Biztonságos környezet Azure Machine Learning betanítása virtuális hálózatokkal

Ebből a cikkből megtudhatja, hogyan biztosíthatja a betanító környezetek biztonságossá Azure Machine Learning.

Tipp

Ez a cikk a munkafolyamatok biztonságossá tétele Azure Machine Learning része. Tekintse meg a sorozat további cikkeit:

A biztonságos munkaterületek, számítási fürtök és számítási példányok létrehozásával oktatóanyagért lásd: Oktatóanyag: Biztonságos munkaterület létrehozása.

Ebből a cikkből megtudhatja, hogyan biztosíthatja a következő betanításos számítási erőforrásokat egy virtuális hálózatban:

  • Azure Machine Learning számítási fürt létrehozása
  • Azure Machine Learning számítási példány
  • Azure Databricks
  • Virtuális gép
  • HDInsight-fürt

Előfeltételek

  • A gyakori virtuális hálózati forgatókönyvekkel és a teljes virtuális hálózati architektúrával kapcsolatos további információért olvassa el a Hálózati biztonság áttekintése cikket.

  • Egy meglévő virtuális hálózat és alhálózat, amely a számítási erőforrásokkal használható.

  • Az erőforrások virtuális hálózatban vagy alhálózatban való üzembe helyezéséhez a felhasználói fióknak engedélyekkel kell rendelkeznie a következő műveletekhez az Azure szerepköralapú hozzáférés-vezérlésében (Azure RBAC):

    • "Microsoft.Network/virtualNetworks/*/read" a virtuális hálózati erőforráson. Erre az ARM Azure Resource Manager sablonok üzembe helyezéséhez nincs szükség
    • "Microsoft.Network/virtualNetworks/subnet/join/action" az alhálózati erőforráson.

    További információ a hálózattal rendelkező Azure RBAC-ről: Hálózat beépített szerepkörök

Azure Machine Learning fürt/példány létrehozása

  • A virtuális hálózatnak ugyanabban az előfizetésben kell lennie, mint a Azure Machine Learning munkaterületnek.

  • A számítási példányhoz vagy fürthöz használt alhálózatnak elegendő hozzárendeletlen IP-címmel kell lennie.

    • A számítási fürtök dinamikusan skálázhatóak. Ha nincs elég hozzárendeletlen IP-cím, a fürt részlegesen ki lesz osztva.
    • A számítási példánynak csak egy IP-címre van szüksége.
  • Nyilvános IP-cím (előzetes verziójú funkció) nélküli számítási példány létrehozásához a munkaterületnek privát végpontot kell használnia a virtuális hálózathoz való csatlakozáshoz. További információ: Privát végpont konfigurálása Azure Machine Learning munkaterülethez.

  • Ellenőrizze, hogy nincsenek a virtuális hálózat kezelésére vonatkozó engedélyeket korlátozó biztonsági szabályzatok vagy zárolások. A szabályzatok és zárolások keresésekor vizsgálja meg az előfizetést és a virtuális hálózat erőforráscsoportját is.

  • Ellenőrizze, hogy a virtuális hálózat előfizetésén vagy erőforráscsoportján érvényben lévő biztonsági szabályzatok vagy zárolások korlátozzák-e a virtuális hálózat kezelésére vonatkozó engedélyeket.

  • Ha a forgalom korlátozásának segítségével tervezi biztonságossá tenni a virtuális hálózatot, tekintse meg a Szükséges nyilvános internet-hozzáférés szakaszt.

  • A számítási fürt/példány üzembe helyezéséhez használt alhálózatot nem szabad más szolgáltatásnak delegálni. Például nem delegálható az ACI-hoz.

Azure Databricks

  • A virtuális hálózatnak ugyanabban az előfizetésben és régióban kell lennie, mint a Azure Machine Learning munkaterületnek.
  • Ha a munkaterülethez Storage Azure-beli Storage fiókja(k) is egy virtuális hálózatban vannak biztosítva, akkor ugyanazon a virtuális hálózaton kell lennie, mint a Azure Databricks fürtnek.

Korlátozások

Azure Machine Learning fürt/példány létrehozása

  • Ha több számítási példányt vagy fürtöt tesz egy virtuális hálózatba, előfordulhat, hogy kvótaemelést kell kérnie egy vagy több erőforrásra vonatkozóan. A Machine Learning számítási példány vagy fürt automatikusan további hálózati erőforrásokat foglal le a virtuális hálózatot tartalmazó erőforráscsoportban. A szolgáltatás minden számítási példányhoz vagy fürthöz a következő erőforrásokat osztja ki:

    • Egy hálózati biztonsági csoport (NSG). Ez az NSG a következő szabályokat tartalmazza, amelyek a számítási fürtre és a számítási példányra vonatkoznak:

      • Engedélyezze a bejövő TCP-forgalmat a szolgáltatáscímke 29876-29877-es BatchNodeManagement portja esetében.
      • Engedélyezze a bejövő TCP-forgalmat a szolgáltatáscímke 44224-es AzureMachineLearning porton.

      Az alábbi képernyőképen egy példa látható ezekre a szabályokra:

      Az NSG képernyőképe

      Tipp

      Ha a számítási példány nem használ nyilvános IP-címet (előzetes verziójú funkciót), akkor ezekre a bejövő NSG-szabályokra nincs szükség. Ha számítási fürtöt is használ, a fürtnek továbbra is szüksége lesz ezekre a szabályokra.

    • Számítási fürtök esetén egy nyilvános IP-cím. Ha olyan hozzárendelésekkel Azure Policy, amelyek tiltják a nyilvános IP-címek létrehozását, a számítás üzembe helyezése sikertelen lesz.

    • Számítási példányok számára mostantól eltávolítható a nyilvános IP-cím (előzetes verziójú funkció). Ha olyan hozzárendeléseket Azure Policy, amelyek tiltják a nyilvános IP-címek létrehozását, a számítási példány üzembe helyezése sikeres lesz.

    • Egy terheléselosztási

    Számítási fürtök esetén ezek az erőforrások minden alkalommal törlődnek, amikor a fürt 0 csomópontra skáláz le, és a felskáláskor jön létre.

    Számítási példányok számára ezeket az erőforrásokat a rendszer a példány törlésig megtartja. A példány leállítása nem távolítja el az erőforrásokat.

    Fontos

    Ezekre az erőforrásokra az előfizetésben meghatározott erőforráskvóták vonatkoznak. Ha a virtuális hálózat erőforráscsoportja zárolva van, a számítási fürt/példány törlése sikertelen lesz. A terheléselosztás csak a számítási fürt/példány törlése után törölhető. Győződjön meg arról is, hogy nincs Azure Policy, amely tiltja a hálózati biztonsági csoportok létrehozását.

  • Ha a munkaterület Azure Storage-fiókjai szintén a virtuális hálózatban vannak, használja az alhálózatok korlátozására vonatkozó alábbi útmutatást:

    • Ha a Azure Machine Learning studio használatával szeretné vizualizálni az adatokat, vagy tervezőt használni, a tárfióknak ugyanabban az alhálózatban kell lennie, mint a számítási példány vagy fürt.
    • Ha az SDK-t tervezi használni, a tárfiók másik alhálózatban is lehet.

    Megjegyzés

    Az "Allow trusted Microsoft-szolgáltatások to access this account" (Megbízható felhasználók hozzáférhetnek ehhez a fiókhoz) jelölőnégyzet be jelölése nem elegendő a számításból származó kommunikációhoz.

  • Ha a munkaterület privát végpontot használ, a számítási példány csak a virtuális hálózaton belülről érhető el. Ha egyéni DNS-t vagy gazdagépfájlt használ, adjon hozzá egy bejegyzést a következő számára: <instance-name>.<region>.instances.azureml.ms . Ezt a bejegyzést a munkaterület privát végpontjának magánhálózati IP-címére kell leképezni. További információt az egyéni DNS-ről készült cikkben talál.

  • A virtuális hálózati szolgáltatásvégpont-szabályzatok nem működnek a számítási fürtök/példányok rendszertárfiókjai esetében.

  • Ha a tárolási és számítási példány különböző régiókban található, időszakos időtúllépéseket láthat.

  • Ha a Azure Container Registry-kiszolgáló privát végpontot használ a virtuális hálózathoz való csatlakozáshoz, nem használhat felügyelt identitást a számítási példányhoz. Ha felügyelt identitást használ a számítási példányhoz, használjon egy szolgáltatásvégpontot Azure Container Registry munkaterülethez.

  • Ha Jupyter Notebookokat szeretne használni egy számítási példányon:

    • Ne tiltsa le a websocket-kommunikációt. Győződjön meg arról, hogy a hálózat engedélyezi a websocket-kommunikációt a és *.instances.azureml.net a *.instances.azureml.ms számára.
    • Győződjön meg arról, hogy a jegyzetfüzet az adatokkal azonos virtuális hálózat és alhálózat mögötti számítási erőforráson fut. A számítási példány létrehozásakor használja a Virtuális hálózat konfigurálása speciális beállításokat a hálózat és az > alhálózat kiválasztásához.
  • A számítási fürtök a munkaterülettől eltérő régióban is létre lehetnek hozva. Ez a funkció előzetes verzióban érhető el, és csak számítási fürtökhöz érhető el, számítási példányokhoz nem. Ha másik régiót használ a fürthöz, az alábbi korlátozások érvényesek:

    • Ha a munkaterülethez társított erőforrások, például a tárolás, a fürttől eltérő virtuális hálózaton vannak, állítson be globális virtuális hálózatok közötti társviszonyt a hálózatok között. További információ: Virtuális hálózatok közötti társviszony létesítés.
    • Megnövekedett hálózati késést és adatátviteli költségeket láthat. A késés és a költségek a fürt létrehozásakor és a feladatok futtatásakor fordulhatnak elő.

    Az olyan útmutatók, mint az NSG-szabályok, a felhasználó által megadott útvonalak és a bemeneti/kimeneti követelmények, a munkaterülettől eltérő régió használata esetén a szokásos módon érvényesek.

    Figyelmeztetés

    Ha privát végponttal kompatibilis munkaterületet használ, a fürt más régióban való létrehozása nem támogatott.

Azure Databricks

  • A Azure Databricks által használt databricks-private és databricks-public alhálózatok mellett a virtuális hálózathoz létrehozott alapértelmezett alhálózatra is szükség van.
  • Azure Databricks nem privát végpontot használ a virtuális hálózattal való kommunikációhoz.

További információ a virtuális Azure Databricks való használatával kapcsolatban: Deploy Azure Databricks in your Azure Virtual Network.

Azure HDInsight vagy virtuális gép

  • Azure Machine Learning csak az Ubuntut futtató virtuális gépeket támogatja.

Szükséges nyilvános internet-hozzáférés

Azure Machine Learning a nyilvános internethez való bejövő és kimenő hozzáférésre is szükség van. Az alábbi táblázatok áttekintést nyújtanak arról, hogy milyen hozzáférésre van szükség, és mire valók. Az összes elem protokollja a TCP. A végződéses .region szolgáltatáscímkékben cserélje le a region helyére a munkaterületet tartalmazó Azure-régiót. Például: Storage.westus

Irány Portok Szolgáltatáscímke Cél
Bejövő 29876-29877 BatchNodeManagement Hozzon létre, frissítsen és töröljön Azure Machine Learning számítási példányt és számítási fürtöt.
Bejövő 44224 AzureMachineLearning Számítási példány létrehozása, frissítése és Azure Machine Learning törlése.
Kimenő * AzureActiveDirectory Hitelesítés az Azure AD használatával.
Kimenő 443 AzureMachineLearning A Azure Machine Learning használata.
Kimenő 443 AzureResourceManager Azure-erőforrások létrehozása Azure Machine Learning.
Kimenő 443 Storage.region Az Azure-fiókban tárolt Storage a Azure Batch szolgáltatáshoz.
Kimenő 443 AzureFrontDoor.FrontEnd
* Nem szükséges az Azure China-ban.
Globális belépési pont a Azure Machine Learning Studióhoz.
Kimenő 443 ContainerRegistry.region Hozzáférés a Microsoft által biztosított Docker-rendszerképekhez.
Kimenő 443 MicrosoftContainerRegistry.region Hozzáférés a Microsoft által biztosított Docker-rendszerképekhez. A Azure Machine Learning útválasztó beállítása a Azure Kubernetes Service.
Kimenő 443 Keyvault.region Hozzáférés a kulcstartóhoz a Azure Batch szolgáltatáshoz. Csak akkor szükséges, ha a munkaterület úgy lett létrehozva, hogy a hbi_workspace jelző engedélyezve van.

Tipp

Ha szolgáltatáscímkék helyett IP-címekre van szüksége, használja az alábbi lehetőségek egyikét:

Az IP-címek rendszeres időközönként változhatnak.

Előfordulhat, hogy engedélyeznie kell a kimenő forgalmat a Visual Studio Code-hoz és a nem Microsoft-webhelyekhez a gépi tanulási projekthez szükséges csomagok telepítéséhez. Az alábbi táblázat a gépi tanuláshoz gyakran használt adattárakat sorolja fel:

Állomásnév Cél
anaconda.com
*.anaconda.com
Alapértelmezett csomagok telepítéséhez használható.
*.anaconda.org Adattáraadatok lekérte.
pypi.org Az alapértelmezett index függőségeinek listához használható , ha van ilyen, és az indexet nem írják felül a felhasználói beállítások. Ha az index felül van írva, engedélyeznie kell a * .pythonhosted.org.
cloud.r-project.org CRAN-csomagok R-fejlesztéshez való telepítésekor használatos.
*pytorch.org Néhány PyTorch-alapú példa használja.
*.tensorflow.org Néhány Tensorflow-alapú példa használja.
update.code.visualstudio.com

*.vo.msecnd.net
A számítási példányra telepítési szkripten keresztül telepített VS Code-kiszolgáló bitek lekérésére szolgál.
raw.githubusercontent.com/microsoft/vscode-tools-for-ai/master/azureml_remote_websocket_server/* A számítási példányra telepített websocket-kiszolgáló bitek lekérésére szolgál. A websocket-kiszolgáló a Visual Studio Code-ügyféltől (asztali alkalmazás) kérések továbbítására szolgál a számítási példányon futó Visual Studio Code-kiszolgálóra.

Ha a Azure Kubernetes Service (AKS) -t Azure Machine Learning, engedélyezze a következő forgalmat az AKS virtuális hálózatra:

  • Az AKS bejövő/kimenő forgalmának általános követelményei a Kimenő forgalom korlátozása a Azure Kubernetes Service cikkben leírtak szerint.
  • Kimenő forgalom mcr.microsoft.com.
  • Amikor AKS-fürtön helyez üzembe egy modellt, használja az ML üzembe helyezése a Azure Kubernetes Service telepítéséhez.

További információ a tűzfalmegoldások használatával kapcsolatban: Tűzfal használata a Azure Machine Learning.

Számítási fürtök

Az alábbi lapokon kiválaszthatja, hogyan szeretné létrehozni a számítási fürtöt:

Számítási fürt létrehozásához kövesse az alábbi lépéseket a Azure Machine Learning Studióban:

  1. Jelentkezzen be a Azure Machine Learning Studióba,majd válassza ki előfizetését és munkaterületét.

  2. Válassza a számítás lehetőséget a bal oldalon, a Számítási fürtök központban, majd az + Új lehetőséget.

    Fürt létrehozásának képernyőképe

  3. A Számítási fürt létrehozása párbeszédpanelen válassza ki a kívánt virtuálisgép-méretet és -konfigurációt, majd válassza a Tovább lehetőséget.

    Képernyőkép a virtuális gép konfigurációja beállításról

  4. A Configure Gépház (Erőforráscsoport konfigurálása) szakaszban adja meg a Compute name(Számítás neve) , a Virtual network (Virtuális hálózat) és a Subnet (Alhálózat) beállításokat.

    Képernyőkép a számítási név, a virtuális hálózat és az alhálózat beállításról.

    Tipp

    Ha a munkaterület privát végpontot használ a virtuális hálózathoz való csatlakozáshoz, a Virtuális hálózat kiválasztása mező ki van szürkén.

  5. A számítási fürt létrehozásához válassza a Létrehozás lehetőséget.

A létrehozási folyamat befejezése után betanítja a modellt a fürt használatával egy kísérletben. További információ: Számítási cél kiválasztása és használata betanításra.

Megjegyzés

Dönthet úgy, hogy alacsony prioritású virtuális gépeket használ néhány vagy az összes számítási feladat futtatásához. Tekintse meg, hogyan hozhat létre alacsony prioritású virtuális gépet.

Számítási példány

A virtuális hálózatban üzembe helyezett számítási példányok létrehozásáról a virtuális hálózaton üzembe helyezett számítási példányok létrehozásáról és kezelésével Azure Machine Learning meg.

Nincs nyilvános IP-cím a számítási példányokhoz (előzetes verzió)

Ha engedélyezi a Nincs nyilvános IP-címet, a számítási példány nem használ nyilvános IP-címet a függőségekkel való kommunikációhoz. Ehelyett kizárólag a virtuális hálózaton belül kommunikál az Azure Private Link ökoszisztémájának, valamint a szolgáltatás-/privát végpontok használatával, így nincs szükség teljes mértékben nyilvános IP-címekre. Egyetlen nyilvános IP-cím sem távolítja el a számítási példány csomópontjának az internetről való hozzáférését és felderíthetőségét, így jelentős fenyegetési vektort távolít el. A számítási példányok csomagszűrésen is átesnek, hogy elutasítsa a virtuális hálózaton kívülről származó forgalmat. Egyetlen nyilvános IP-példány sem függ a Azure Private Link ip Azure Machine Learning példánytól.

Ahhoz, hogy a kimenő kapcsolatok működjön, be kell állítania egy kimenő tűzfalat, például az Azure Firewallt a felhasználó által megadott útvonalakkal. Használhat például egy számlázással/kimenő konfigurációval beállított tűzfalat, és irányíthatja a forgalmat, ha meghatároz egy útválasztási táblázatot az alhálózaton, amelyben a számítási példány üzembe van állítva. Az útvonaltábla bejegyzése beállíthatja a tűzfal magánhálózati IP-címének következő ugrását a 0.0.0.0/0 címelőtaggal.

A Nem engedélyezett nyilvános IP-címmel rendelkező számítási példányok nem vonatkoznak a nyilvános internetről bejövő kommunikációs követelményekre a nyilvános IP-cím számítási példányok követelményeihez képest. Pontosabban, nincs szükség bejövő NSG-szabályra ( BatchNodeManagement , AzureMachineLearning ).

A Nyilvános IP-cím nélküli számítási példányok esetén le kell tiltani a privát végpont hálózati házirendeket és a privát kapcsolati szolgáltatás hálózati szabályzatát. Kövesse a Hálózati szabályzatok letiltása a Private Link szolgáltatásforrás IP-címére vonatkozó utasításokat a és a paraméterek beállításához a disable-private-endpoint-network-policies virtuális hálózat disable-private-link-service-network-policies alhálózatán.

Nyilvános IP-cím nélküli számítási példány (előzetes verziójú funkció) létrehozásához a Studióban állítsa a Nincs nyilvános IP-cím jelölőnégyzetet a virtuális hálózat szakaszban. ARM-sablonnal nem hozhat létre nyilvános IP-cím számítási példányt. Az ARM-sablonban állítsa az enableNodePublicIP paramétert false (hamis) értékre.

Megjegyzés

Support for compute instances without public IP addresses is currently available and in public preview for the following regions: France Central, East Asia, West Central US, South Central US, West US 2, East US, North Europe, Central US, North Central US, West US, Australia East, Japan East, Japan West.

Bejövő forgalom

Ha számítási Azure Machine Learning vagy számítási fürtöt használ, engedélyezze a bejövő forgalmat Azure Batch felügyeleti és Azure Machine Learning szolgáltatásokból. Az ezt a forgalmat engedélyező hálózati biztonsági csoport dinamikusan jön létre, azonban előfordulhat, hogy felhasználó által megadott útvonalakat (UDR) is létre kell hoznia, ha rendelkezik tűzfallal. Amikor UDR-t hoz létre ehhez a forgalomhoz, IP-címek vagy szolgáltatáscímkék használatával irányíthatja a forgalmat.

Fontos

A szolgáltatáscímkék felhasználó által megadott útvonalakkal való használata jelenleg előzetes verzióban érhető el, és előfordulhat, hogy nem teljes körűen támogatott. További információ: Virtual Network.

A Azure Machine Learning szolgáltatáshoz hozzá kell adni az elsődleges és a másodlagos régió IP-címét is. A másodlagos régió megkeresése: Az üzletmenet folytonosságának biztosítása és & vészhelyreállítás az Azure párosított régiói használatával. Ha például a Azure Machine Learning az USA 2. keleti régiójában található, a másodlagos régió az USA középső régiója.

A Batch szolgáltatás és a Azure Machine Learning IP-címeinek listáját az alábbi módszerek egyikével használhatja:

  • Töltse le az Azure IP-címtartományokat és szolgáltatáscímkéket, és keresse meg a fájlt a és a BatchNodeManagement.<region> AzureMachineLearning.<region> <region> kifejezéssel, ahol az Ön Azure-régiója található.

  • Az információk letöltéséhez használja az Azure CLI-t. Az alábbi példa letölti az IP-címadatokat, és kiszűri az USA 2. keleti régiójára (elsődleges) és az USA középső régiójára (másodlagos) vonatkozó információkat:

    az network list-service-tags -l "East US 2" --query "values[?starts_with(id, 'Batch')] | [?properties.region=='eastus2']"
    # Get primary region IPs
    az network list-service-tags -l "East US 2" --query "values[?starts_with(id, 'AzureMachineLearning')] | [?properties.region=='eastus2']"
    # Get secondary region IPs
    az network list-service-tags -l "Central US" --query "values[?starts_with(id, 'AzureMachineLearning')] | [?properties.region=='centralus']"
    

    Tipp

    Ha az USA-Virginia, a US-Arizona vagy a Kelet-Kína–2 régiót használja, ezek a parancsok nem adnak vissza IP-címeket. Ehelyett használja az alábbi hivatkozások egyikét az IP-címek listájának letöltéséhez:

Fontos

Az IP-címek idővel változhatnak.

Az UDR létrehozásakor a Következő ugrás típusaként adja meg az Internetet. Az alábbi képen egy IP-címalapú UDR látható a Azure Portal:

Felhasználó által megadott útvonal-konfiguráció képe

Az UDR konfigurálásával kapcsolatos információkért lásd: Hálózati forgalom útválasztási táblázattal való útválasztása.

További információ a bejövő és kimeneti forgalom követelményeiről a Azure Machine Learning: Tűzfal mögöttimunkaterület használata.

Azure Databricks

További információ a virtuális Azure Databricks való használatával kapcsolatban: Deploy Azure Databricks in your Azure Virtual Network.

Virtuális gép vagy HDInsight-fürt

Ebben a szakaszban megtudhatja, hogyan használhat virtuális gépet vagy fürtöt Azure HDInsight virtuális hálózatban a munkaterülettel.

A virtuális gép vagy a HDInsight-fürt létrehozása

Hozzon létre egy virtuális gépet vagy HDInsight-fürtöt a Azure Portal vagy az Azure CLI használatával, és helyezze a fürtöt egy Azure-beli virtuális hálózatba. További információért tekintse át a következő cikkeket:

Hálózati portok konfigurálása

Engedélyezze Azure Machine Learning virtuális gépen vagy fürtön található SSH-porttal való kommunikáció engedélyezése érdekében konfiguráljon egy forrásbejegyzést a hálózati biztonsági csoport számára. Az SSH-port általában a 22-es port. Az ebből a forrásból származó forgalom engedélyezése érdekében tegye a következőket:

  1. A Forrás legördülő listában válassza a Szolgáltatáscímke lehetőséget.

  2. A Forrás szolgáltatáscímke legördülő listában válassza az AzureMachineLearning lehetőséget.

    Bejövő szabályok a virtuális hálózaton belüli virtuális gépeken vagy HDInsight-fürtökön végzett kísérletezésre

  3. A Forrásporttartományok legördülő listában válassza a * lehetőséget.

  4. A Cél legördülő listában válassza a Bármely lehetőséget.

  5. A Célporttartományok legördülő listában válassza a 22 lehetőséget.

  6. A Protokoll alatt válassza a Bármely lehetőséget.

  7. A Művelet alatt válassza az Allow (Engedélyezése) lehetőséget.

Tartsa meg a hálózati biztonsági csoport alapértelmezett kimenő szabályait. További információkért lásd a Biztonsági csoportok alapértelmezett biztonsági szabályait.

Ha nem szeretné használni az alapértelmezett kimenő szabályokat, és korlátozni szeretné a virtuális hálózat kimenő hozzáférését, tekintse meg a szükséges nyilvános internet-hozzáférést.

A virtuális gép vagy a HDInsight-fürt csatolása

Csatolja a virtuális gépet vagy a HDInsight-fürtöt a Azure Machine Learning munkaterületéhez. További információ: Számítási célok beállítása a modell betanításhoz.

Következő lépések

Ez a cikk a munkafolyamatok biztonságossá tétele Azure Machine Learning része. Tekintse meg a sorozat további cikkeit: