SDK v1 を使って Azure Machine Learning のリソースとワークフローの認証を設定する

[アーティクル]
10/23/2023

お使いの Azure Machine Learning のワークスペースに認証を設定する方法について説明します。お使いの Azure Machine Learning ワークスペースには、多くの場合、Microsoft Entra ID を使用して認証されます。ワークスペースに接続するときに使用できる認証ワークフローには、一般に次の 4 つがあります。

インタラクティブ: Microsoft Entra ID でアカウントを使用して、直接認証するか、認証に使用されるトークンを取得します。対話型認証は、"実験および反復開発" 時に使用します。対話型認証では、(Web サービスなどの) リソースへのアクセスを、ユーザーごとに制御できます。
サービスプリンシパル: Microsoft Entra ID でサービスプリンシパルアカウントを作成し、それを使用して認証を行うか、トークンを取得します。サービスプリンシパルは、ユーザーが操作をせず、サービスに "自動認証されるプロセス" が必要な場合に使用します。たとえば、トレーニングコードが変更されるたびにモデルをトレーニングおよびテストする継続的インテグレーションとデプロイスクリプトです。
Azure CLIセッション: アクティブな Azure CLI セッションを使用して認証します。 Azure CLI 認証は、実験および反復開発中に使用されます。または、事前に認証されたセッションを使用してサービスに対する認証を自動化するプロセスが必要な場合に使用されます。 Python コードに資格情報を格納したり、ユーザーに認証を求めることなく、ローカルワークステーションの Azure CLI を使用して Azure にログインできます。同様に、継続的インテグレーションとデプロイパイプラインの一部として同じスクリプトを再利用しながら、サービスプリンシパル ID で Azure CLI を認証できます。
マネージド ID:Azure Machine Learning SDK を "Azure 仮想マシンで" 使用する場合は Azure のマネージド ID を使用できます。このワークフローでは、Python コードに資格情報を保存したり、ユーザーに認証を求めずに、マネージド ID を使用して VM をワークスペースに接続したりすることが許可されます。 "モデルのトレーニング時" に、Azure Machine Learning のコンピューティングクラスターとコンピューティングインスタンスをマネージド ID を使用してワークスペースにアクセスするように構成することもできます。

Azure ロールベースのアクセス制御 (Azure RBAC) は、使用する認証のワークフローに関係なく、リソースに対して許可するアクセスレベル (認証) の範囲の設定に使用します。たとえば、管理者または自動化プロセスには、コンピューティングインスタンスを作成するアクセス権は持っていても、それを使用できない場合があり、それを使用できるデータサイエンティストが、それを削除または作成できない場合があります。詳細については、「Azure Machine Learning ワークスペースへのアクセスの管理」を参照してください。

Microsoft Entra 条件付きアクセスを使用して、各認証ワークフローのワークスペースへのアクセスをさらに制御または制限できます。たとえば、管理者はマネージドデバイスからのワークスペースアクセスのみを許可できます。

前提条件

Azure Machine Learning ワークスペースを作成します。
開発環境を構成して Azure Machine Learning SDK をインストールするか、SDK が既にインストールされている Azure Machine Learning コンピューティングインスタンスを使用します。

Microsoft Entra ID

お使いのワークスペースのすべての認証ワークフローは、Microsoft Entra ID に依存しています。ユーザーに個人アカウントを使用して認証させる場合、自分の Microsoft Entra ID にアカウントが必要です。サービスプリンシパルを使用する場合は、それらが自分の Microsoft Entra ID にある必要があります。マネージド ID は Microsoft Entra ID の機能でもあります。

Microsoft Entra ID の詳細については、「Microsoft Entra 認証とは」を参照してください。

Microsoft Entra アカウントを作成したら、ワークスペースにアクセスする方法および Azure Machine Learning でのその他の操作に関する情報を、「Azure Machine Learning ワークスペースへのアクセスの管理」でご確認ください。

サービスプリンシパルの構成

サービスプリンシパル (SP) を使用するには、最初に SP を作成する必要があります。次に、お使いのワークスペースへのアクセス権を SP に付与します。既に説明したように、Azure のロールベースのアクセス制御 (Azure RBAC) を使用してアクセスを制御するため、SP に付与するアクセス権も決定する必要があります。

重要

サービスプリンシパルを使用する場合は、使用するタスクに必要な最小限のアクセス権を付与します。たとえば、サービスプリンシパルが Web デプロイのアクセストークンを読み取るためにのみ使用される場合は、所有者または共同作成者のアクセス権は付与しません。

最小限のアクセス権を付与する理由は、サービスプリンシパルがパスワードを使用して認証を行うためであり、パスワードがオートメーションスクリプトの一部として格納される可能性があるからです。パスワードが漏洩した場合、特定のタスクに必要な最小限のアクセス権のみを保持しているため、SP が悪意を持って使用される可能性が最小限に抑えられます。

SP を作成し、ワークスペースへのアクセス権を付与する最も簡単な方法は、Azure CLIを使用することです。サービスプリンシパルを作成して、ワークスペースへのアクセス権を付与するには、次の手順に従います。

注意

これらのすべての手順を実行するには、サブスクリプションの管理者である必要があります。

Azure サブスクリプションに対して認証を行います。
```
az login
```
CLI で既定のブラウザーを開くことができる場合、開いたブラウザにサインインページが読み込まれます。それ以外の場合は、ブラウザーを開き、コマンドラインの指示に従う必要があります。この手順では、https://aka.ms/devicelogin にアクセスして認証コードを入力する必要があります。

Azure のサブスクリプションが複数ある場合、az account set -s <subscription name or ID> コマンドを使用してサブスクリプションを設定できます。詳しくは、「Use multiple Azure subscriptions (複数の Azure サブスクリプションを使用する)」をご覧ください。

その他の認証方法については、「Azure CLI を使用してサインインする」を参照してください。

サービスプリンシパルを作成します。次の例では、ml auth という名前の SP が作成されます。

az ad sp create-for-rbac --json-auth --name ml-auth --role Contributor --scopes /subscriptions/<subscription id>

--json-auth パラメーターは、Azure CLI バージョン 2.51.0 以降で使用できます。これよりも前のバージョンの場合は --sdk-auth を使います。

出力は次のような JSON になります。この記事の他の手順で必要になるため、clientId、clientSecret、tenantId の各フィールドをメモしておきます。

{
    "clientId": "your-client-id",
    "clientSecret": "your-client-secret",
    "subscriptionId": "your-sub-id",
    "tenantId": "your-tenant-id",
    "activeDirectoryEndpointUrl": "https://login.microsoftonline.com",
    "resourceManagerEndpointUrl": "https://management.azure.com",
    "activeDirectoryGraphResourceId": "https://graph.windows.net",
    "sqlManagementEndpointUrl": "https://management.core.windows.net:5555",
    "galleryEndpointUrl": "https://gallery.azure.com/",
    "managementEndpointUrl": "https://management.core.windows.net"
}

前の手順で返された clientId 値を使用して、サービスプリンシパルの詳細を取得します。
```
az ad sp show --id your-client-id
```
次の JSON は、コマンドからの出力を簡略化した例です。次の手順で値が必要になるため、objectId フィールドをメモしておきます。
```
{
    "accountEnabled": "True",
    "addIns": [],
    "appDisplayName": "ml-auth",
    ...
    ...
    ...
    "objectId": "your-sp-object-id",
    "objectType": "ServicePrincipal"
}
```
Azure Machine Learning によって使用されるワークスペースやその他のリソースへのアクセス権を付与するには、次の記事の情報を使用します。
- Azure Machine Learning でロールとアクションを割り当てる方法
- CLI でロールを割り当てる方法
重要

所有者アクセスを使用すると、サービスプリンシパルは、ワークスペースでほぼすべての操作を実行できます。このドキュメントでは、アクセス権を付与する方法を説明するために使用されています。運用環境では、目的のロールを実行するために必要な最小限のアクセス権をサービスプリンシパルに付与することをお勧めします。自分のシナリオに必要なアクセス権を持つカスタムロールの作成に関する情報については、「Azure Machine Learning ワークスペースへのアクセスの管理」を参照してください。

マネージド ID の構成

重要

マネージド ID は、Azure Machine Learning SDK を Azure Virtual Machine から、または Azure Machine Learning のコンピューティングクラスターまたはコンピューティングインスタンスを使用して使用する場合のみサポートされています。

VM でのマネージド ID

VM 上の Azure リソースに対して、システムで割り当てられたマネージド ID を有効にしてください。
Azure portal でワークスペースを選択し、 [Access Control (IAM)](アクセス制御 (IAM)) をクリックします。
[Add](追加) 、 [Add Role Assignment](ロールの割り当ての追加) を順にクリックし、 [Add role assignmen](ロールの割り当ての追加) ページを開きます。
次のロールを割り当てます。詳細な手順については、「Azure portal を使用して Azure ロールを割り当てる」を参照してください。

設定値

Role 割り当てるロール。

アクセスの割り当て先マネージド ID

メンバー作成済みのマネージド ID

設定	値
Role	割り当てるロール。
アクセスの割り当て先	マネージド ID
メンバー	作成済みのマネージド ID

コンピューティングクラスターでのマネージド ID

詳細については、コンピューティングクラスターでのマネージド ID の設定に関する説明を参照してください。

対話型認証の使用

重要

対話型認証では、ブラウザーが使用され、Cookie (サードパーティの Cookie を含む) が必要です。 Cookie を無効にしている場合は、"サインインできませんでした" などのエラーを受け取る場合があります。このエラーは、Microsoft Entra 多要素認証を有効にしている場合にも発生する場合があります。

ドキュメントとサンプルのほとんどの例では、対話型認証が使用されています。たとえば、SDK を使用する場合は、UI ベースの認証フローを使用して自動的に入力を求める関数呼び出しが 2 つあります。

from_config() 関数を呼び出すと、プロンプトが表示されます。
```
from azureml.core import Workspace
ws = Workspace.from_config()
```
from_config() 関数は、ワークスペースの接続情報を含む JSON ファイルを検索します。
Workspace コンストラクターを使用して、サブスクリプション、リソースグループ、およびワークスペースの情報を指定する場合も、対話型認証が求められます。
```
ws = Workspace(subscription_id="your-sub-id",
              resource_group="your-resource-group-id",
              workspace_name="your-workspace-name"
              )
```

ヒント

複数のテナントにアクセスできる場合は、クラスをインポートし、ターゲットとするテナントを明示的に定義する必要があります。 InteractiveLoginAuthentication のコンストラクターを呼び出すと、上記の呼び出しと同様にログインするよう求められます。

from azureml.core.authentication import InteractiveLoginAuthentication
interactive_auth = InteractiveLoginAuthentication(tenant_id="your-tenant-id")

Azure CLI を使用する場合、CLI セッションの認証には az login コマンドを使用します。詳細については、Azure CLI の概要に関するページをご覧ください。

ヒント

以前 Azure CLI を使用して対話的に認証した環境から SDK を使用している場合は、CLI にキャッシュされた資格情報を使用して AzureCliAuthentication クラスで、ワークスペースに認証できます。

from azureml.core.authentication import AzureCliAuthentication
cli_auth = AzureCliAuthentication()
ws = Workspace(subscription_id="your-sub-id",
               resource_group="your-resource-group-id",
               workspace_name="your-workspace-name",
               auth=cli_auth
               )

サービスプリンシパル認証を使用する

サービスプリンシパルを使用して SDK からお使いのワークスペースに認証するには、ServicePrincipalAuthentication クラスコンストラクターを使用します。サービスプロバイダーの作成時に取得した値をパラメーターとして使用します。 tenant_id パラメーターは上記の tenantId にマップされ、service_principal_id は clientId にマップされ、service_principal_password は clientSecret にマップされます。

from azureml.core.authentication import ServicePrincipalAuthentication

sp = ServicePrincipalAuthentication(tenant_id="your-tenant-id", # tenantID
                                    service_principal_id="your-client-id", # clientId
                                    service_principal_password="your-client-secret") # clientSecret

sp 変数は、SDK で直接使用する認証オブジェクトを保持するようになりました。一般に、次のコードに示すように、上記で使用した ID やシークレットを環境変数に格納することをお勧めします。環境変数に格納すると、情報が誤って GitHub リポジトリにチェックインされるのを防ぐことができます。

import os

sp = ServicePrincipalAuthentication(tenant_id=os.environ['AML_TENANT_ID'],
                                    service_principal_id=os.environ['AML_PRINCIPAL_ID'],
                                    service_principal_password=os.environ['AML_PRINCIPAL_PASS'])

Python で実行され、SDK を主に使用する自動化されたワークフローの場合は、ほとんどの場合、このオブジェクトをそのまま使用して認証を行うことができます。次のコードでは、作成した auth オブジェクトを使用してワークスペースに対して認証を行います。

from azureml.core import Workspace

ws = Workspace.get(name="ml-example",
                   auth=sp,
                   subscription_id="your-sub-id",
                   resource_group="your-rg-name")
ws.get_details()

マネージド ID 認証を使用する

マネージド ID を使用して構成されている VM、コンピューティングクラスター、またはコンピューティングインスタンスからワークスペースに認証するには、MsiAuthentication クラスを使用します。次の例は、このクラスを使用してワークスペースに対して認証する方法を示しています。

from azureml.core.authentication import MsiAuthentication

msi_auth = MsiAuthentication()

ws = Workspace(subscription_id="your-sub-id",
                resource_group="your-resource-group-id",
                workspace_name="your-workspace-name",
                auth=msi_auth
                )

条件付きアクセスを使用する

管理者は、ワークスペースにユーザーがサインインするためのサインイン Microsoft Entra 条件付きアクセスポリシーを適用できます。たとえば、2 要素認証を要求したり、マネージドデバイスからのサインインのみを許可したりできます。 Azure Machine Learning ワークスペースに特定して条件付きアクセスを使用するには、Azure Machine Learning という名前のアプリに条件付きアクセスポリシーを割り当てる必要があります。アプリ ID は 0736f41a-0425-bdb5-1563eff02385 です。

Share via

SDK v1 を使って Azure Machine Learning のリソースとワークフローの認証を設定する

前提条件

Microsoft Entra ID

サービスプリンシパルの構成

マネージド ID の構成

VM でのマネージド ID

コンピューティングクラスターでのマネージド ID

対話型認証の使用

サービスプリンシパル認証を使用する

マネージド ID 認証を使用する

条件付きアクセスを使用する

次のステップ

その他のリソース

Share via

SDK v1 を使って Azure Machine Learning のリソースとワークフローの認証を設定する

前提条件

Microsoft Entra ID

サービス プリンシパルの構成

マネージド ID の構成

VM でのマネージド ID

コンピューティング クラスターでのマネージド ID

対話型認証の使用

サービス プリンシパル認証を使用する

マネージド ID 認証を使用する

条件付きアクセスを使用する

次のステップ

その他のリソース

サービスプリンシパルの構成

コンピューティングクラスターでのマネージド ID

サービスプリンシパル認証を使用する