign-On 或 OIDC IdP，以及對 SageMaker Model Registry 套件的資源層級控制。當工作流程需要臨時權限提升時 (例如，為了核准一個模型套件)，請使用 SageMaker Model Registry 中的核准工作流程，將 ModelApprovalStatus 設定為 “PendingManualApproval”，並要求一個具有嚴格限定範圍之 sagemaker:ApproveModelPackage 權限的 IAM 主體，才能將其狀態轉為 “Approved”。

VPC 隔離、網路控制與加密

網路隔離的第一步，是將 SageMaker 訓練和推論執行個體放置在 VPC 子網路中，並在呼叫 CreateTrainingJob、CreateModel、CreateEndpointConfig 和 CreateProcessingJob API 時，提供明確的 VpcConfig (子網路 ID 和安全群組 ID)。將此作法與 VPC 端點 (透過 AWS PrivateLink 為 com.amazonaws.region.sagemaker 和 com.amazonaws.region.s3 設置的 Interface endpoint，或為 S3 設置的 Gateway endpoint) 結合，以確保模型產物和 API 流量永遠不會經過公用網際網路。為子網路啟用 VPC Flow Logs，並使用安全群組規則將出口流量限制在必要的地址和連接埠，例如，僅限於 S3 VPC 端點，或者在允許下載外部套件時，僅限於 NAT Gateway。

加密必須應用於靜態 (at rest) 和傳輸中 (in transit) 的資料。對於靜態資料，請使用 S3 伺服器端加密搭配 AWS KMS (SSE-KMS)，並透過客戶自訂 CMK 來保護金鑰，該 CMK 的金鑰政策應限制管理員和 SageMaker 執行角色 (將 CMK ARN 放入 OutputDataConfig.KmsKeyId 或產物的 S3 PutObject SSE-KMS 標頭中)。對於附加到訓練執行個體的 EBS 磁碟區，請透過 ResourceConfig 指定磁碟區加密，並確保已設定 EBS KMS 金鑰。對於容器間流量和網路傳輸，請在 CreateTrainingJob/CreateModel 中啟用 EnableInterContainerTrafficEncryption 和 EnableNetworkIsolation，以強制容器間流量使用 TLS 並阻擋對外的網際網路存取；此外，所有對 SageMaker 和 S3 的 REST 與 SDK 呼叫都應預設利用 HTTPS/TLS。透過在 CMK 上設定 EnableKeyRotation 來輪換 CMK，並使用 CloudTrail 的 KMS 事件來稽核金鑰使用情況。

稽核日誌、資料事件與血緣追蹤

一個全面的稽核軌跡結合了管理平面 (management-plane) 日誌和資料平面 (data-plane) 事件。使用 AWS CloudTrail 記錄所有 SageMaker 和 IAM API 呼叫；在 CloudTrail 中為 S3 儲存貯體啟用資料事件日誌 (使用 PutEventSelectors 並將 DataResources 指向 S3 ARN)，以擷取訓練資料集和模型產物的物件層級讀寫操作。確保執行角色具備 logs:CreateLogStream 和 logs:PutLogEvents 權限，以將容器日誌和訓練任務系統日誌傳送到 CloudWatch Logs；保留政策和訂閱篩選器可以將這些日誌串流至中央的 SIEM 系統。為了進行網路層級的稽核，請啟用 VPC Flow Logs；為了偵測可疑活動，請訂閱 GuardDuty 的發現項目以及用於 S3 敏感資料探索的 Amazon Macie。

血緣追蹤需要在預處理、訓練、評估和部署的整個過程中，擷取產物的來源出處。使用 SageMaker Pipelines 和 SageMaker Experiments 自動建立 Experiment、Trial 和 TrialComponent 記錄；這些 API 會記錄參數、輸入、指標和 ModelPackage 的中繼資料。將中繼資料永久儲存在一個中央中繼資料存放區：AWS Glue Data Catalog 可作為資料集目錄，儲存資料表層級的中繼資料和分割區資訊，而 SageMaker 的中繼資料服務則將管線執行與模型產物連結起來。對於跨帳戶或多來源的資料擷取，可使用 AWS Glue connections (例如，用於地端 MySQL 的 JDBC) 來集中管理連線，或使用 AWS Database Migration Service (DMS) 將交易資料複製到 S3/Redshift，讓 Glue 爬蟲程式可以索引它，然後從管線中參考產生的 Glue 資料表，以維持一條可稽核的血緣路徑。

模型治理：登錄檔、模型卡與監控

SageMaker Model Registry（模型套件群組和 ModelPackage 物件）提供了一個權威性的中央模型儲存庫，內建生命週期狀態和用於 CI/CD 的掛鉤。將訓練好的模型註冊到一個 ModelPackageGroup 中，並將 ModelApprovalStatus 設定為「PendingManualApproval」；自動化流程（CodePipeline、Step Functions）可以暫停，等待授權的主體呼叫 UpdateModelPackage 並將 ModelApprovalStatus 設定為「Approved」。將登錄檔與 SageMaker Model Cards 搭配使用，以文件化預期用途、資料集、訓練超參數、血緣參考、效能指標、來自 SageMaker Clarify 的公平性指標以及合規性聲明。模型卡應被編寫為結構化元資料，並與 ModelPackage 一同存放，如此一來，審查、稽核軌跡和模型卡便能與二進位產物保持集中存放。

維運監控是透過使用 SageMaker Model Monitor 來完成，用於監控資料與模型品質的漂移，並使用 SageMaker Clarify 來處理偏差與可解釋性。在 CreateEndpoint 上啟用 DataCaptureConfig 以捕獲請求和回應的酬載至一個安全的 S3 前綴（使用 SSE-KMS），然後設定 Model Monitor 的基準線生成任務（使用基準線統計數據與約束條件），並排程監控任務或觸發隨需分析。對於已部署的即時端點上的偏差漂移，需捕獲推論和真實值（當可用時），對捕獲的資料集執行 Clarify 偏差任務，並將 Clarify 報告儲存在 S3 和模型卡中。警示與修復可以與 CloudWatch Alarms 和 Step Functions 綁定，以實作回滾或隔離等模式。

設計模式、權衡取捨與常見陷阱

當集中化多個資料來源時，使用 AWS Glue 及其 JDBC 連接器，再加上 AWS Lake Formation 進行精細的存取控制，是營運開銷最低的模式；使用 DMS 將交易來源複製到 S3，雖然能為機器學習管線提供更好的隔離，但會增加營運的複雜性。對於重複訓練任務期間的資料集存取延遲，使用 Pipe 模式串流 S3 輸入，或掛載如 Amazon FSx for Lustre 的共享檔案系統（將 POSIX 命名空間匯出至訓練執行個體），與重複將大型資料集複製到本地 EBS 磁碟區相比，能減少啟動時間。其權衡之處在於，FSx 增加了成本和管理；Pipe 模式較為簡單，但需要您的訓練容器支援串流輸入（RecordIO、protobuf）。

對於以最少操作處理類別不平衡和分類特徵，可利用 Data Wrangler 或 SageMaker Processing 來產生一致的轉換，並將特徵資料儲存在 SageMaker Feature Store 中，如此一來離線訓練和線上推論便能共享相同的轉換。特別是對於不平衡問題，應優先考慮演算法層級的解決方案（例如對於 XGBoost，將 scale_pos_weight 設為 num_negative/num_positive），而不是進行資料層級的重採樣；演算法方法避免了創建合成記錄，且對管線來說操作上更為簡單。對於異常偵測和資料集品質檢查，可以在專用服務和自訂模型之間選擇：Amazon Lookout for Metrics 提供自動化異常偵測和視覺化功能，並帶有多個來源的連接器；而 SageMaker Random Cut Forest（內建）則直接整合到管線中，並提供對自訂閾值和可解釋性的完全控制。

常見的陷阱包括過於寬鬆的 IAM 角色（過多的 s3:* 或 kms:* 權限）、未啟用 S3 的 CloudTrail 資料事件導致模型成品被外洩時產生盲點、未啟用 VPC 端點而無意中將資料路由到公共網際網路，以及跳過模型核准工作流程導致未經審查的模型被推廣。另一個常見錯誤是在 S3 中儲存未經 SSE-KMS 加密的明文敏感資料，或未限制 KMS 金鑰政策以防止未經授權的主體使用金鑰。

實務問題：使用案例情境

AcmeFin：一個金融網路應用程式的詐欺偵測模型。資料來源包括 S3 中的交易日誌和客戶資料，以及包含客戶風險評分的本地 MySQL 資料表。目標是建立安全、可稽核的管線、為頻繁的重新訓練提供低啟動延遲、為生產部署設置手動核准關卡、對已部署的端點進行隨選的偏誤/漂移評估，以及對傳入資料進行自動化異常偵測和視覺化。

擷取並集中化資料：使用 AWS DMS 將本地 MySQL 複製到一個受嚴格 SSE-KMS 加密保護的 S3 登陸前綴（儲存貯體政策限制為 AcmeFin 帳戶）。透過 Glue 爬蟲程式將 S3 資料集和分割區註冊到 AWS Glue Data Catalog，並透過 Lake Formation 權限強制執行存取。理由：DMS 為交易資料表提供持續複製，Glue Catalog 則集中化中繼資料並啟用跨 ETL 和訓練的血緣追蹤。
保護運算和儲存：建立具有最低權限的專用 SageMaker 執行角色（在 CreateTrainingJob 中使用 RoleArn），並設定允許 sagemaker.amazonaws.com 的信任政策；將角色權限限制於特定的 S3 前綴和客戶管理的 CMK。透過向 CreateTrainingJob 和 CreateEndpointConfig 提供 VpcConfig.Subnets 和 VpcConfig.SecurityGroupIds，將所有訓練和推論放入私有子網路中，並為 com.amazonaws.region.s3 和 SageMaker API 建立介面端點，以避免公共網際網路出口。理由：VPC 隔離加上 VPC 端點確保成品絕不經過公共網路，而具有 CMK 限制的角色可防止金鑰被濫用。
最小化訓練啟動延遲：將大型資料集儲存在匯出至訓練子網路的 Amazon FSx for Lustre 上，並對較小的串流輸入使用 Pipe 模式。設定 CreateTrainingJob 的 InputDataConfig 指向 FSx 掛載的資料集或使用 Pipe 模式的 S3，並透過在不同任務間保持資料集指標不變來重用暖快取。理由：FSx 提供 POSIX 存取並避免重複的 S3 下載；Pipe 模式為支援串流的容器減少了複製延遲。
治理與手動核准：訓練完成後，在 SageMaker Model Registry 中註冊模型；為新的 ModelPackage 物件設定 ModelApprovalStatus=“PendingManualApproval”。使用 AWS CodePipeline/Step Functions 實作一個核准工作流程，該流程要求一個具有 sagemaker:UpdateModelPackage 權限的主體在 CreateEndpoint 步驟執行之前呼叫 UpdateModelPackage(ModelApprovalStatus=“Approved”)。理由：Model Registry 提供生命週期狀態和一個與 IAM 授權綁定的可稽核核准動作。
隨選偏誤與漂移檢查：在端點上啟用 DataCaptureConfig，將請求和回應寫入一個經 SSE-KMS 加密的 S3 前綴。對於隨選的偏誤分析，執行 SageMaker Clarify 批次任務，參考捕獲的資料和 Model Card 基線；對於持續的漂移監控，排程 SageMaker Model Monitor 任務，將即時分佈與基線統計資料進行比較。理由：資料捕獲加上 Clarify/Model Monitor 提供了隨選和排程的評估，其結果與模型中繼資料一起儲存。
異常偵測與視覺化：將捕獲的指標和特徵時間序列連接到 Amazon Lookout for Metrics 進行自動化異常偵測和通知，並在 Amazon QuickSight 中將結果視覺化。或者，如果需要自訂閾值，則在 SageMaker 中執行 Random Cut Forest 訓練任務，並將異常顯示在儀表板上。理由：Lookout for Metrics 減少了異常偵測的營運開銷，並與多個來源整合以實現快速視覺化。

此方法平衡了安全性（VPC、SSE-KMS、受限的 IAM）、治理（Model Registry、Model Cards、核准工作流程）、低延遲訓練（FSx + Pipe 模式）以及營運監控（DataCapture、Clarify、Model Monitor、Lookout for Metrics），同時透過 Glue Catalog 和 SageMaker Experiments 維持可稽核的血緣追蹤。

← 模型監控與可觀測性 · 所有領域 · 生成式 AI 與基礎模型 →

練習這些題目 → · 在 ExamRoll.io 上限時練習 →