Prevenção de exfiltração dos dados do Azure Machine Learning

O Azure Machine Learning tem várias dependências de entrada e saída. Algumas dessas dependências podem expor um risco de exfiltração dos dados por agentes mal-intencionados na sua organização. Este documento explica como minimizar o risco de exfiltração de dados limitando os requisitos de entrada e saída.

• Entrada: se a instância de computação ou o cluster usar um endereço IP público, você terá uma entrada na marca de serviço azuremachinelearning (porta 44224). Você pode controlar esse tráfego de entrada usando um NSG (grupo de segurança de rede) e marcas de serviço. É difícil disfarçar os IPs de serviço do Azure, portanto, há baixo risco de exfiltração dos dados. Você também pode configurar a computação para não usar um IP público, o que remove os requisitos de entrada.

• Saída: se agentes mal-intencionados não tiverem acesso de gravação aos recursos de destino de saída, não poderão usar essa saída para exfiltração dos dados. O Microsoft Entra ID, o Azure Resource Manager, o Azure Machine Learning e o Registro de Contêiner da Microsoft pertencem a essa categoria. Por outro lado, o Armazenamento e o AzureFrontDoor.frontend podem ser usados para exfiltração dos dados.

  • Saída de armazenamento: Este requisito se aplica à instância de computação e ao cluster de computação. Um agente mal-intencionado pode usar essa regra de saída para exfiltrar dados provisionando e salvando dados na própria conta de armazenamento. Você pode remover o risco de exfiltração dos dados usando uma Política de Ponto de Extremidade de Serviço do Azure e a arquitetura de comunicação de nó simplificada do Lote do Azure.

  • Saída do AzureFrontDoor.frontend: o Azure Front Door é usado pela interface do usuário do Estúdio do Azure Machine Learning e pelo AutoML. Em vez de permitir a saída para a marca de serviço (AzureFrontDoor.frontend), alterne para os FQDN (nomes de domínio totalmente qualificados) a seguir. A mudança para esses FQDNs remove o tráfego de saída desnecessário incluído na tag de serviço e permite apenas o tráfego necessário para a interface do usuário do Estúdio do Azure Machine Learning e o AutoML.

    • ml.azure.com
    • automlresources-prod-d0eaehh7g8andvav.b02.azurefd.net

Pré-requisitos

• Uma assinatura do Azure
• Uma VNet (Rede Virtual) do Azure
• Um workspace do Azure Machine Learning com um ponto de extremidade privado que se conecta com a VNet.
  • A conta de armazenamento usada pelo espaço de trabalho também deve se conectar à VNet usando um endpoint privado.
• Você precisa recriar a instância de computação ou reduzir o cluster de computação para zero nós.
  • Não é necessário se você ingressou na versão prévia.
  • Não é necessário se você tiver uma nova instância de computação e um cluster de cálculo criados após dezembro de 2022.

Por que preciso usar a política de ponto de extremidade de serviço

As políticas de ponto de extremidade de serviço permitem filtrar o tráfego de saída da rede virtual para contas de Armazenamento do Azure por meio de pontos de extremidade de serviço e restringir a exfiltração de dados apenas a contas específicas de Armazenamento do Azure. A instância de computação e o cluster de cálculo do Azure Machine Learning exigem acesso a contas de armazenamento gerenciadas pela Microsoft para seu provisionamento. O alias do Azure Machine Learning nas políticas do ponto de extremidade do serviço inclui contas de armazenamento gerenciadas pela Microsoft. Usamos políticas de endpoint de serviço com o alias do Azure Machine Learning para evitar a exfiltração de dados ou controlar as contas de armazenamento de destino. Saiba mais na documentação da política do ponto de extremidade de serviço.

1. Criar a política de ponto de extremidade de serviço

1. No Portal do Azure, adicione uma nova Política de ponto de extremidade de serviço. Na guia Básico, forneça as informações necessárias e selecione Avançar.

2. Na guia Definições de política, execute as seguintes ações:

   1. Selecione + Adicionar um recurso e forneça as seguintes informações:

      • Serviço: Microsoft.Storage
      • Escopo: selecione o escopo como Conta única para limitar o tráfego de rede a uma conta de armazenamento.
      • Assinatura: a assinatura do Azure que contém a conta de armazenamento.
      • Grupo de recursos: o grupo de recursos que contém a conta de armazenamento.
      • Recurso: A conta de armazenamento padrão do espaço de trabalho.

      Selecione Adicionar para adicionar as informações do recurso.

      

   2. Selecione + Adicionar um alias e selecione /services/Azure/MachineLearning como o valor do Alias do Servidor. Selecione Adicionar para adicionar o alias.

      Observação

      A CLI do Azure e o Azure PowerShell não dão suporte à adição de um alias à política.

3. Clique em Examinar + Criar, depois em Criar.

2. Permitir o tráfego de rede de entrada e saída

Entrada

Ao usar a instância de computação do Azure Machine Learning com um endereço IP público, permita o tráfego de entrada do gerenciamento de Lote do Azure (marca de serviço BatchNodeManagement.<region>). A instância de computação sem IP públiconão exige essa comunicação de entrada.

Saída

Selecione a configuração que você está usando:

3. Habilite o ponto de extremidade de armazenamento para a sub-rede

Use as seguintes etapas para habilitar um ponto de extremidade de armazenamento para a sub-rede que contém seus clusters de cálculo e instâncias de computação do Azure Machine Learning:

1. No portal do Azure, selecione a Rede Virtual do Azure do seu workspace do Azure Machine Learning.
2. À esquerda da página, selecione Sub-redes e selecione a sub-rede que contém o cluster de cálculo e a instância de computação.
3. No formulário exibido, expanda a lista suspensa Serviços e habilite Microsoft.Storage. Selecione Salvar para salvar essas alterações.
4. Aplique a política de ponto de extremidade de serviço à sub-rede do workspace.

4. Ambientes selecionados

Ao usar ambientes selecionados do Azure Machine Learning, certifique-se de usar a versão mais recente do ambiente. O registro de contêiner para o ambiente também deve ser mcr.microsoft.com. Para verificar o registro de contêiner, use as seguintes etapas:

1. No Estúdio do Azure Machine Learning, selecione seu workspace e escolha Ambientes.

2. Verifique se o Registro de Contêiner do Azure começa com um valor de mcr.microsoft.com.

   Importante

   Se o registro de contêiner for viennaglobal.azurecr.io, você não poderá usar o ambiente coletado com a exfiltração dos dados. Tente atualizar para a versão mais recente do ambiente selecionado.

3. Ao usar mcr.microsoft.com, você também deve permitir a configuração de saída para os recursos a seguir. Selecione a opção de configuração que você está usando:

   • Marca de serviço/NSG
   • Firewall

   Permita o tráfego de saída pela porta TCP 443 para as seguintes marcas de serviço. Substitua <region> pela região do Azure que contém o seu cluster de cálculo ou a sua instância de computação:

   • MicrosoftContainerRegistry.<region>
   • AzureFrontDoor.FirstParty

Próximas etapas

Para obter mais informações, consulte os seguintes artigos:

• Como configurar o tráfego de rede de entrada e saída
• Comunicação entre nós simplificada no Lote do Azure