Skapa anslutningar (förhandsversion)

GÄLLER FÖR:Azure CLI ml extension v2 (current)Python SDK azure-ai-ml v2 (aktuell)

I den här artikeln får du lära dig hur du ansluter till datakällor utanför Azure för att göra dessa data tillgängliga för Azure Machine Learning-tjänster. Azure-anslutningar fungerar som proxyservrar för nyckelvalv, och interaktioner med anslutningar är faktiskt direkta interaktioner med ett Azure-nyckelvalv. Azure Machine Learning-anslutningar lagrar resurser för användarnamn och lösenord på ett säkert sätt, som hemligheter, i ett nyckelvalv. Nyckelvalvets RBAC styr åtkomsten till dessa dataresurser. För den här datatillgängligheten stöder Azure anslutningar till dessa externa källor:

• Snowflake DB
• Amazon S3
• Azure SQL-databas

Viktigt!

Den här funktionen är för närvarande i allmänt tillgänglig förhandsversion. Den här förhandsversionen tillhandahålls utan ett serviceavtal och vi rekommenderar det inte för produktionsarbetsbelastningar. Vissa funktioner kanske inte stöds eller kan vara begränsade.

Mer information finns i Kompletterande villkor för användning av Microsoft Azure-förhandsversioner.

Förutsättningar

• En Azure-prenumeration. Om du inte har någon Azure-prenumeration kan du skapa ett kostnadsfritt konto innan du börjar. Prova den kostnadsfria eller betalda versionen av Azure Machine Learning.

• Azure Machine Learning SDK för Python.

• En Azure Machine Learning-arbetsyta.

Viktigt!

En Azure Machine Learning-anslutning lagrar säkert de autentiseringsuppgifter som skickades när anslutningen skapades i Arbetsytans Azure Key Vault. En anslutning refererar till autentiseringsuppgifterna från lagringsplatsen för nyckelvalvet för vidare användning. Du behöver inte hantera autentiseringsuppgifterna direkt när de har lagrats i nyckelvalvet. Du har möjlighet att lagra autentiseringsuppgifterna i YAML-filen. Ett CLI-kommando eller SDK kan åsidosätta dem. Vi rekommenderar att du undviker lagring av autentiseringsuppgifter i en YAML-fil eftersom en säkerhetsöverträdelse kan leda till en läcka av autentiseringsuppgifter.

Kommentar

För en lyckad dataimport kontrollerar du att du har installerat det senaste azure-ai-ml-paketet (version 1.5.0 eller senare) för SDK och ML-tillägget (version 2.15.1 eller senare).

Om du har ett äldre SDK-paket eller CLI-tillägg tar du bort det gamla och installerar det nya med koden som visas i flikavsnittet. Följ anvisningarna för SDK och CLI enligt följande:

Kodversioner

Azure CLI

az extension remove -n ml
az extension add -n ml --yes
az extension show -n ml #(the version value needs to be 2.15.1 or later)

Python SDK

pip uninstall azure-ai-ml
pip install azure-ai-ml
pip show azure-ai-ml #(the version value needs to be 1.5.0 or later)

Studio

Ej tillgänglig.

Skapa en Snowflake DB-anslutning

Azure CLI

Den här YAML-filen skapar en Snowflake DB-anslutning. Se till att uppdatera lämpliga värden:

# my_snowflakedb_connection.yaml
$schema: http://azureml/sdk-2-0/Connection.json
type: snowflake
name: my-sf-db-connection # add your datastore name here

target: jdbc:snowflake://<myaccount>.snowflakecomputing.com/?db=<mydb>&warehouse=<mywarehouse>&role=<myrole>
# add the Snowflake account, database, warehouse name and role name here. If no role name provided it will default to PUBLIC
credentials:
    type: username_password
    username: <username> # add the Snowflake database user name here or leave this blank and type in CLI command line
    password: <password> # add the Snowflake database password here or leave this blank and type in CLI command line

Skapa Azure Machine Learning-anslutningen i CLI:

Alternativ 1: Använd användarnamnet och lösenordet i YAML-filen

az ml connection create --file my_snowflakedb_connection.yaml

Alternativ 2: Åsidosätt användarnamnet och lösenordet på kommandoraden

az ml connection create --file my_snowflakedb_connection.yaml --set credentials.username="XXXXX" credentials.password="XXXXX"

Python SDK

Alternativ 1: Läsa in anslutningen från YAML-filen

from azure.ai.ml import MLClient, load_workspace_connection

ml_client = MLClient.from_config()

wps_connection = load_workspace_connection(source="./my_snowflakedb_connection.yaml")
wps_connection.credentials.username="XXXXX"
wps_connection.credentials.password="XXXXXXXX"
ml_client.connections.create_or_update(workspace_connection=wps_connection)

Alternativ 2: Använd Workspace Anslut ion() i ett Python-skript

from azure.ai.ml import MLClient
from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import UsernamePasswordConfiguration

target= "jdbc:snowflake://<myaccount>.snowflakecomputing.com/?db=<mydb>&warehouse=<mywarehouse>&role=<myrole>"
# add the Snowflake account, database, warehouse name and role name here. If no role name provided it will default to PUBLIC
name= <my_snowflake_connection> # name of the connection
wps_connection = WorkspaceConnection(name= name,
type="snowflake",
target= target,
credentials= UsernamePasswordConfiguration(username="XXXXX", password="XXXXXX")
)

ml_client.connections.create_or_update(workspace_connection=wps_connection)

Studio

1. Gå till Azure Machine Learning-studio.

2. Under Tillgångar i det vänstra navigeringsfältet väljer du Data. Välj sedan fliken Data Anslut ion. Välj sedan Skapa som på den här skärmbilden:

   

3. I fönstret Skapa anslutning fyller du i värdena enligt skärmbilden. Välj Snowflake för kategorin och Användarnamnslösenord för autentiseringstypen. Se till att ange värdet för måltextrutan i det här formatet och fyll i dina specifika värden mellan <> tecknen:

   jdbc:snowflake://<myaccount.snowflakecomputing.com/?db>=<mydb>&warehouse=<mywarehouse>&role=<myrole>

   

4. Välj Spara för att lagra autentiseringsuppgifterna på ett säkert sätt i nyckelvalvet som är associerat med relevant arbetsyta. Den här anslutningen används när du kör ett dataimportjobb.

Skapa en Azure SQL DB-anslutning

Azure CLI

Det här YAML-skriptet skapar en Azure SQL DB-anslutning. Se till att uppdatera lämpliga värden:

# my_sqldb_connection.yaml
$schema: http://azureml/sdk-2-0/Connection.json

type: azure_sql_db
name: my-sqldb-connection

target: Server=tcp:<myservername>,<port>;Database=<mydatabase>;Trusted_Connection=False;Encrypt=True;Connection Timeout=30
# add the sql servername, port addresss and database
credentials:
    type: sql_auth
    username: <username> # add the sql database user name here or leave this blank and type in CLI command line
    password: <password> # add the sql database password here or leave this blank and type in CLI command line

Skapa Azure Machine Learning-anslutningen i CLI:

Alternativ 1: Använd användarnamnet/lösenordet från YAML-filen

az ml connection create --file my_sqldb_connection.yaml

Alternativ 2: Åsidosätt användarnamnet och lösenordet i YAML-filen

az ml connection create --file my_sqldb_connection.yaml --set credentials.username="XXXXX" credentials.password="XXXXX"

Python SDK

Alternativ 1: Läsa in anslutningen från YAML-filen

from azure.ai.ml import MLClient, load_workspace_connection

ml_client = MLClient.from_config()

wps_connection = load_workspace_connection(source="./my_sqldb_connection.yaml")
wps_connection.credentials.username="XXXXXX"
wps_connection.credentials.password="XXXXXxXXX"
ml_client.connections.create_or_update(workspace_connection=wps_connection)

Alternativ 2: Använda Arbetsyta Anslut ion()

from azure.ai.ml import MLClient
from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import UsernamePasswordConfiguration

target= "Server=tcp:<myservername>,<port>;Database=<mydatabase>;Trusted_Connection=False;Encrypt=True;Connection Timeout=30"
# add the sql servername, port address and database

name= <my_sql_connection> # name of the connection
wps_connection = WorkspaceConnection(name= name,
type="azure_sql_db",
target= target,
credentials= UsernamePasswordConfiguration(username="XXXXX", password="XXXXXX")
)

ml_client.connections.create_or_update(workspace_connection=wps_connection)

Studio

1. Gå till Azure Machine Learning-studio.

2. Under Tillgångar i det vänstra navigeringsfältet väljer du Data. Välj sedan fliken Data Anslut ion. Välj sedan Skapa som på den här skärmbilden:

   

3. I fönstret Skapa anslutning fyller du i värdena enligt skärmbilden. Välj AzureSqlDb för kategorin och Användarnamnslösenord för autentiseringstypen. Se till att ange värdet för måltextrutan i det här formatet och fyll i dina specifika värden mellan <> tecknen:

   Server=tcp:<myservername,port>><; Database=<mydatabase>; Trusted_Anslut ion=False; Encrypt=True; Anslut ion Timeout=30

   

Skapa Amazon S3-anslutning

Azure CLI

Skapa en Amazon S3-anslutning med följande YAML-fil. Se till att uppdatera lämpliga värden:

# my_s3_connection.yaml
$schema: http://azureml/sdk-2-0/Connection.json

type: s3
name: my_s3_connection

target: <mybucket> # add the s3 bucket details
credentials:
    type: access_key
    access_key_id: XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX # add access key id
    secret_access_key: XxXxXxXXXXXXXxXxXxxXxxXXXXXXXXxXxxXXxXXXXXXXxxxXxXXxXXXXXxXXxXXXxXxXxxxXXxXXxXXXXXxXxxXX # add access key secret

Skapa Azure Machine Learning-anslutningen i CLI:

az ml connection create --file my_s3_connection.yaml

Python SDK

Alternativ 1: Läsa in anslutningen från YAML-filen

from azure.ai.ml import MLClient, load_workspace_connection

ml_client = MLClient.from_config()


wps_connection = load_workspace_connection(source="./my_s3_connection.yaml")
ml_client.connections.create_or_update(workspace_connection=wps_connection)

Alternativ 2: Använd Workspace Anslut ion() i ett Python-skript

from azure.ai.ml import MLClient
from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import AccessKeyConfiguration

target=<mybucket> # add the s3 bucket details
name=<my_s3_connection> # name of the connection
wps_connection=WorkspaceConnection(name=name,
type="s3",
target= target,
credentials= AccessKeyConfiguration(access_key_id="XXXXXX",acsecret_access_key="XXXXXXXX")
)

ml_client.connections.create_or_update(workspace_connection=wps_connection)

Studio

1. Gå till Azure Machine Learning-studio.

2. Under Tillgångar i det vänstra navigeringsfältet väljer du Data. Välj sedan fliken Data Anslut ion. Välj sedan Skapa som på den här skärmbilden:

   

3. I fönstret Skapa anslutning fyller du i värdena enligt skärmbilden. Välj S3 för kategorin och Användarnamnslösenord för autentiseringstypen. Se till att ange värdet för måltextrutan i det här formatet och fyll i dina specifika värden mellan <> tecknen:

   <Mål>

   

Icke-dataanslutningar

Följande anslutningstyper kan användas för att ansluta till Git, Python-feed, Azure Container Registry och en anslutning som använder en API-nyckel. Dessa anslutningar är inte dataanslutningar, men används för att ansluta till externa tjänster för användning i koden.

Git

Azure CLI

Skapa en Git-anslutning med en av följande YAML-filer. Se till att uppdatera lämpliga värden:

• Anslut med hjälp av en personlig åtkomsttoken (PAT):

  #Connection.yml
  name: test_ws_conn_git_pat
  type: git
  target: https://github.com/contoso/contosorepo
  credentials:
      type: pat
      pat: dummy_pat
  

• Anslut till en offentlig lagringsplats (inga autentiseringsuppgifter):

  #Connection.yml
  
  name: git_no_cred_conn
  type: git
  target: https://https://github.com/contoso/contosorepo
  
  

Skapa Azure Machine Learning-anslutningen i CLI:

az ml connection create --file connection.yaml

Python SDK

I följande exempel skapas en Git-anslutning till en GitHub-lagringsplats. Den här anslutningen autentiseras med en personlig åtkomsttoken (PAT):

from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import UsernamePasswordConfiguration, PatTokenConfiguration


name = "my_git_conn"

target = "https://github.com/myaccount/myrepo"

wps_connection = WorkspaceConnection(
    name=name,
    type="git",
    target=target,
    credentials=PatTokenConfiguration(pat="XXXXXXXXX"),    
)
ml_client.connections.create_or_update(workspace_connection=wps_connection)

Studio

Du kan inte skapa en Git-anslutning i studio.

Python-feed

Azure CLI

Skapa en anslutning till en Python-feed med någon av följande YAML-filer. Se till att uppdatera lämpliga värden:

• Anslut med hjälp av en personlig åtkomsttoken (PAT):

  #Connection.yml
  name: test_ws_conn_python_pat
  type: python_feed
  target: https://test-feed.com
  credentials:
      type: pat
      pat: dummy_pat
  

• Anslut med ett användarnamn och lösenord:

  name: test_ws_conn_python_user_pass
  type: python_feed
  target: https://test-feed.com
  credentials:
      type: username_password
      username: john
      password: pass
  
  

• Anslut till ett offentligt flöde (inga autentiseringsuppgifter):

  name: test_ws_conn_python_no_cred
  type: python_feed
  target: https://test-feed.com3
  

Skapa Azure Machine Learning-anslutningen i CLI:

az ml connection create --file connection.yaml

Python SDK

I följande exempel skapas en Python-feedanslutning. Den här anslutningen autentiseras med en personlig åtkomsttoken (PAT) eller ett användarnamn och lösenord:

from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import UsernamePasswordConfiguration, ManagedIdentityConfiguration  


name = "my_pfeed_conn"

target = "https://XXXXXXXXX.core.windows.net/mycontainer"

wps_connection = WorkspaceConnection(
    name=name,
    type="python_feed",
    target=target,
    #credentials=UsernamePasswordConfiguration(username="xxxxx", password="xxxxx"), 
    credentials=PatTokenConfiguration(pat="XXXXXXXXX"),    

    #credentials=None
)
ml_client.connections.create_or_update(workspace_connection=wps_connection)

Studio

Du kan inte skapa en Python-feedanslutning i studio.

Azure Container Registry

Azure CLI

Skapa en anslutning till ett Azure Container Registry med en av följande YAML-filer. Se till att uppdatera lämpliga värden:

• Anslut med Microsoft Entra ID-autentisering:

  name: test_ws_conn_cr_managed
  type: container_registry
  target: https://test-feed.com
  credentials:
      type: managed_identity
      client_id: client_id
      resource_id: resource_id
  

• Anslut med ett användarnamn och lösenord:

  name: test_ws_conn_cr_user_pass
  type: container_registry
  target: https://test-feed.com2
  credentials:
      type: username_password
      username: contoso
      password: pass
  

Skapa Azure Machine Learning-anslutningen i CLI:

az ml connection create --file connection.yaml

Python SDK

I följande exempel skapas en Azure Container Registry-anslutning. Den här anslutningen autentiseras med hjälp av en hanterad identitet:

from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import UsernamePasswordConfiguration, PatTokenConfiguration  


name = "my_acr_conn"

target = "https://XXXXXXXXX.core.windows.net/mycontainer"

wps_connection = WorkspaceConnection(
    name=name,
    type="container_registry",
    target=target,
    credentials=ManagedIdentityConfiguration (client_id="xxxxx", resource_id="xxxxx"),    
)
ml_client.connections.create_or_update(workspace_connection=wps_connection)

Studio

Du kan inte skapa en Azure Container Registry-anslutning i Studio.

API key

I följande exempel skapas en API-nyckelanslutning:

from azure.ai.ml.entities import WorkspaceConnection
from azure.ai.ml.entities import UsernamePasswordConfiguration, ApiKeyConfiguration


name = "my_api_key"

target = "https://XXXXXXXXX.core.windows.net/mycontainer"

wps_connection = WorkspaceConnection(
    name=name,
    type="apikey",
    target=target,
    credentials=ApiKeyConfiguration(key="XXXXXXXXX"),    
)
ml_client.connections.create_or_update(workspace_connection=wps_connection)

Relaterat innehåll

Om du använder en dataanslutning (Snowflake DB, Amazon S3 eller Azure SQL DB) kan du läsa de här artiklarna för mer information:

• Importera datatillgångar
• Schemalägga dataimportjobb