Защита исходящего доступа для рабочей среды в науке о данных

Защита исходящего доступа рабочей области помогает защитить данные, управляя исходящими подключениями из элементов в рабочей области к внешним ресурсам. Если эта функция включена, такие элементы науки о данных, как эксперименты машинного обучения и модели машинного обучения, можно создавать и использовать в рабочей области.

Ранее невозможно было создать эксперименты и модели машинного обучения в рабочих областях с включенной защитой исходящего доступа. С помощью этой предварительной версии эти типы элементов теперь поддерживаются в защищенных рабочих областях.

Общие сведения о защите исходящего доступа с помощью обработки и анализа данных

Эксперименты и модели машинного обучения в Microsoft Fabric не осуществляют исходящих сетевых подключений к внешним ресурсам самостоятельно. Из-за этого при включении защиты исходящего доступа не требуется никаких дополнительных проверок исходящего доступа.

Код записной книжки, создающий Машинное обучение эксперименты или модели, может получить доступ к внешним источникам данных. Исходящий доступ для записных книжек определяется конфигурацией защиты исходящего доступа для Data Engineering, которая управляет подключением записных книжек к ресурсам за пределами рабочей области.

Настройка защиты исходящего доступа для обработки и анализа данных

Чтобы настроить защиту исходящего доступа, выполните действия, описанные в разделе "Включить защиту исходящего доступа рабочей области". Для элементов обработки и анализа данных дополнительная конфигурация не требуется. После включения защиты исходящего доступа эксперименты и модели машинного обучения работают в рабочей области без дополнительной настройки.

Механизмы исключений, такие как управляемые частные конечные точки или правила подключения к данным, не применимы к элементам обработки и анализа данных, так как эти элементы не инициируют исходящие подключения к внешним ресурсам.

Поддерживаемые типы элементов обработки и анализа данных

Эти типы элементов обработки и анализа данных поддерживаются с защитой исходящего доступа:

• Эксперименты Машинное обучение
• модели машинного обучения

В следующих разделах объясняется, как защита исходящего доступа влияет на эти элементы в рабочей области.

Эксперименты Машинное обучение

С включенной защитой исходящего доступа вы можете создавать Машинное обучение эксперименты и управлять ими в защищенной рабочей области. Эксперименты отслеживают запуски, метрики и параметры из выполнения записной книжки. Ведение журнала экспериментов работает как в одной рабочей области, так и в разных рабочих областях с помощью ведения журнала между рабочими областями. Защита исходящего доступа не ограничивает эту функцию.

модели машинного обучения

С включенной защитой исходящего доступа вы можете создавать модели Машинное обучение и управлять ими в защищенной рабочей области. Модели хранят артефакты, относящиеся к обученной модели, и информацию о версиях. Создание модели и управление версиями работают как в одной рабочей области, так и в разных рабочих областях с помощью ведения журнала между рабочими областями. Защита исходящего доступа не ограничивает эту функцию.

Ведение журнала между рабочими областями с защитой исходящего доступа

ведение журнала Cross-workspace позволяет регистрировать эксперименты и модели MLflow из одной рабочей области Fabric в другую или из сред вне Fabric, таких как локальные компьютеры, Azure Databricks и Машинное обучение Azure. Это позволяет рабочим процессам MLOps, где вы обучаете в рабочей области разработки и развертываете в производственной рабочей области, или переносите существующие активы машинного обучения в Fabric с внешних платформ.

Если в рабочей области A включена защита исходящего доступа, для ведения журнала экспериментов и моделей машинного обучения в другую рабочую область B требуется управляемая частная конечная точка между рабочими областями из рабочей области A в рабочую область B. Сведения о настройке управляемой частной конечной точки между рабочими областями см. в статье "Разрешить исходящий доступ к другой рабочей области в клиенте".

В следующей таблице приведены сведения о конфигурации, необходимой для каждого сценария ведения журнала между рабочими областями при включении защиты исходящего доступа в рабочей области A.

Войдите в ту же рабочую область (рабочая область A в рабочую область A)

При входе в ту же рабочую область не требуется вручную задать MLFLOW_TRACKING_URI переменную среды. Она указывает на текущую рабочую область по умолчанию. Однако если вы явно задали MLFLOW_TRACKING_URI, необходимо использовать URL-адрес частной конечной точки, аналогичный сценариям между рабочими областями.

import os
from fabric.analytics.environment.context import FabricContext, InternalContext

context = FabricContext(workspace_id=current_workspace_id, internal_context=InternalContext(is_wspl_enabled=True))
print(context.pbi_shared_host)
# You need to set up and use this private endpoint if your current workspace has OAP enabled

os.environ["MLFLOW_TRACKING_URI"] = f"sds://{context.pbi_shared_host}/v1/workspaces/{current_workspace_id}/mlflow"

Рекомендации и ограничения

• Исходящий доступ для кода в записной книжке, создающего эксперименты или модели, регулируется конфигурацией Data Engineering outbound access protection. Убедитесь, что источники данных записной книжки настроены правильно, если в рабочей области включена защита исходящего доступа.
• Сведения о других ограничениях см. в обзоре защиты исходящего доступа к рабочей области.

Связанный контент

• Обзор защиты исходящего доступа рабочей области
• Настройка защиты исходящего доступа рабочей области
• Защита исходящего доступа рабочей области для рабочих нагрузок проектирования данных
• Управление моделями MLflow на разных рабочих областях и платформах
• Эксперимент машинного обучения
• Модель машинного обучения