Isolamento rete virtuale gestita dell'area di lavoro

SI APPLICA A:Estensione ml dell'interfaccia della riga di comando di Azure v2 (corrente)SDK di Python azure-ai-ml v2 (corrente)

Azure Machine Learning offre supporto per l'isolamento della rete virtuale gestita (rete virtuale gestita). L'isolamento della rete virtuale gestita semplifica e automatizza la configurazione dell'isolamento della rete con una rete virtuale gestita di Azure Machine Learning predefinita a livello di area di lavoro. La rete virtuale gestita protegge le risorse di Azure Machine Learning gestite, ad esempio istanze di calcolo, cluster di calcolo, calcolo serverless ed endpoint online gestiti.

La protezione dell'area di lavoro con una rete gestita offre isolamento di rete per l'accessoin uscita dall'area di lavoro e dagli ambienti di calcoli gestiti. Una rete virtuale di Azure creata e gestita dall'utente viene usata per fornire l'isolamento della rete per l'accesso in ingresso all'area di lavoro. Ad esempio, un endpoint privato per l'area di lavoro viene creato nella Rete virtuale di Azure. Tutti i client che si connettono alla rete virtuale possono accedere all'area di lavoro tramite l'endpoint privato. Quando si eseguono processi in ambienti di calcoli gestiti, la rete gestita limita le risorse a cui l'ambiente di calcolo può accedere.

Architettura di Rete Virtuale gestita

Quando si abilita l'isolamento della rete virtuale gestita, viene creata una rete virtuale gestita per l'area di lavoro. Le risorse di calcolo gestite create per l'area di lavoro usano automaticamente questa rete virtuale gestita. La rete virtuale gestita può usare endpoint privati per le risorse di Azure usate dall'area di lavoro, ad esempio Archiviazione di Azure, Azure Key Vault e Registro Azure Container.

Esistono due diverse modalità di configurazione per il traffico in uscita dalla rete virtuale gestita:

1. È possibile usare le regole in uscita con consentire solo l'uscita approvata per ottenere lo stesso risultato di consentire internet in uscita. Le differenze sono le seguenti:

• È necessario aggiungere regole per ogni connessione in uscita che bisogna consentire.
• L'aggiunta di regole in uscita FQDN aumenta i costi perché questo tipo di regola usa il Firewall di Azure. Per altre informazioni, vedere la pagina Prezzi.
• Le regole predefinite per Consenti solo il traffico in uscita approvato sono progettate per ridurre al minimo il rischio di esfiltrazione di dati. Eventuali regole in uscita aggiunte potrebbero aumentare il tuo rischio.

La rete virtuale gestita è preconfigurata con le regole predefinite necessarie. Viene configurato anche per le connessioni endpoint private all'area di lavoro, all'archiviazione predefinita dell'area di lavoro, al registro contenitori e all'insieme di credenziali delle chiavi se sono configurati come privati o la modalità di isolamento dell'area di lavoro è impostata per consentire solo il traffico in uscita approvato. Dopo aver scelto la modalità di isolamento, potrebbe essere necessario considerare solo altri requisiti in uscita da aggiungere.

Il diagramma seguente mostra una rete virtuale gestita configurata per consentire Internet in uscita:

Il diagramma seguente mostra una rete virtuale gestita configurata per consentire solo il traffico in uscita approvato:

Studio di Azure Machine Learning

Se si vuole usare il notebook integrato o creare dei set di dati nell'account di archiviazione predefinito da Studio, il client deve accedere all'account di archiviazione predefinito. Creare un endpoint privato o un endpoint di servizio per l'account di archiviazione predefinito nella rete virtuale di Azure usata dai client.

Parte dello studio di Azure Machine Learning viene eseguita in locale nel Web browser del client e comunica direttamente con l'archiviazione predefinita per l'area di lavoro. La creazione di un endpoint privato o di un endpoint di servizio (per l'account di archiviazione predefinito) nella rete virtuale del client garantisce che il client possa comunicare con l'account di archiviazione.

Se l'account di archiviazione di Azure associato all'area di lavoro ha l'accesso alla rete pubblica disabilitato, assicurarsi che all'endpoint privato creato nella rete virtuale client venga assegnato il ruolo Lettore per l'identità gestita dell'area di lavoro. Questo vale sia per gli endpoint privati di blog che per l'archiviazione file. Il ruolo non è necessario per l'endpoint privato creato dalla rete virtuale gestita.

Per altre informazioni sulla creazione di un endpoint privato o di un endpoint di servizio, vedere gli articoli Connettersi privatamente a un account di archiviazione ed Endpoint di servizio.

Risorse associate protette

Se si aggiungono i servizi seguenti alla rete virtuale usando un endpoint di servizio o un endpoint privato (disabilitando l'accesso pubblico), consentire ai servizi Microsoft attendibili di accedere a questi servizi:

Prerequisiti

Prima di seguire la procedura descritta in questo articolo, assicurarsi di disporre dei prerequisiti seguenti:

Per stabilire connessioni di endpoint privato nelle reti virtuali gestite usando Azure Machine Learning, l'identità gestita dell'area di lavoro, assegnata dal sistema o assegnata dall'utente e l'identità utente che avvia la creazione dell'endpoint privato, deve disporre delle autorizzazioni per approvare le connessioni endpoint privato nelle risorse di destinazione. Dopo il 30 aprile 2025, le autorizzazioni non vengono concesse automaticamente all'identità gestita e devono essere assegnate manualmente.

Microsoft consiglia di assegnare all'identità gestita il ruolo Approvazione connessione di rete Enterprise AI di Azure. L'elenco seguente contiene i tipi di risorse di destinazione dell'endpoint privato coperti dal ruolo Approvatore della connessione di rete dell'infrastruttura enterprise di Azure AI:

• Gateway applicativo di Azure
• Monitoraggio di Azure
• Ricerca di intelligenza artificiale di Azure
• Hub eventi
• Database SQL di Microsoft Azure
• Archiviazione di Azure
• Area di lavoro di Azure Machine Learning
• Registro di Azure Machine Learning
• Azure AI Foundry
• Azure Key Vault (Archivio chiavi di Azure)
• Azure Cosmos DB, un servizio di database distribuito globale di Microsoft
• Database di Azure per MySQL
• Database di Azure per PostgreSQL
• Servizi di intelligenza artificiale di Azure
• Cache di Azure per Redis
• Registro dei Contenitori
• Gestione API

Se invece desideri creare un ruolo personalizzato, consulta il ruolo di approvatore di connessioni di rete aziendale di Azure AI per aggiungere le azioni specifiche per ogni tipo di risorsa.

Per creare regole in uscita dell'endpoint privato per i tipi di risorse di destinazione non coperti dal ruolo Approvatore connessione di rete aziendale di Azure AI, è consigliabile un ruolo personalizzato con ambito ristretto. Il ruolo deve essere definito mediante le azioni necessarie per approvare le connessioni dell'endpoint privato sui tipi di risorse di destinazione. Esempi di questi tipi di risorse sono Azure Data Factory, Azure Databricks e App per le funzioni di Azure.

Per creare regole in uscita dell'endpoint privato per le risorse predefinite dell'area di lavoro, le autorizzazioni necessarie vengono coperte automaticamente dalle assegnazioni di ruolo concesse durante la creazione dell'area di lavoro, quindi non sono necessarie altre azioni.

Configurare una rete virtuale gestita per consentire internet in uscita

managed_network:
  isolation_mode: allow_internet_outbound

managed_network:
  isolation_mode: allow_internet_outbound
  outbound_rules:
  - name: added-perule
    destination:
      service_resource_id: /subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Storage/storageAccounts/<STORAGE_ACCOUNT_NAME>
      spark_enabled: true
      subresource_target: blob
    type: private_endpoint

az ml workspace create --name ws --resource-group rg --managed-network allow_internet_outbound

az ml workspace create --file workspace.yaml --resource-group rg --name ws

name: myworkspace
location: EastUS
managed_network:
    isolation_mode: allow_internet_outbound

az ml workspace update --name ws --resource-group rg --managed-network allow_internet_outbound

az ml workspace update --file workspace.yaml --name ws --resource-group MyGroup

name: myworkspace
managed_network:
    isolation_mode: allow_internet_outbound
    outbound_rules:
    - name: added-perule
    destination:
        service_resource_id: /subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Storage/storageAccounts/<STORAGE_ACCOUNT_NAME>
        spark_enabled: true
        subresource_target: blob
    type: private_endpoint

# Basic managed VNet configuration
network = ManagedNetwork(IsolationMode.ALLOW_INTERNET_OUTBOUND)

# Workspace configuration
ws = Workspace(
    name="myworkspace",
    location="eastus",
    managed_network=network
)

# Example private endpoint outbound to a blob
rule_name = "myrule"
service_resource_id = "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Storage/storageAccounts/<STORAGE_ACCOUNT_NAME>"
subresource_target = "blob"
spark_enabled = True

# Add the outbound 
ws.managed_network.outbound_rules = [PrivateEndpointDestination(
    name=rule_name, 
    service_resource_id=service_resource_id, 
    subresource_target=subresource_target, 
    spark_enabled=spark_enabled)]

# Create the workspace
ws = ml_client.workspaces.begin_create(ws).result()

# Get the existing workspace
ml_client = MLClient(DefaultAzureCredential(), subscription_id=subscription_id, resource_group_name=resource_group, workspace_name="myworkspace")
ws = ml_client.workspaces.get()

# Basic managed VNet configuration
ws.managed_network = ManagedNetwork(IsolationMode.ALLOW_INTERNET_OUTBOUND)

# Example private endpoint outbound to a blob
rule_name = "myrule"
service_resource_id = "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Storage/storageAccounts/<STORAGE_ACCOUNT_NAME>"
subresource_target = "blob"
spark_enabled = True

# Add the outbound 
ws.managed_network.outbound_rules = [PrivateEndpointDestination(
    name=rule_name, 
    service_resource_id=service_resource_id, 
    subresource_target=subresource_target, 
    spark_enabled=spark_enabled)]

# Create the workspace
ml_client.workspaces.begin_update(ws)

Configurare una rete virtuale gestita per consentire solo il traffico in uscita approvato

managed_network:
  isolation_mode: allow_only_approved_outbound

managed_network:
  isolation_mode: allow_only_approved_outbound
  outbound_rules:
  - name: added-servicetagrule
    destination:
      port_ranges: 80, 8080
      protocol: TCP
      service_tag: DataFactory
    type: service_tag
  - name: add-fqdnrule
    destination: 'pypi.org'
    type: fqdn
  - name: added-perule
    destination:
      service_resource_id: /subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Storage/storageAccounts/<STORAGE_ACCOUNT_NAME>
      spark_enabled: true
      subresource_target: blob
    type: private_endpoint

az ml workspace create --name ws --resource-group rg --managed-network allow_only_approved_outbound

name: myworkspace
location: EastUS
managed_network:
    isolation_mode: allow_only_approved_outbound

az ml workspace create --file workspace.yaml --resource-group rg --name ws

az ml workspace update --name ws --resource-group rg --managed-network allow_only_approved_outbound

name: myworkspace_dep
managed_network:
    isolation_mode: allow_only_approved_outbound
    outbound_rules:
    - name: added-servicetagrule
    destination:
        port_ranges: 80, 8080
        protocol: TCP
        service_tag: DataFactory
    type: service_tag
    - name: add-fqdnrule
    destination: 'pypi.org'
    type: fqdn
    - name: added-perule
    destination:
        service_resource_id: /subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Storage/storageAccounts/<STORAGE_ACCOUNT_NAME>
        spark_enabled: true
        subresource_target: blob
    type: private_endpoint

# Basic managed VNet configuration
network = ManagedNetwork(IsolationMode.ALLOW_ONLY_APPROVED_OUTBOUND)

# Workspace configuration
ws = Workspace(
    name="myworkspace",
    location="eastus",
    managed_network=network
)

# Append some rules
ws.managed_network.outbound_rules = []
# Example private endpoint outbound to a blob
rule_name = "myrule"
service_resource_id = "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Storage/storageAccounts/<STORAGE_ACCOUNT_NAME>"
subresource_target = "blob"
spark_enabled = True
ws.managed_network.outbound_rules.append(
    PrivateEndpointDestination(
        name=rule_name, 
        service_resource_id=service_resource_id, 
        subresource_target=subresource_target, 
        spark_enabled=spark_enabled
    )
)

# Example service tag rule
rule_name = "datafactory"
service_tag = "DataFactory"
protocol = "TCP"
port_ranges = "80, 8080-8089"
ws.managed_network.outbound_rules.append(
    ServiceTagDestination(
        name=rule_name, 
        service_tag=service_tag, 
        protocol=protocol, 
        port_ranges=port_ranges
    )
)

# Example FQDN rule
ws.managed_network.outbound_rules.append(
    FqdnDestination(
        name="fqdnrule", 
        destination="pypi.org"
    )
)

# Create the workspace
ws = ml_client.workspaces.begin_create(ws).result()

# Get the existing workspace
ml_client = MLClient(DefaultAzureCredential(), subscription_id=subscription_id, resource_group_name=resource_group, workspace_name="myworkspace")
ws = ml_client.workspaces.get()

# Basic managed VNet configuration
ws.managed_network = ManagedNetwork(IsolationMode.ALLOW_ONLY_APPROVED_OUTBOUND)

# Append some rules
ws.managed_network.outbound_rules = []
# Example private endpoint outbound to a blob
rule_name = "myrule"
service_resource_id = "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Storage/storageAccounts/<STORAGE_ACCOUNT_NAME>"
subresource_target = "blob"
spark_enabled = True
ws.managed_network.outbound_rules.append(
    PrivateEndpointDestination(
        name=rule_name, 
        service_resource_id=service_resource_id, 
        subresource_target=subresource_target, 
        spark_enabled=spark_enabled
    )
)

# Example service tag rule
rule_name = "datafactory"
service_tag = "DataFactory"
protocol = "TCP"
port_ranges = "80, 8080-8089"
ws.managed_network.outbound_rules.append(
    ServiceTagDestination(
        name=rule_name, 
        service_tag=service_tag, 
        protocol=protocol, 
        port_ranges=port_ranges
    )
)

# Example FQDN rule
ws.managed_network.outbound_rules.append(
    FqdnDestination(
        name="fqdnrule", 
        destination="pypi.org"
    )
)

# Update the workspace
ml_client.workspaces.begin_update(ws)

Configurare per i processi Spark serverless

Per abilitare i processi Spark serverless per la rete virtuale gestita, è necessario eseguire le azioni seguenti:

• Configurare una rete virtuale gestita per l'area di lavoro e aggiungere un endpoint privato in uscita per l'account Archiviazione di Azure.
• Dopo aver configurato la rete virtuale gestita, eseguirne il provisioning e abilitarla per consentire i processi Spark.

1. Configurare un endpoint privato in uscita.

   Usare un file YAML per definire la configurazione della rete virtuale gestita e aggiungere un endpoint privato per l'account Archiviazione di Azure. Impostare anche spark_enabled: true:

   Suggerimento

   Questo esempio riguarda una rete virtuale gestita configurata usando isolation_mode: allow_internet_outbound per consentire il traffico Internet. Se si vuole consentire solo connessioni in uscita approvate, usare isolation_mode: allow_only_approved_outbound.

   name: myworkspace
   managed_network:
     isolation_mode: allow_internet_outbound
     outbound_rules:
     - name: added-perule
       destination:
         service_resource_id: /subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Storage/storageAccounts/<STORAGE_ACCOUNT_NAME>
         spark_enabled: true
         subresource_target: blob
       type: private_endpoint
   

   È possibile usare un file di configurazione YAML con il comando az ml workspace update specificando il parametro --file e il nome del file YAML. Ad esempio, il comando seguente aggiorna un'area di lavoro esistente usando un file YAML denominato workspace_pe.yml:

   az ml workspace update --file workspace_pe.yml --resource_group rg --name ws
   

   Nota

   Quando l'opzione Consenti solo l'uscita approvata è abilitata (isolation_mode: allow_only_approved_outbound), le dipendenze del pacchetto conda definite nella configurazione della sessione Spark non vengono installate. Per risolvere questo problema, caricare un pacchetto wheel Python completo senza dipendenze esterne in un account di archiviazione di Azure e creare un endpoint privato in questo account di archiviazione. Usare il percorso del pacchetto wheel Python come parametro py_files nel processo Spark. L'impostazione di una regola in uscita FQDN non ignora questo problema perché la propagazione delle regole FQDN non è supportata da Spark.

   L'esempio seguente illustra come creare una rete virtuale gestita per un'area di lavoro di Azure Machine Learning esistente denominata myworkspace. Aggiunge anche un endpoint privato per l'account di archiviazione di Azure e imposta spark_enabled=true:

   Suggerimento

   L'esempio seguente è relativo a una rete virtuale gestita configurata usando IsolationMode.ALLOW_INTERNET_OUTBOUND per consentire il traffico Internet. Se si vuole consentire solo connessioni in uscita approvate, usare IsolationMode.ALLOW_ONLY_APPROVED_OUTBOUND.

   # Get the existing workspace
   ml_client = MLClient(DefaultAzureCredential(), subscription_id, resource_group, "myworkspace")
   ws = ml_client.workspaces.get()
   
   # Basic managed VNet configuration
   ws.managed_network = ManagedNetwork(IsolationMode.ALLOW_INTERNET_OUTBOUND)
   
   # Example private endpoint outbound to a blob
   rule_name = "myrule"
   service_resource_id = "/subscriptions/<SUBSCRIPTION_ID>/resourceGroups/<RESOURCE_GROUP>/providers/Microsoft.Storage/storageAccounts/<STORAGE_ACCOUNT_NAME>"
   subresource_target = "blob"
   spark_enabled = True
   
   # Add the outbound 
   ws.managed_network.outbound_rules = [PrivateEndpointDestination(
       name=rule_name, 
       service_resource_id=service_resource_id, 
       subresource_target=subresource_target, 
       spark_enabled=spark_enabled)]
   
   # Create the workspace
   ml_client.workspaces.begin_update(ws)
   

   Nota

   • Quando l'opzione Consenti solo l'uscita approvata è abilitata (isolation_mode: allow_only_approved_outbound), le dipendenze del pacchetto conda definite nella configurazione della sessione Spark non vengono installate. Per risolvere questo problema, caricare un pacchetto wheel Python completo senza dipendenze esterne in un account di archiviazione di Azure e creare un endpoint privato in questo account di archiviazione. Usare il percorso del pacchetto wheel Python come parametro py_files nel processo Spark.
   • Se l'area di lavoro è stata creata con IsolationMode.ALLOW_INTERNET_OUTBOUND, non può essere aggiornata in un secondo momento per usare IsolationMode.ALLOW_ONLY_APPROVED_OUTBOUND.

   1. Accedere al portale di Azure e selezionare l'area di lavoro di Azure Machine Learning.

   2. Selezionare Rete, quindi Aggiungi regole in uscita definite dall'utente. Aggiungere una regola per l'account di archiviazione di Azure e assicurarsi che Spark abilitato sia selezionato.

      

   3. Selezionare Salva per salvare la regola, quindi selezionare Salva nella parte superiore di Rete per salvare le modifiche apportate alla rete virtuale gestita.

2. Configurare la rete virtuale gestita.

   Nota

   Se l'area di lavoro dispone dell'accesso alla rete pubblica abilitata, è necessario disabilitarla prima del provisioning della rete virtuale gestita. Se non si disabilita l'accesso alla rete pubblica durante il provisioning della rete virtuale gestita, gli endpoint privati per l'area di lavoro potrebbero non essere creati automaticamente nella rete virtuale gestita. In caso contrario, è necessario configurare manualmente la regola in uscita dell'endpoint privato per l'area di lavoro dopo il provisioning.

   L'esempio seguente illustra come effettuare il provisioning di una rete virtuale gestita per i processi Spark serverless usando il --include-spark parametro .

   az ml workspace provision-network -g my_resource_group -n my_workspace_name --include-spark
   

   L'esempio seguente illustra come effettuare il provisioning di una rete virtuale gestita per i processi Spark serverless:

   # Connect to a workspace named "myworkspace"
   ml_client = MLClient(DefaultAzureCredential(), subscription_id=subscription_id, resource_group_name=resource_group, workspace_name="myworkspace")
   
   # whether to provision Spark vnet as well
   include_spark = True
   
   provision_network_result = ml_client.workspaces.begin_provision_network(workspace_name=ws_name, include_spark=include_spark).result()
   

   Dal portale di Azure è possibile selezionare solo per effettuare il provisioning della rete gestita durante la creazione dell'area di lavoro. A tale scopo, selezionare Effettuare il provisioning della rete virtuale gestita dalla scheda Accesso in uscita . Per effettuare il provisioning della rete gestita per i processi Spark serverless per un'area di lavoro esistente, è necessario usare l'interfaccia della riga di comando di Azure o Python SDK.

Effettuare manualmente il provisioning di una rete virtuale gestita

Il provisioning della rete virtuale gestita viene eseguito automaticamente quando si crea un'istanza di calcolo. Quando si fa affidamento sul provisioning automatico, possono essere necessari circa 30 minuti per creare la prima istanza di calcolo perché viene effettuato anche il provisioning della rete. Se sono state configurate regole in uscita FQDN (disponibili solo con la modalità Consenti solo il traffico approvato), la prima regola FQDN aggiunge circa 10 minuti al tempo di provisioning. Se si ha un set di regole in uscita di grandi dimensioni di cui eseguire il provisioning nella rete gestita, il completamento del provisioning può richiedere più tempo. Un tempo di provisioning più elevato può causare il timeout della creazione della prima istanza di calcolo.

Per ridurre il tempo di attesa ed evitare potenziali errori di timeout, è consigliabile effettuare manualmente il provisioning della rete gestita. Attendere quindi il completamento del provisioning prima di creare un'istanza di calcolo.

In alternativa, è possibile usare il provision_network_now flag per effettuare il provisioning della rete gestita come parte della creazione dell'area di lavoro.

az ml workspace create -n myworkspace -g my_resource_group --managed-network AllowInternetOutbound --provision-network-now

az ml workspace provision-network -g my_resource_group -n my_workspace_name

az ml workspace show -n my_workspace_name -g my_resource_group --query managed_network

provision_network_now: True

# Connect to a workspace named "myworkspace"
ml_client = MLClient(DefaultAzureCredential(), subscription_id=subscription_id, resource_group_name=resource_group, workspace_name="myworkspace")

# whether to provision Spark vnet as well
include_spark = True

provision_network_result = ml_client.workspaces.begin_provision_network(workspace_name=ws_name, include_spark=include_spark).result()

ws = ml_client.workspaces.get()
print(ws.managed_network.status)

Configurare la creazione di immagini

Quando il Registro Azure Container per l'area di lavoro si trova dietro una rete virtuale, non può essere usato per creare direttamente immagini Docker. Configurare invece l'area di lavoro per usare un cluster di elaborazione o un'istanza di ambiente calcolo per compilare immagini.

az ml workspace update --name ws --resource-group rg --image-build-compute mycompute

# import required libraries
from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential

subscription_id = "<your subscription ID>"
resource_group = "<your resource group name>"
workspace = "<your workspace name>"

ml_client = MLClient(
    DefaultAzureCredential(), subscription_id=subscription_id, resource_group_name=resource_group, workspace_name=workspace
)

# Get workspace info
ws=ml_client.workspaces.get(name=workspace)
# Update to use cpu-cluster for image builds
ws.image_build_compute="mycompute"
ml_client.workspaces.begin_update(ws)
# To switch back to using ACR to build (if ACR is not in the virtual network):
# ws.image_build_compute = ''
# ml_client.workspaces.begin_update(ws)

Gestire le regole in uscita

az ml workspace outbound-rule list --workspace-name ws --resource-group rg

az ml workspace outbound-rule show --rule rule-name --workspace-name ws --resource-group rg

az ml workspace outbound-rule remove --rule rule-name --workspace-name ws --resource-group rg

# Connect to the workspace
ml_client = MLClient(DefaultAzureCredential(), subscription_id=subscription_id, resource_group_name=resource_group, workspace_name="myworkspace")

# Specify the rule name
rule_name = "<some-rule-name>"

# Get a rule by name
rule = ml_client._workspace_outbound_rules.get(resource_group, ws_name, rule_name)

# List rules for a workspace
rule_list = ml_client._workspace_outbound_rules.list(resource_group, ws_name)

# Delete a rule from a workspace
ml_client._workspace_outbound_rules.begin_remove(resource_group, ws_name, rule_name).result()

Elenco delle regole obbligatorie

Endpoint privati:

• Quando la modalità di isolamento per la rete virtuale gestita è Allow internet outbound, le regole in uscita dell'endpoint privato vengono create automaticamente come regole necessarie dalla rete virtuale gestita per l'area di lavoro e le risorse associate con accesso alla rete pubblica disabilitata (Insieme di credenziali delle chiavi, account di archiviazione, Registro Contenitori, area di lavoro di Azure Machine Learning).
• Quando la modalità di isolamento per la rete virtuale gestita è Allow only approved outbound, le regole in uscita dell'endpoint privato vengono create automaticamente come regole necessarie dalla rete virtuale gestita per l'area di lavoro e le risorse associate indipendentemente dalla modalità di accesso alla rete pubblica per tali risorse (Key Vault, Account di archiviazione, Registro Contenitori, area di lavoro di Azure Machine Learning).
• Queste regole vengono aggiunte automaticamente alla rete virtuale gestita.

Per l'esecuzione normale di Azure Machine Learning, è necessario un set di tag di servizio necessari in una rete virtuale gestita o personalizzata. Non esistono alternative alla sostituzione di determinati tag di servizio necessari. La tabella seguente descrive ogni tag di servizio richiesto e il relativo scopo all'interno di Azure Machine Learning.

Elenco di regole in uscita specifiche dello scenario

Scenario: accedere ai pacchetti di apprendimento automatico pubblici

Per consentire l'installazione di pacchetti Python per il training e la distribuzione, aggiungere regole FQDN in uscita per consentire il traffico verso i nomi host seguenti:

Scenario: usare il Visual Studio Code per desktop o web con l'istanza di ambiente calcolo

Se si prevede di usare Visual Studio Code con Azure Machine Learning, aggiungere regole FQDN in uscita per consentire il traffico agli host seguenti:

Scenario: Usare gli endpoint batch o il ParallelRunStep

Se si prevede di usare endpoint batch di Azure Machine Learning per la distribuzione o ParallelRunStep, aggiungere regole di endpoint privato in uscita per consentire il traffico verso le risorse secondarie seguenti per l'account di archiviazione predefinito:

• queue
• table

Scenario: usare il prompt flow con OpenAI di Azure, la sicurezza dei contenuti e Azure AI Search

• Endpoint privato per Servizi di Azure AI
• Endpoint privato in Azure AI Search

Scenario: usare modelli HuggingFace

Se si prevede di usare modelli HuggingFace con Azure Machine Learning, aggiungere regole di FQDN in uscita per consentire il traffico verso gli host seguenti:

• docker.io
• *.docker.io
• *.docker.com
• production.cloudflare.docker.com
• cdn.auth0.com
• cdn-lfs.huggingface.co

Scenario: abilitare l'accesso da indirizzi IP selezionati

Se si vuole abilitare l'accesso da indirizzi IP specifici, usare le azioni seguenti:

1. Aggiungere una regola di endpoint privato in uscita per consentire il traffico all'area di lavoro di Azure Machine Learning. Questa regola consente alle istanze di calcolo create nella rete virtuale gestita di accedere all'area di lavoro.

   Suggerimento

   Non è possibile aggiungere questa regola durante la creazione dell'area di lavoro, perché l'area di lavoro non esiste ancora.

2. Abilitare l'accesso alla rete pubblica all'area di lavoro. Per altre informazioni, vedere l’accesso alla rete pubblica abilitato.

3. Aggiungere gli indirizzi IP al firewall per Azure Machine Learning. Per altre informazioni, vedere abilitare l'accesso solo dagli intervalli IP.

   Nota

   Sono supportati solo gli indirizzi IPv4.

Per altre informazioni, vedere Configurare il collegamento privato.

Endpoint privati

Gli endpoint privati sono attualmente supportati per i servizi di Azure seguenti:

• Azure Machine Learning (Apprendimento Automatico di Azure)
• Registri di Azure Machine Learning
• Archiviazione di Azure (tutti i tipi di risorse secondarie)
• Registro dei Container di Azure
• Azure Key Vault (Archivio chiavi di Azure)
• Servizi di Azure AI
• Azure AI Search (in precedenza Ricerca cognitiva)
• Azure SQL Server
• Azure Data Factory
• Azure Cosmos DB (tutti i tipi di risorse secondarie)
• Hub eventi di Azure
• Cache di Azure per Redis
• Azure Databricks
• Database di Azure per MariaDB
• Database di Azure per PostgreSQL - Server singolo
• Database di Azure per PostgreSQL - Server flessibile
• Database di Azure per MySQL
• Gestione API di Azure
  • Supporta solo il livello classico senza iniezione VNET e il livello Standard V2 con integrazione della rete virtuale. Per altre informazioni sulle reti virtuali di Gestione API, vedere Concetti relativi alla rete virtuale
• Application Insights (tramite PrivateLinkScopes)

Quando si crea un endpoint privato, si specifica il tipo di risorsa e la risorsa secondaria a cui si connette l'endpoint. Alcune risorse hanno più tipi e risorse secondarie. Per altre informazioni, vedere che cos'è un endpoint privato.

Quando si crea un endpoint privato per le risorse di dipendenza di Azure Machine Learning, ad esempio Archiviazione di Azure, Registro Azure Container e Azure Key Vault, la risorsa può trovarsi in una sottoscrizione di Azure diversa. Tuttavia, la risorsa deve trovarsi nello stesso tenant dell'area di lavoro di Azure Machine Learning.

Gli endpoint privati per l'area di lavoro non vengono creati automaticamente. Vengono creati solo quando viene creato il primo calcolo o quando viene forzato il provisioning della rete virtuale gestita. Per altre informazioni su come forzare il provisioning della rete virtuale gestita, vedere Effettuare manualmente il provisioning della rete.

Approvazione di endpoint privati

Per stabilire connessioni endpoint privati nelle reti virtuali gestite usando Azure Machine Learning, l'identità gestita dell'area di lavoro, assegnata dal sistema o assegnata dall'utente, deve disporre delle autorizzazioni per approvare le connessioni endpoint privato nelle risorse di destinazione. In precedenza, questa assegnazione è stata eseguita tramite assegnazioni di ruolo automatiche dal servizio Azure Machine Learning. Esistono tuttavia problemi di sicurezza relativi all'assegnazione automatica dei ruoli. Per migliorare la sicurezza, a partire dal 30 aprile 2025, questa assegnazione di ruolo non è automatica.

È consigliabile assegnare il ruolo di approvatore della connessione di rete di Azure AI Enterprise o un ruolo personalizzato con le autorizzazioni necessarie per la connessione all'endpoint privato sui tipi di risorse di destinazione. Per consentire ai servizi di Azure Machine Learning di approvare le connessioni di endpoint privato alle risorse di Azure di destinazione, concedere questo ruolo all'identità gestita dell'area di lavoro di Azure Machine Learning.

** Di seguito è riportato l'elenco dei tipi di risorse di destinazione dell'endpoint privato coperti dal ruolo di Approvazione della connessione di rete dell'Enterprise di Azure AI:

• Gateway applicativo di Azure
• Monitoraggio di Azure
• Ricerca di intelligenza artificiale di Azure
• Hub eventi
• Database SQL di Microsoft Azure
• Archiviazione di Azure
• Area di lavoro di Azure Machine Learning
• Registro di Azure Machine Learning
• Azure AI Foundry
• Azure Key Vault (Archivio chiavi di Azure)
• Azure Cosmos DB, un servizio di database distribuito globale di Microsoft
• Database di Azure per MySQL
• Database di Azure per PostgreSQL
• Servizi di intelligenza artificiale di Azure
• Cache di Azure per Redis
• Registro dei Contenitori
• Gestione API

Per creare regole dell'endpoint privato per la comunicazione in uscita rivolte a tipi di risorse non coperte dal ruolo di approvazione della connessione di rete aziendale per Azure AI, è consigliabile un ruolo personalizzato con ambito limitato. La regola deve definire le azioni necessarie per approvare le connessioni all'endpoint privato nei tipi di risorse di destinazione. Esempi di questi tipi di risorse sono Azure Data Factory, Azure Databricks e App per le funzioni di Azure.

Per creare regole in uscita dell'endpoint privato per le risorse predefinite dell'area di lavoro, le autorizzazioni necessarie vengono coperte automaticamente dalle assegnazioni di ruolo concesse durante la creazione dell'area di lavoro, quindi non sono necessarie altre azioni.

Selezionare una versione di Firewall di Azure per consentire solo il traffico in uscita approvato

Un firewall di Azure viene distribuito se viene creata una regola in uscita FQDN in modalità Consenti solo il traffico in uscita approvato. Gli addebiti per il Firewall di Azure sono inclusi nella fatturazione. Per impostazione predefinita, viene creata una versione Standard di AzureFirewall. Facoltativamente, è possibile selezionare per usare una versione di base . È possibile modificare la versione del firewall usata in base alle esigenze. Per capire quale versione è migliore per te, visita Scegliere la versione Firewall di Azure corretta.

name: test-ws
resource_group: test-rg
location: eastus2 
managed_network:
  isolation_mode: allow_only_approved_outbound
  outbound_rules:
  - category: required
    destination: 'contoso.com'
    name: contosofqdn
    type: fqdn
  firewall_sku: basic
tags: {}

network = ManagedNetwork(isolation_mode=IsolationMode.ALLOW_INTERNET_OUTBOUND,
                         firewall_sku='basic')

Prezzi

La funzionalità di rete virtuale gestita di Azure Machine Learning è gratuita. Tuttavia, vengono addebitati i costi per le seguenti risorse usate dalla rete virtuale gestita:

• Collegamento privato di Azure: gli endpoint privati usati per proteggere le comunicazioni tra la rete virtuale gestita e le risorse di Azure si basano sul collegamento privato di Azure. Per altre informazioni sui prezzi, vedere Prezzi di Collegamento privato di Azure.

• Regole in uscita FQDN: le regole in uscita FQDN vengono implementate tramite Firewall di Azure. Se si usano regole FQDN in uscita, gli addebiti per Firewall di Azure vengono aggiunti alla fatturazione. Per impostazione predefinita, viene usata una versione standard di Firewall di Azure. Per informazioni sulla selezione della versione di base, vedere Selezionare una versione Firewall di Azure.

  Importante

  Il firewall non viene creato fino a quando non si aggiunge una regola FQDN in uscita. Per altre informazioni sui prezzi, vedere Prezzi di Firewall di Azure e visualizzare i prezzi per la versione standard.

Limiti

• Dopo aver abilitato l'isolamento della rete virtuale gestita dell'area di lavoro (consentire internet in uscita o consentire solo l'uscita approvata), non è possibile disabilitarlo.
• La rete virtuale gestita usa la connessione dell'endpoint privato per accedere alle risorse private. Non è possibile avere un endpoint privato e un endpoint di servizio contemporaneamente per le risorse di Azure, ad esempio un account di archiviazione. È consigliabile usare gli endpoint privati in tutti gli scenari.
• La rete virtuale gestita viene eliminata quando l'area di lavoro viene eliminata.
• Assicurarsi che non siano presenti blocchi di ambito per le risorse e il gruppo di risorse di Azure Machine Learning. Le operazioni interne correlate alla rete virtuale gestita potrebbero essere bloccate.
• La protezione dall'esfiltrazione di dati è abilitata automaticamente per l'unica modalità di uscita approvata. Se si aggiungono altre regole in uscita, come i nomi di dominio completamente qualificati, Microsoft non può garantire la protezione dall'esfiltrazione di dati verso tali destinazioni.
• La creazione di un cluster di elaborazione in un'area diversa da quella dell'area di lavoro non è supportata quando si usa una rete virtuale gestita.
• Kubernetes e macchine virtuali collegate non sono supportate in una rete virtuale gestita di Azure Machine Learning.
• L'uso delle regole in uscita FQDN aumenta il costo della rete virtuale gestita perché le regole FQDN usano Firewall di Azure. Per altre informazioni, vedere Prezzi.
• Le regole in uscita FQDN supportano solo le porte 80 e 443.
• Se l'istanza di calcolo si trova in una rete gestita ed è configurata per nessun indirizzo IP pubblico, usare il comando az ml compute connect-ssh per connettersi tramite SSH.
• Quando si usa la rete virtuale gestita, non è possibile distribuire risorse di calcolo all'interno della rete virtuale personalizzata. Le risorse di calcolo possono essere create solo all'interno della rete virtuale gestita.
• Se la rete gestita è configurata per consentire solo l'approvazione in uscita, non è possibile usare una regola FQDN per accedere agli account Archiviazione di Azure. È invece necessario usare un endpoint privato.
• Assicurarsi di aggiungere all'elenco elementi consentiti gli endpoint privati gestiti da Microsoft creati per la rete virtuale gestita nei criteri personalizzati.

Migrazione delle risorse di calcolo

Se si dispone di un'area di lavoro esistente e si vuole abilitare la rete virtuale gestita, non è attualmente disponibile alcun percorso di migrazione supportato per le risorse di calcolo gestite esistenti. È necessario eliminare tutte le risorse di calcolo gestite esistenti e ricrearle dopo aver abilitato la rete virtuale gestita. L'elenco seguente contiene le risorse di calcolo che devono essere eliminate e ricreate:

• Cluster di elaborazione
• Istanza di ambiente di calcolo
• Endpoint online gestiti

Passaggi successivi

• Risolvere i problemi relativi alla rete virtuale gestita
• Configurare i calcoli gestiti in una rete virtuale gestita