Självstudie: Så här skapar du en säker arbetsyta med hjälp av mallen

Mallar är ett bekvämt sätt att skapa reproducerbara tjänstdistributioner. Mallen definierar vad som ska skapas, med viss information från dig när du använder mallen. Du kan till exempel ange ett unikt namn för Azure Machine Learning-arbetsytan.

I den här självstudien får du lära dig hur du använder en Microsoft Bicep - och Hashicorp Terraform-mall för att skapa följande Azure-resurser:

• Azure Virtual Network. Följande resurser skyddas bakom det här virtuella nätverket:
  • Azure Machine Learning-arbetsyta
    • Azure Machine Learning-beräkningsinstans
    • Azure Machine Learning-beräkningskluster
  • Azure Storage-konto
  • Azure Key Vault
  • Azure Application Insights
  • Azure Container Registry
  • Azure Bastion-värd
  • Azure Machine Learning Virtual Machine (Datavetenskap virtuell dator)
  • Bicep-mallen skapar också ett Azure Kubernetes Service-kluster och en separat resursgrupp för den.

Dricks

Microsoft rekommenderar att du använder hanterade virtuella Azure Machine Learning-nätverk i stället för stegen i den här artikeln. Med ett hanterat virtuellt nätverk hanterar Azure Machine Learning jobbet med nätverksisolering för din arbetsyta och hanterade beräkningar. Du kan också lägga till privata slutpunkter för resurser som behövs av arbetsytan, till exempel Azure Storage-konto. Mer information finns i Hanterad nätverksisolering för arbetsyta.

Förutsättningar

Innan du använder stegen i den här artikeln måste du ha en Azure-prenumeration. Om du inte har någon Azure-prenumeration kan du skapa ett kostnadsfritt konto.

Du måste också ha antingen en Bash- eller Azure PowerShell-kommandorad.

Dricks

När du läser den här artikeln använder du flikarna i varje avsnitt för att välja om du vill visa information om hur du använder Bicep- eller Terraform-mallar.

Bicep

1. Information om hur du installerar kommandoradsverktygen finns i Konfigurera utvecklings- och distributionsmiljöer för Bicep.

2. Bicep-mallen som används i den här artikeln finns på https://github.com/Azure/azure-quickstart-templates/blob/master/quickstarts/microsoft.machinelearningservices/machine-learning-end-to-end-secure. Använd följande kommandon för att klona GitHub-lagringsplatsen till din utvecklingsmiljö:

   Dricks

   Om du inte har kommandot i git utvecklingsmiljön kan du installera det från https://git-scm.com/.

   git clone https://github.com/Azure/azure-quickstart-templates
   cd azure-quickstart-templates/quickstarts/microsoft.machinelearningservices/machine-learning-end-to-end-secure
   

Terraform

1. Om du vill installera, konfigurera och autentisera Terraform till din Azure-prenumeration använder du stegen i någon av följande artiklar:

   • Azure Cloud Shell
   • Windows med Bash
   • Windows med Azure PowerShell

2. Terraform-mallfilerna som används i den här artikeln finns på https://github.com/Azure/terraform/tree/master/quickstart/201-machine-learning-moderately-secure. Om du vill klona lagringsplatsen lokalt och ändra katalogen till där mallfilerna finns använder du följande kommandon från kommandoraden:

   Dricks

   Om du inte har kommandot i git utvecklingsmiljön kan du installera det från https://git-scm.com/.

   git clone https://github.com/Azure/terraform
   cd terraform/quickstart/201-machine-learning-moderately-secure
   

Förstå mallen

Bicep

Bicep-mallen består av main.bicep och .bicep filerna i underkatalogen moduler . I följande tabell beskrivs vad varje fil ansvarar för:

Fil	beskrivning
main.bicep	Parametrar och variabler. Skicka parametrar och variabler till andra moduler i underkatalogen modules .
vnet.bicep	Definierar Azure Virtual Network och undernät.
nsg.bicep	Definierar reglerna för nätverkssäkerhetsgruppen för det virtuella nätverket.
bastion.bicep	Definierar Azure Bastion-värden och undernätet. Med Azure Bastion kan du enkelt komma åt en virtuell dator i det virtuella nätverket med hjälp av webbläsaren.
dsvmjumpbox.bicep	Definierar den Datavetenskap virtuella datorn (DSVM). Azure Bastion används för att komma åt den här virtuella datorn via webbläsaren.
storage.bicep	Definierar det Azure Storage-konto som används av arbetsytan för standardlagring.
keyvault.bicep	Definierar det Azure Key Vault som används av arbetsytan.
containerregistry.bicep	Definierar Azure Container Registry som används av arbetsytan.
applicationinsights.bicep	Definierar den Azure Application Insights-instans som används av arbetsytan.
machinelearningnetworking.bicep	Definierar de privata slutpunkterna och DNS-zonerna för Azure Machine Learning-arbetsytan.
Machinelearning.bicep	Definierar Azure Machine Learning-arbetsytan.
machinelearningcompute.bicep	Definierar ett Azure Machine Learning-beräkningskluster och en beräkningsinstans.
privateaks.bicep	Definierar en Azure Kubernetes Services-klusterinstans.

Viktigt!

Exempelmallarna kanske inte alltid använder den senaste API-versionen för Azure Machine Learning. Innan du använder mallen rekommenderar vi att du ändrar den så att den använder de senaste API-versionerna. Information om de senaste API-versionerna för Azure Machine Learning finns i REST API:et för Azure Machine Learning.

Varje Azure-tjänst har en egen uppsättning API-versioner. Information om API:et för en specifik tjänst finns i tjänstinformationen i Azure REST API-referensen.

Om du vill uppdatera API-versionen letar du reda på Microsoft.MachineLearningServices/<resource> posten för resurstypen och uppdaterar den till den senaste versionen. Följande exempel är en post för Azure Machine Learning-arbetsytan som använder en API-version av 2022-05-01:

resource machineLearning 'Microsoft.MachineLearningServices/workspaces@2022-05-01' = {

Terraform

Mallen består av flera filer. I följande tabell beskrivs vad varje fil ansvarar för:

Fil	beskrivning
variables.tf	Variabler och standardvärden som används av mallen.
main.tf	Anger Azure Resource Manager-providern och definierar resursgruppen.
network.tf	Definierar Azure Virtual Network, undernät och nätverkssäkerhetsgrupper.
bastion.tf	Definierar Azure Bastion-värden och tillhörande NSG. Med Azure Bastion kan du enkelt komma åt en virtuell dator i ett virtuellt nätverk med hjälp av webbläsaren.
dsvm.tf	Definierar den Datavetenskap virtuella datorn (DSVM). Azure Bastion används för att komma åt den här virtuella datorn via webbläsaren.
workspace.tf	Definierar Azure Machine Learning-arbetsytan. Inklusive beroenderesurser för Azure Storage, Key Vault, Application Insights och Container Registry.
compute.tf	Definierar en Azure Machine Learning-beräkningsinstans och ett kluster.

Dricks

Terraform Azure-providern stöder ytterligare argument som inte används i den här självstudien. Med miljöargumentet kan du till exempel rikta in dig på molnregioner som Azure Government och Microsoft Azure som drivs av 21Vianet.

Viktigt!

DSVM och Azure Bastion används som ett enkelt sätt att ansluta till den skyddade arbetsytan för den här självstudien. I en produktionsmiljö rekommenderar vi att du använder en Azure VPN-gateway eller Azure ExpressRoute för att komma åt resurserna i det virtuella nätverket direkt från ditt lokala nätverk.

Konfigurera mallen

Bicep

Om du vill köra Bicep-mallen använder du följande kommandon från machine-learning-end-to-end-secure platsen där main.bicep filen finns:

1. Använd följande kommando för att skapa en ny Azure-resursgrupp. Ersätt exampleRG med resursgruppens namn och eastus med den Azure-region som du vill använda:

   Azure CLI

   az group create --name exampleRG --location eastus
   

   Azure PowerShell

   New-AzResourceGroup -Name exampleRG -Location eastus
   

2. Använd följande kommando för att köra mallen. prefix Ersätt med ett unikt prefix. Prefixet används när du skapar Azure-resurser som krävs för Azure Machine Learning. securepassword Ersätt med ett säkert lösenord för hopprutan. Lösenordet är för inloggningskontot för jump-rutan (azureadmin i exemplen nedan):

   Dricks

   Måste prefix vara 5 eller färre tecken. Det kan inte vara helt numeriskt eller innehålla följande tecken: ~ ! @ # $ % ^ & * ( ) = + _ [ ] { } \ | ; : . ' " , < > / ?.

   Azure CLI

   az deployment group create \
       --resource-group exampleRG \
       --template-file main.bicep \
       --parameters \
       prefix=prefix \
       dsvmJumpboxUsername=azureadmin \
       dsvmJumpboxPassword=securepassword
   

   Azure PowerShell

   $dsvmPassword = ConvertTo-SecureString "mysecurepassword" -AsPlainText -Force
   New-AzResourceGroupDeployment -ResourceGroupName exampleRG `
       -TemplateFile ./main.bicep `
       -prefix "prefix" `
       -dsvmJumpboxUsername "azureadmin" `
       -dsvmJumpboxPassword $dsvmPassword
   

   Varning

   Du bör undvika att använda oformaterade textsträngar i skript eller från kommandoraden. Oformaterad text kan visas i händelseloggar och kommandohistorik. Mer information finns i ConvertTo-SecureString.

Terraform

Om du vill köra Terraform-mallen använder du följande kommandon från katalogen 201-machine-learning-moderately-secure där mallfilerna finns:

1. Om du vill initiera katalogen för att arbeta med Terraform använder du följande kommando:

   terraform init
   

2. Använd följande kommando för att skapa en konfiguration. Använd parametern -var för att ange värdet för de variabler som används av mallen. En fullständig lista över variabler finns i filen variables.tf :

   terraform plan \
       -var name=myworkspace \
       -var environment=dev \
       -var location=westus \
       -var dsvm_name=jumpbox \
       -var dsvm_host_password=secure_password \
       -out azureml.tfplan
   

   När det här kommandot har slutförts visas konfigurationen i terminalen. Om du vill visa den igen använder du terraform show azureml.tfplan kommandot .

3. Om du vill köra mallen och tillämpa den sparade konfigurationen på din Azure-prenumeration använder du följande kommando:

   terraform apply azureml.tfplan
   

   Förloppet visas när mallen bearbetas.

Anslut till arbetsytan

När mallen är klar använder du följande steg för att ansluta till DSVM:

1. I Azure-portalen väljer du den Azure-resursgrupp som du använde med mallen. Välj sedan den Datavetenskap virtuella dator som skapades av mallen. Om du har problem med att hitta den använder du filteravsnittet för att filtrera typen till den virtuella datorn.

   

2. I avsnittet Översikt i den virtuella datorn väljer du Anslut och sedan Bastion i listrutan.

   

3. När du uppmanas till det anger du det användarnamn och lösenord som du angav när du konfigurerade mallen och väljer sedan Anslut.

   Viktigt!

   Första gången du ansluter till DSVM-skrivbordet öppnas ett PowerShell-fönster och börjar köra ett skript. Tillåt att detta slutförs innan du fortsätter med nästa steg.

4. Starta Microsoft Edge från DSVM-skrivbordet och ange https://ml.azure.com som adress. Logga in på din Azure-prenumeration och välj sedan den arbetsyta som skapas av mallen. Arbetsytans studio visas.

Felsökning

Fel: Namnet på Windows-datorn får inte vara längre än 15 tecken, vara helt numeriskt eller innehålla följande tecken

Det här felet kan inträffa när namnet på DSVM-hopprutan är större än 15 tecken eller innehåller något av följande tecken: ~ ! @ # $ % ^ & * ( ) = + _ [ ] { } \ | ; : . ' " , < > / ?.

När du använder Bicep-mallen genereras jump box-namnet programmatiskt med hjälp av prefixvärdet som anges i mallen. Om du vill kontrollera att namnet inte överstiger 15 tecken eller innehåller ogiltiga tecken använder du ett prefix som är högst 5 tecken och använder inte något av följande tecken i prefixet: ~ ! @ # $ % ^ & * ( ) = + _ [ ] { } \ | ; : . ' " , < > / ?.

När du använder Terraform-mallen skickas jump box-namnet med hjälp av parametern dsvm_name . Undvik det här felet genom att använda ett namn som inte är större än 15 tecken och som inte använder något av följande tecken som en del av namnet: ~ ! @ # $ % ^ & * ( ) = + _ [ ] { } \ | ; : . ' " , < > / ?.

Nästa steg

Viktigt!

Den Datavetenskap virtuella datorn (DSVM) och eventuella beräkningsinstansresurser debiterar dig för varje timme som de körs. För att undvika extra avgifter bör du stoppa dessa resurser när de inte används. Mer information finns i följande artiklar:

• Skapa/hantera virtuella datorer (Linux).
• Skapa/hantera virtuella datorer (Windows).
• Skapa beräkningsinstans.

Mer information om hur du använder den skyddade arbetsytan från DSVM finns i Självstudie: Azure Machine Learning på en dag.

Mer information om vanliga konfigurationer av säkra arbetsytor och krav för in-/utdata finns i Azure Machine Learning-trafikflödet för säker arbetsyta.