Amazon MLS-C01: 安全性、隱私權與合規性 — 學習指南
屬於 AWS Machine Learning Specialty MLS-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.
資料與模型加密：分層控制與常見陷阱
將靜態 (at rest) 與傳輸中 (in transit) 的資料加密，是 ML 管線的第一道防線。對於 S3 中的物件，當您需要可稽核性與精細的金鑰控制時，請優先選用 KMS 的伺服器端加密 (SSE-KMS)；對於不需要逐次請求 (per-request) 進行 KMS 記錄的儲存貯體，SSE-S3 也是可接受的選項。SageMaker 模型成品、掛載到訓練與託管執行個體的 EBS 磁碟區，以及 EFS/FSx 磁碟區也必須加密——SageMaker 可設定為使用客戶自管 CMK 來加密模型成品與磁碟區。對於大型資料集或跨帳戶共用，請使用信封加密 (envelope encryption)（用 KMS 產生資料金鑰，並使用 AWS Encryption SDK 或用戶端程式庫），以避免重複呼叫 KMS。傳輸中保護要求所有 S3 與服務端點都使用 TLS；當使用私有網路時，PrivateLink 與 VPC 端點在線路上仍然使用 TLS。一個常見的陷阱是忘記更新 CMK 金鑰政策：授予 SageMaker 服務主體 (service principal) 與您的執行角色 (execution roles) 解密/產生的權限是必要的（僅靠 IAM 是不夠的）。決策標準：當您希望營運開銷較低時，選擇 AWS 自管 CMK；當您需要金鑰輪換政策、跨帳戶控制或獨立的金鑰管理員時，選擇客戶自管 CMK。考量效能與成本：對於高吞吐量的工作負載，信封加密可減少 KMS API 的使用量。
金鑰管理、CMK 設計與操作控制
為 ML 工作負載設計 KMS 策略時，需在安全性、存取邊界與營運之間取得平衡。當您需要精細的政策控制、授權 (grants)、跨帳戶使用，以及在 CloudTrail 中針對 GenerateDataKey/Decrypt 操作的稽核軌跡時，請使用客戶自管 CMK。對於需要 HSM 支援的金鑰與 FIPS 要求，可考慮使用由 CloudHSM 支援的 KMS Custom Key Store。金鑰政策 (Key policies) 具有權威性；請用 IAM 政策來輔助它們，並使用 kms:ViaService 條件將使用範圍限制在特定的 AWS 服務（例如，僅允許透過 sagemaker.amazonaws.com 或 s3.amazonaws.com 呼叫時才能解密）。使用 KMS 授權 (grants) 來授予短期權限，將解密/加密的權力委派給訓練任務使用的臨時角色 (ephemeral roles)。在適當情況下為對稱式 CMK 啟用自動金鑰輪換，並建立多區域金鑰以進行模型的異地備援複製。常見的陷阱包括僅依賴 IAM 政策（而未更新 CMK 金鑰政策），以及忘記包含服務主體（例如 sagemaker.amazonaws.com 或 elasticblockstore.amazonaws.com），導致託管服務無法使用 CMK。決策標準應權衡管理上的分離（依業務單位或敏感度等級使用不同的 CMK）與 KMS 配額及操作複雜性；應用最小權限原則，並在 CloudTrail 中稽核 GenerateDataKey 事件。
適用於 SageMaker 與 S3 的私有網路與 VPC 端點
為使資料與映像檔不暴露於公用網際網路，請將 SageMaker Studio、筆記本執行個體，以及訓練/託管任務置於 VPC 中，並使用 VPC 端點。S3 Gateway Endpoints 允許從您的子網路直接、私密地存取儲存貯體物件；請附加限制性的端點政策，將存取範圍限制在特定的儲存貯體與前綴。SageMaker API、執行期 (runtime) 呼叫與 ECR 需要 Interface Endpoints (PrivateLink)：請視情況建立 com.amazonaws.
IAM、私有映像檔存取、稽核日誌與資料外洩控制
最小權限 IAM 角色是核心：SageMaker 執行角色必須僅擁有工作所需的 S3、ECR、KMS 和 CloudWatch 權限，且通常應將範圍限定在特定資源 ARN，並使用 aws:SourceArn/aws:SourceAccount/aws:SourceVpc 條件進行約束。對於私有容器映像檔，應將其託管在私有 ECR 儲存庫中，並設定儲存庫政策，將拉取權限限制給特定的 IAM 主體或組織帳戶；將映像檔標記為不可變，並啟用映像檔掃描。稽核日誌記錄是全面的：為敏感的儲存貯體啟用 CloudTrail 管理事件與 S3 資料事件 (GetObject/PutObject)，將日誌轉送到一個專用、加密、跨帳戶的日誌儲存貯體，並啟用 CloudWatch Logs 和 VPC Flow Logs 來偵測異常的出口流量。使用 Amazon Macie 在 S3 中發現 PII (個人識別資訊)，並使用 GuardDuty 偵測不尋常的資料存取模式。為防止資料外洩，應結合使用多種控制措施：S3 儲存貯體政策，用以拒絕非源自核准 VPC 端點或 VPC CIDR 的請求；網路控制，如 Security Groups/NACLs 和 AWS Network Firewall 用於出口流量過濾；以及 IAM 權限邊界/SCP，以縮小爆炸半徑。常見的陷阱包括：假設僅靠 VpcConfig 就能防止所有對外出口流量 (您必須控制 NAT/Internet Gateway 和端點)，以及忘記將 KMS 解密權限授予實際需要模型成品的執行期主體。
實務問題：使用案例情境
情境： MetroDelivery 公司為每個城市營運 XGBoost 模型，這些模型成品儲存在 S3 中，並在 SageMaker Studio 中進行訓練。他們要求訓練和推論過程絕不能經過公用網際網路，模型成品必須使用客戶管理的金鑰加密，且容器映像檔必須私有託管。
挑戰： 確保訓練和託管的端到端加密與私有網路連線，限制映像檔拉取僅限核准的角色，並偵測/防止未經授權的資料移動。
建議方法：
- 在 KMS 中建立一個客戶管理的對稱式 CMK，設定金鑰政策，授予 MetroDelivery 管理員、sagemaker.amazonaws.com 以及 SageMaker 執行角色 Decrypt/GenerateDataKey 權限，並啟用金鑰自動輪換。
- 使用該 CMK 以 SSE-KMS 加密 S3 儲存貯體；使用 S3 儲存貯體政策來阻擋公用存取，並要求 PutObject/GetObject 操作必須滿足 aws:SourceVpc 或 aws:ViaAWSService 條件。
- 設定 VPC：部署不含 NAT 的私有子網路，為 S3 建立一個 Gateway VPC Endpoint，其端點政策限制只能存取模型儲存貯體的前綴，並為 sagemaker、sagemaker-runtime、ecr.api、ecr.dkr、sts 和 cloudwatchlogs 部署 Interface Endpoints。
- 將映像檔託管在私有 ECR 中，其儲存庫政策將主體限制為 SageMaker 執行角色；啟用映像檔不可變性與掃描。啟用 CloudTrail (管理事件 + S3 資料事件)、用於敏感資料探索的 Macie，以及用於異常活動偵測的 GuardDuty；將日誌傳送到一個加密的跨帳戶稽核儲存貯體。
基本原理： 使用客戶管理的 CMK 為模型成品提供了控制權和可稽核性；VPC 端點以及限制性的端點/儲存庫政策可將流量保留在 AWS 網路上，並防止公用出口流量；結合日誌記錄和資料分類服務可以偵測並嚇阻資料外洩，而最小權限 IAM 則限制了攻擊範圍。
← 部署、推論與服務 (ML 實作與維運) · 所有領域 · MLOps、監控、標註與模型治理 →
練習這些題目 → · 在 ExamRoll.io 上限時練習 →
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.
通過考試 →