Zabezpieczanie infrastruktury aplikacji AI

1. Wprowadzenie

Przegląd

W tym module dowiesz się, jak ograniczać typowe zagrożenia dla infrastruktury środowiska programistycznego AI. Wdrażasz opcje zabezpieczeń, które chronią podstawowe komponenty tego środowiska.

Kontekst

Jesteś liderem ds. bezpieczeństwa w zespole deweloperskim, a Twoim celem jest stworzenie środowiska, które łączy minimalne utrudnienia w użytkowaniu z ochroną przed typowymi zagrożeniami.

W tabeli poniżej znajdziesz listę zagrożeń, które najbardziej Cię niepokoją. Każde zagrożenie jest rozwiązywane przez konkretne zadanie w tym laboratorium:

Zagrożenie	Łagodzenie	Task Covered
Nieautoryzowany ruch przychodzący do sieci przez wykorzystane otwarte porty.	Utwórz prywatną sieć VPC i ogranicz dostęp do Vertex AI do jednego użytkownika, który korzysta z serwera proxy Google Cloud zamiast publicznego adresu IP.	Konfigurowanie bezpiecznej sieci podstawowej
Eskalacja uprawnień z przejętej instancji obliczeniowej przy użyciu poświadczeń z nadmiernymi uprawnieniami.	Utwórz konto usługi o jak najmniejszych uprawnieniach i przypisz je do instancji Vertex AI.	Wdrażanie bezpiecznej instancji Vertex AI Workbench
Przejęcie instancji zasobu obliczeniowego, co prowadzi do manipulacji systemem.	Zabezpiecz instancję, wyłączając dostęp do roota i włączając bezpieczny rozruch.	Wdrażanie bezpiecznej instancji Vertex AI Workbench
przypadkowe publiczne ujawnienie danych treningowych i modeli z powodu nieprawidłowej konfiguracji pamięci masowej;	Wymuś blokadę dostępu publicznego do zasobnika i używaj jednolitej kontroli dostępu na poziomie zasobnika.	Wdrażanie bezpiecznego zasobnika Cloud Storage
Złośliwe lub przypadkowe usunięcie lub zmiana zbiorów danych i artefaktów modelu.	Włącz obsługę wersji obiektów na potrzeby odzyskiwania danych oraz logi dostępu do danych, aby uzyskać niezmienny ślad kontrolny wszystkich działań.	Wdrażanie bezpiecznego zasobnika Cloud Storage

Krótkie omówienie

W tym module będziesz pracować z tymi zasobami:

Komponent	Nazwa
Nazwa sieci VPC	genai-secure-vpc
Nazwa podsieci	genai-subnet-us-central1
Cloud Router	genai-router-us-central1
Cloud NAT	genai-nat-us-central1
Konto usługi	vertex-workbench-sa
Instancja Vertex AI	secure-genai-instance
Zasobnik Cloud Storage	secure-genai-artifacts-[PROJECT_ID]

Czego się nauczysz

Z tego modułu dowiesz się, jak:

• Zapewnij bezpieczną sieć VPC z siecią prywatną, aby ograniczyć niechciany ruch.
• Zabezpieczanie instancji Vertex AI Workbench przed bootkitami i eskalacją uprawnień.
• Zabezpiecz zasobnik Cloud Storage, aby ograniczyć niekontrolowane przesyłanie danych i przypadkowe publiczne ujawnienie.

2. Konfigurowanie projektu

Konto Google

Jeśli nie masz jeszcze osobistego konta Google, musisz je utworzyć.

Używaj konta osobistego zamiast konta służbowego lub szkolnego.

Konta służbowe i szkolne mogą mieć ograniczenia, które uniemożliwiają włączenie interfejsów API potrzebnych do tego ćwiczenia.

Logowanie się w konsoli Google Cloud

Zaloguj się w konsoli Google Cloud, korzystając z osobistego konta Google.

Włącz płatności

Wykorzystaj 5 USD środków do wykorzystania w Google Cloud (opcjonalnie)

Aby przeprowadzić te warsztaty, musisz mieć konto rozliczeniowe z pewną ilością środków. Jeśli planujesz używać własnego konta rozliczeniowego, możesz pominąć ten krok.

1. Kliknij ten link i zaloguj się na osobiste konto Google. Zobaczysz coś takiego:
2. Kliknij przycisk KLIKNIJ TUTAJ, ABY UZYSKAĆ DOSTĘP DO ŚRODKÓW. Spowoduje to otwarcie strony, na której możesz skonfigurować profil płatności
3. Kliknij Potwierdź.

Twoje konto jest teraz połączone z próbnym kontem rozliczeniowym Google Cloud Platform.

Konfigurowanie osobistego konta rozliczeniowego

Jeśli skonfigurujesz płatności za pomocą środków w Google Cloud, możesz pominąć ten krok.

Aby skonfigurować osobiste konto rozliczeniowe, włącz płatności w konsoli Google Cloud.

Uwagi:

• Pod względem opłat za zasoby chmury ukończenie tego modułu powinno kosztować mniej niż 1 USD.
• Jeśli chcesz uniknąć dalszych opłat, wykonaj czynności opisane na końcu tego modułu, aby usunąć zasoby.
• Nowi użytkownicy mogą skorzystać z bezpłatnego okresu próbnego, w którym mają do dyspozycji środki w wysokości 300 USD.

Tworzenie projektu (opcjonalnie)

Jeśli nie masz bieżącego projektu, którego chcesz użyć w tym ćwiczeniu, utwórz nowy projekt.

3. Włączanie interfejsów API

Konfigurowanie Cloud Shell

Po utworzeniu projektu wykonaj te czynności, aby skonfigurować Cloud Shell.

Uruchamianie Cloud Shell

Otwórz stronę shell.cloud.google.com. Jeśli pojawi się wyskakujące okienko z prośbą o autoryzację, kliknij Autoryzuj.

Ustawianie identyfikatora projektu

Aby ustawić prawidłowy identyfikator projektu, wykonaj to polecenie w terminalu Cloud Shell. Zastąp <your-project-id> rzeczywistym identyfikatorem projektu skopiowanym w kroku tworzenia projektu powyżej.

gcloud config set project <your-project-id>

W terminalu Cloud Shell powinien być teraz wybrany prawidłowy projekt.

Włączanie Vertex AI Workbench i Cloud Storage

Aby korzystać z usług w tym module, musisz włączyć interfejsy API Compute Engine, Vertex AI Workbench, Uprawnienia i Cloud Storage w projekcie Google Cloud.

1. W terminalu włącz interfejsy API:

gcloud services enable compute.googleapis.com notebooks.googleapis.com aiplatform.googleapis.com iam.googleapis.com storage.googleapis.com

Możesz też włączyć te interfejsy API, otwierając ich strony w konsoli i klikając Włącz.

4. Konfigurowanie bezpiecznych podstaw sieci

W tym zadaniu utworzysz izolowane środowisko sieciowe dla wszystkich usług. Korzystając z sieci prywatnej i kontrolując przepływy danych, tworzysz wielowarstwową ochronę, która znacznie zmniejsza powierzchnię ataku infrastruktury w porównaniu z zasobami dostępnymi publicznie. Ta bezpieczna podstawa sieciowa ma kluczowe znaczenie dla ochrony aplikacji AI przed nieautoryzowanym dostępem.

Tworzenie sieci VPC i podsieci

W tym kroku skonfigurujesz prywatne środowisko wirtualne w chmurze (VPC) i podsieć. Tworzy to odizolowane środowisko sieciowe, które jest pierwszą linią obrony przed nieautoryzowanym ruchem przychodzącym do sieci.

1. W konsoli Google Cloud otwórz Sieć VPC > Sieci VPC. Na pasku wyszukiwania u góry konsoli Google Cloud wyszukaj „Sieci VPC” i kliknij ten element.
2. Kliknij Utwórz sieć VPC.
3. W polu Nazwa wpisz genai-secure-vpc.
4. W polu Tryb tworzenia podsieci wybierz Niestandardowy.
5. W sekcji Nowa podsieć określ te właściwości, aby utworzyć podsieć:

   Właściwość	Wartość (wpisz lub wybierz)
   Nazwa	genai-subnet-us-central1
   Region	us-central1
   Zakres adresów IP	10.0.1.0/24
   Prywatny dostęp do Google	Włączanie

   Dlaczego jest to bezpieczne: prywatny dostęp do Google umożliwia zasobom bez zewnętrznych adresów IP dostęp do interfejsów API Google (np. Cloud Storage) w prywatnej sieci Google, co pozwala uniknąć korzystania z publicznego internetu.

6. Kliknij Utwórz.

Tworzenie bramy Cloud NAT

Brama Cloud NAT umożliwia instancjom prywatnym inicjowanie połączeń wychodzących (np. w celu aktualizacji oprogramowania) bez publicznego adresu IP, co oznacza, że publiczny internet nie może inicjować połączeń z nimi.

1. Najpierw utwórz router Cloud Router. Na pasku wyszukiwania u góry konsoli Google Cloud wyszukaj „Cloud Router” i wybierz tę usługę.
2. Kliknij Utwórz router.
3. Skonfiguruj router Cloud Router w ten sposób:

   Właściwość	Wartość (wpisz lub wybierz)
   Nazwa	genai-router-us-central1
   Sieć	genai-secure-vpc (utworzona sieć VPC)
   Region	us-central1

4. Kliknij Utwórz.
5. Następnie otwórz Usługi sieciowe > Cloud NAT. W pasku wyszukiwania u góry konsoli Google Cloud wpisz „Cloud NAT” i wybierz tę usługę.
6. Kliknij Rozpocznij.
7. Skonfiguruj bramę Cloud NAT w ten sposób:

   Właściwość	Wartość (wpisz lub wybierz)
   Nazwa bramy	genai-nat-us-central1
   Sieć VPC	genai-secure-vpc (utworzona sieć VPC)
   Region	us-central1
   Cloud Router	genai-router-us-central1 (router, który właśnie skonfigurowano)

8. Kliknij Utwórz.

5. Wdrażanie bezpiecznej instancji Vertex AI Workbench

Teraz, gdy masz już bezpieczną infrastrukturę sieciową, możesz wdrożyć wzmocnioną instancję Vertex AI Workbench w bezpiecznej sieci VPC. Ta instancja Workbench służy jako środowisko programistyczne, zapewniając bezpieczną i odizolowaną przestrzeń do pracy nad rozwojem AI. Poprzednia konfiguracja sieci zapewnia, że ta instancja nie jest bezpośrednio udostępniana w publicznym internecie, co wzmacnia wielowarstwową ochronę.

Tworzenie konta usługi o jak najmniejszych uprawnieniach

Utworzenie dedykowanego konta usługi z najmniejszą liczbą niezbędnych uprawnień jest zgodne z zasadą jak najmniejszych uprawnień. Jeśli Twoja instancja zostanie kiedykolwiek naruszona, ta praktyka ogranicza „promień rażenia”, ponieważ instancja może uzyskiwać dostęp tylko do zasobów i wykonywać tylko działania, które są wyraźnie wymagane do jej działania.

1. W konsoli Google Cloud kliknij Uprawnienia i administracja > Konta usługi. Na pasku wyszukiwania u góry konsoli Google Cloud wyszukaj „Konta usługi” i wybierz tę opcję.
2. Kliknij Utwórz konto usługi.
3. W polu Nazwa konta usługi wpisz vertex-workbench-sa.
4. Kliknij Utwórz i kontynuuj.
5. Przyznaj te role:
   • Vertex AI User
   • Storage Object Creator
6. Kliknij Gotowe.

Tworzenie instancji stacji roboczej

W tym kroku wdrożysz instancję Vertex AI Workbench. Ta instancja jest skonfigurowana do działania w utworzonym wcześniej prywatnym środowisku VPC, co dodatkowo izoluje ją od internetu publicznego. Możesz też zastosować dodatkowe środki wzmacniające bezpieczeństwo bezpośrednio na instancji.

1. W menu nawigacyjnym konsoli Google Cloud (menu z 3 paskami) kliknij Vertex AI > Workbench. Na pasku wyszukiwania u góry konsoli Google Cloud wyszukaj „Workbench” i wybierz wynik z podtytułem „Vertex AI”.
2. Kliknij Utwórz nowe i skonfiguruj:

   Właściwość	Wartość (wpisz lub wybierz)
   Nazwa	secure-genai-instance
   Region	us-central1

3. Kliknij Opcje zaawansowane.
4. Kliknij Typ maszyny i zaznacz pola wyboru obok tych opcji:
   • Bezpieczny rozruch
   • Moduł wirtualnej platformy zaufanej (vTPM)
   • Monitorowanie integralności.
5. Kliknij Sieć i skonfiguruj te ustawienia:

   Właściwość	Wartość (wpisz lub wybierz)
   Sieć	genai-secure-vpc
   Podsieć	genai-subnet-us-central1 (10.0.1.0/24)
   Przypisz zewnętrzny adres IP	Odznacz, ponieważ dostęp do tej instancji uzyskujesz tylko za pomocą serwera proxy w Google Cloud.

6. Kliknij IAM i bezpieczeństwo i skonfiguruj te ustawienia:

   Właściwość	Wartość (wpisz lub wybierz)
   Adres e-mail użytkownika	Jeden użytkownik i wybierz adres e-mail, którego obecnie używasz do logowania się w Google Cloud.
   Użyj domyślnego konta usługi Compute Engine	Odznacz pole wyboru.
   E-mail konta usługi	Wpisz adres e-mail utworzony dla konta usługi o najmniejszych uprawnieniach (zastąp [PROJECT_ID] swoim identyfikatorem): vertex-workbench-sa@[PROJECT_ID].iam.gserviceaccount.com
   Dostęp do instancji na poziomie roota	Odznacz pole wyboru.

7. Kliknij Utwórz.

   Uwaga: ten krok zajmuje kilka minut, ponieważ obejmuje udostępnianie bazowych zasobów obliczeniowych. Zanim przejdziesz dalej, poczekaj, aż instancja zostanie w pełni udostępniona.

Dostęp do instancji Vertex AI

Instancja Vertex AI Workbench jest już dostępna tymczasowo, więc możesz uzyskać do niej bezpieczny dostęp. Łączysz się z nią za pomocą serwera proxy Google Cloud, dzięki czemu instancja pozostaje prywatna i nie jest udostępniana w publicznym internecie, co ogranicza ryzyko niechcianego i potencjalnie złośliwego ruchu.

1. Otwórz Vertex AI > Workbench. Jeśli instancja została właśnie udostępniona, możesz już być na tej stronie. Jeśli nie, możesz użyć menu nawigacyjnego konsoli Google Cloud (menu z ikoną hamburgera) lub paska wyszukiwania.
2. Znajdź na liście instancję o nazwie secure-genai-instance.
3. Po prawej stronie instancji kliknij link Otwórz JupyterLab.

Otworzy się nowa karta przeglądarki, na której uzyskasz dostęp do instancji. Masz do niej dostęp przez Google Cloud, ale instancja nie jest udostępniana w publicznym internecie, co ogranicza ryzyko niechcianego i potencjalnie złośliwego ruchu.

6. Wdrażanie bezpiecznego zasobnika Cloud Storage

Teraz utwórz bezpieczny zasobnik Cloud Storage na zbiory danych. W tym miejscu są przechowywane dane treningowe AI, modele i artefakty. Stosując w tym zasobniku silne konfiguracje zabezpieczeń, możesz zapobiec przypadkowemu ujawnieniu danych wrażliwych i chronić je przed złośliwym lub przypadkowym usunięciem i manipulacją. Zapewnia to integralność i poufność Twoich cennych zasobów AI.

Tworzenie i konfigurowanie zasobnika

W tym kroku utworzysz zasobnik Cloud Storage i zastosujesz początkowe ustawienia zabezpieczeń. Te ustawienia wymuszają blokowanie dostępu publicznego i włączają jednolitą kontrolę dostępu na poziomie zasobnika, co jest kluczowe dla utrzymania kontroli nad tym, kto może uzyskać dostęp do Twoich danych.

1. W konsoli Google Cloud otwórz Cloud Storage > Zasobniki. Na pasku wyszukiwania u góry konsoli Google Cloud wyszukaj „Zasobniki” i wybierz tę opcję.
2. Kliknij Utwórz.
3. W sekcji Rozpocznij ustaw Nazwę na całkowicie losową i niepowtarzalną nazwę.
4. Przejdź do sekcji Wybierz, gdzie chcesz zapisywać dane i skonfiguruj te ustawienia:

   Właściwość	Wartość (wpisz lub wybierz)
   Typ lokalizacji	Region
   Region	us-central1

5. Kliknij Wybierz sposób przechowywania danych i zachowaj ustawienia domyślne.
6. Przejdź do sekcji Wybierz sposób kontrolowania dostępu do obiektów i pozostaw domyślne ustawienia:

   Właściwość	Wartość (wpisz lub wybierz)	Przyczyna
   Zablokuj dostęp publiczny	Pozostaw zaznaczoną opcję Wymuś blokadę dostępu publicznego.	Blokada dostępu publicznego zastępuje wszelkie zmiany w IAM, które mogłyby nieumyślnie udostępnić obiekt w internecie.
   Kontrola dostępu	Pozostaw wybraną opcję Jednolita.	Chociaż listy kontroli dostępu (ACL) wydają się lepszym rozwiązaniem w przypadku szczegółowej kontroli dostępu, a tym samym zasady jak najmniejszych uprawnień, w połączeniu z innymi funkcjami Uprawnień wprowadzają złożoność i nieprzewidywalność. Rozważ wady i zalety jednolitego dostępu na poziomie zasobnika, aby zapobiec niezamierzonemu ujawnieniu danych.

7. Przejdź do sekcji Wybierz sposób ochrony danych obiektu i zachowaj ustawienia domyślne:

   Właściwość	Wartość (wpisz lub wybierz)	Przyczyna
   Zasady przenoszenia do kosza (na potrzeby odzyskiwania danych)	Wybierz Zasady przenoszenia do kosza (na potrzeby odzyskiwania danych).	W przypadku przypadkowego lub złośliwego usunięcia danych z zasobnika przenoszenie do kosza umożliwia przywrócenie treści w okresie przechowywania.
   Obsługa wersji obiektów (na potrzeby kontroli wersji)	Kliknij Obsługa wersji obiektów (na potrzeby kontroli wersji).	Obsługa wersji obiektów umożliwia przywracanie danych po przypadkowym lub złośliwym zastąpieniu, np. gdy osoba przeprowadzająca atak zastąpi nieszkodliwy plik plikiem zawierającym kod exploita.
   Maksymalna liczba wersji na obiekt	3	Chociaż jest to arbitralne i może zwiększyć koszt, musi być większe niż 1, aby można było wycofać zmiany do poprzedniej wersji. Jeśli osoba przeprowadzająca atak może próbować wielokrotnie nadpisywać dane, konieczna może być bardziej niezawodna strategia tworzenia kopii zapasowych z obsługą wersji.
   Nieaktualne wersje wygasną po upływie	7	Zalecany czas przechowywania starszych wersji to 7 dni, ale w przypadku długoterminowego przechowywania może być dłuższy.

   Uwaga: inne opcje ochrony i szyfrowania danych, takie jak przechowywanie i zarządzanie kluczami niestandardowymi, mogą być istotne w przypadku zastosowań związanych z zgodnością z przepisami. Dowiedz się więcej o każdej z nich, aby rozważyć, kiedy warto je wziąć pod uwagę. Jeśli chodzi o bezpieczeństwo, obecne ustawienia są wystarczające.

8. Kliknij Utwórz.
9. Jeśli pojawi się wyskakujące okienko z informacją „Dostęp publiczny zostanie zablokowany”, pozostaw zaznaczone domyślne pole wyboru („Wyegzekwuj blokadę dostępu publicznego do tego zasobnika”) i kliknij Potwierdź.

Włącz ochronę danych i logowanie

Aby zapewnić niezmienność i możliwość audytu danych, włącz wersjonowanie obiektów i skonfiguruj logi dostępu do danych w przypadku zasobnika. Obsługa wersji obiektów umożliwia przywracanie danych po przypadkowym usunięciu lub nadpisaniu, a dzienniki dostępu do danych zapewniają kompleksową ścieżkę audytu wszystkich działań w zasobniku, co jest niezbędne do monitorowania zabezpieczeń i zapewnienia zgodności.

1. W konsoli Google Cloud kliknij Uprawnienia i administracja > Logi kontrolne. Na pasku wyszukiwania u góry konsoli Google Cloud wyszukaj „Logi kontrolne” i wybierz tę opcję.
2. Użyj wyszukiwania filtra, aby znaleźć i wybrać Google Cloud Storage.
3. W panelu, który się pojawi, zaznacz pola Odczyt danych i Zapis danych.
4. Kliknij Zapisz.

7. Od laboratorium do rzeczywistości

Właśnie wykonano serię czynności w tymczasowym środowisku modułu, ale zasady i konfiguracje, które zostały zastosowane, są planem zabezpieczenia rzeczywistych projektów AI w Google Cloud. Dowiedz się, jak wykorzystać zdobytą wiedzę w pracy, przechodząc od prostego laboratorium do konfiguracji gotowej do wykorzystania w środowisku produkcyjnym.

Zasoby, które właśnie zostały utworzone – prywatna sieć VPC, wzmocniona instancja Workbench i bezpieczny zasobnik – to bezpieczny szablon początkowy dla każdego nowego projektu AI. Twoim celem jest uczynienie tej bezpiecznej podstawy domyślną i łatwą ścieżką dla siebie i swojego zespołu.

Bezpieczna sieć: Twój prywatny obszar roboczy

Jak użyć tego w konfiguracji

Za każdym razem, gdy rozpoczynasz nowy projekt AI (np. „customer-churn-prediction”, „image-classification-model”), musisz powtórzyć tę konfigurację sieci. Utworzysz dedykowane środowisko VPC (churn-pred-vpc) lub użyjesz udostępnionej, wstępnie zatwierdzonej sieci. Stanie się to odizolowanym „sandboxem” projektu. Środowisko programistyczne, takie jak skonfigurowana przez Ciebie platforma Vertex AI Workbench, znajduje się w tej chronionej przestrzeni. Połączysz się z nią za pomocą bezpiecznego serwera proxy (Otwórz JupyterLab), nigdy nie udostępniając jej w publicznym internecie.

Łączenie z wersją produkcyjną

W środowisku produkcyjnym możesz rozwinąć tę koncepcję, biorąc pod uwagę:

• Infrastruktura jako kod (IaC): zamiast korzystać z konsoli Google Cloud, możesz zdefiniować tę sieć za pomocą narzędzi takich jak Terraform lub Cloud Deployment Manager. Dzięki temu możesz w ciągu kilku minut wdrożyć bezpieczną infrastrukturę sieciową dla nowego projektu, zapewniając powtarzalność i możliwość audytu.
• Współdzielone środowisko VPC: w większych organizacjach centralny zespół ds. sieci często zarządza współdzielonym środowiskiem VPC. Jako deweloper otrzymasz uprawnienia do uruchamiania instancji i usług w określonych podsieciach w tej centralnie zarządzanej bezpiecznej sieci. Zasada jest taka sama – nadal działasz w przestrzeni prywatnej, ale jest ona częścią większej, współdzielonej infrastruktury.
• Kontrola usług VPC: Aby zapewnić maksymalne bezpieczeństwo, możesz otoczyć całe środowisko obwodem Kontroli usług VPC. Jest to zaawansowana funkcja, która zapobiega wydobyciu danych, ponieważ zapewnia, że do usług takich jak Cloud Storage mogą uzyskiwać dostęp tylko autoryzowane zasoby w obrębie granicy sieci prywatnej.

Wzmocniona platforma obliczeniowa: bezpieczne centrum rozwoju i szkolenia

Jak użyć tego w konfiguracji

secure-genai-instance to Twój codzienny komputer używany do programowania AI. W interfejsie JupyterLab możesz:

• Pisz i testuj kod modelu w notatnikach.
• Zainstaluj biblioteki Pythona (pip install ...).
• Eksperymentuj z małymi i średnimi zbiorami danych. Skonfigurowane przez Ciebie zabezpieczenia (brak publicznego adresu IP, konto usługi z najmniejszymi uprawnieniami, brak dostępu do roota, bezpieczny rozruch) działają w tle w sposób niewidoczny dla użytkownika. Możesz skupić się na pracy związanej ze sztuczną inteligencją, wiedząc, że instancja jest zabezpieczona przed typowymi atakami.

Łączenie z wersją produkcyjną

Zazwyczaj nie przeprowadzasz trenowania na dużą skalę w pojedynczej instancji Workbench w środowisku produkcyjnym. Zamiast tego możesz wdrożyć swoje działania w następujący sposób:

• Od notatnika do potoku: kod z notatnika należy sformalizować w skrypcie. Ten skrypt zostanie następnie uruchomiony jako zadanie trenowania niestandardowego Vertex AI lub jako krok w potoku Vertex AI.
• Konteneryzacja: spakujesz kod trenowania i jego zależności do kontenera Dockera i przechowasz go w Artifact Registry. Dzięki temu kod jest za każdym razem uruchamiany w spójnym i przewidywalnym środowisku.
• Konto usługi jest kluczowe: utworzone przez Ciebie vertex-workbench-sa konto usługi jest kluczowe. W środowisku produkcyjnym zautomatyzowane zadania Vertex AI Training będą uruchamiane przy użyciu tego samego (lub podobnego) konta usługi o jak najmniejszych uprawnieniach, co zapewni, że zautomatyzowane zadanie będzie miało tylko niezbędne uprawnienia.

Bezpieczne miejsce na dane: centralne repozytorium artefaktów

Jak użyć tego w konfiguracji

Kontener secure-genai-artifacts jest jedynym źródłem danych projektu. Nie dotyczy to tylko początkowego zbioru danych. Możesz go używać do przechowywania:

• nieprzetworzone i wstępnie przetworzone dane treningowe,
• punkty kontrolne modelu podczas długich procesów trenowania;
• Końcowe artefakty wytrenowanego modelu (pliki .pkl, .pb lub .h5).
• wyniki i dzienniki oceny; Zastosowane ustawienia zabezpieczeń (blokowanie dostępu publicznego, jednolita kontrola dostępu na poziomie zasobnika, obsługa wersji i log kontrolny) oznaczają, że możesz bezpiecznie używać tego zasobnika jako centralnego magazynu chronionego przed wyciekami i przypadkowym usunięciem.

Łączenie z wersją produkcyjną

Aby zarządzać zasadami w środowisku produkcyjnym, warto też rozważyć:

• Zasady cyklu życia: aby zarządzać kosztami, możesz skonfigurować zasady cyklu życia, które będą automatycznie przenosić starsze wersje modeli lub zbiory danych do tańszych klas pamięci (takich jak Nearline lub Coldline) albo usuwać je po określonym czasie.
• Uprawnienia między projektami w chmurze: w potoku produkcyjnym zespół inżynierów danych może wypełniać ten zasobnik z innego projektu w chmurze Google. Włączony przez Ciebie jednolity dostęp na poziomie zasobnika upraszcza i zabezpiecza zarządzanie tymi uprawnieniami IAM w różnych projektach bez skomplikowanych (a tym samym łatwych do nieprawidłowego skonfigurowania) list kontroli dostępu.

Szersza perspektywa: domyślne ustawienia zabezpieczeń

Przyjmując ten model, zmieniasz swój stan zabezpieczeń z czegoś, o czym myślisz na końcu, na fundament. Nie jesteś już tylko programistą, ale także ekspertem ds. bezpieczeństwa w swoim zespole. Gdy do zespołu dołączy nowy członek, nie musisz udostępniać mu niezabezpieczonej maszyny publicznej. Zapewniasz im dostęp do bezpiecznego, wstępnie skonfigurowanego środowiska, w którym bezpieczny sposób pracy jest jednocześnie najłatwiejszy. Takie podejście bezpośrednio zmniejsza ryzyko biznesowe, ponieważ zapobiega typowym przyczynom naruszeń bezpieczeństwa danych i kompromitacji systemów. Dzięki temu Twój zespół może z pewnością wprowadzać innowacje i tworzyć zaawansowane aplikacje AI.

8. Gratulacje!

Gratulacje! Udało Ci się zbudować i sprawdzić wielowarstwową, bezpieczną infrastrukturę środowiska programistycznego AI. Utworzono bezpieczny obwód sieciowy z zaporą sieciową w trybie „domyślne odrzucanie”, wdrożono wzmocnioną instancję obliczeniową, zabezpieczono zasobnik danych i użyto logów, aby sprawdzić, czy mechanizmy kontroli działają zgodnie z przeznaczeniem.

Podsumowanie

W tym laboratorium wykonano następujące czynności:

• Zapewniliśmy bezpieczną sieć VPC z siecią prywatną, aby ograniczyć niechciany ruch.
• Wdrożono wzmocnioną instancję Vertex AI Workbench, która chroni przed bootkitami i eskalacją uprawnień.
• Zabezpieczono zasobnik Cloud Storage, aby ograniczyć niekontrolowane przesyłanie danych i przypadkowe ujawnienie ich publicznie.
• Wdrożono konta usługi o minimalnych uprawnieniach, aby ograniczyć potencjalne następstwa.
• Włączono obsługę wersji obiektów i logi dostępu do danych, aby zapewnić ochronę danych i niezmienny ślad kontrolny.