Prevenção de exfiltração de 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 de dados por agentes mal-intencionados dentro da sua organização. Este documento explica como minimizar o risco de exfiltração de dados limitando os requisitos de entrada e saída.

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

• Tráfego de saída: Se os agentes mal-intencionados não tiverem acesso de gravação a recursos de destino no tráfego de saída, não conseguem usá-lo para exfiltração de dados. O Microsoft Entra ID, o Azure Resource Manager, o Azure Machine Learning e o Microsoft Container Registry pertencem a esta categoria. Por outro lado, o armazenamento e o AzureFrontDoor.frontend podem ser usados para exfiltração de dados.

  • Saída de armazenamento: esse requisito vem da instância de computação e do cluster de computação. Um agente mal-intencionado pode usar essa regra de saída para exfiltrar dados provisionando e salvando dados em sua própria conta de armazenamento. Você pode remover o risco de exfiltração de dados usando uma Política de Ponto de Extremidade de Serviço do Azure e a arquitetura de comunicação de nó simplificada do Azure Batch.

  • AzureFrontDoor.frontend outbound: o Azure Front Door é usado pela interface do usuário do estúdio Azure Machine Learning e pelo AutoML. Em vez de permitir a saída para a marca de serviço (AzureFrontDoor.frontend), altere para os seguintes nomes de domínio totalmente qualificados (FQDN). A comutação para esses FQDNs remove o tráfego de saída desnecessário incluído na etiqueta de serviço e permite apenas o que é necessário para a interface do utilizador do estúdio do Azure Machine Learning e do AutoML.

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

Pré-requisitos

• Uma subscrição do Azure
• Uma Rede Virtual do Azure (VNet)
• Um espaço de trabalho do Azure Machine Learning com um endpoint privado que se conecta à VNet.
  • A conta de armazenamento usada pelo espaço de trabalho também deve se conectar à VNet usando um ponto de extremidade privado.
• Você precisa recriar instância de computação ou reduzir o cluster de computação para zero nós.
  • Não é necessário se tiver aderido ao programa de pré-visualização.
  • Não é necessário se você tiver uma nova instância de computação e cluster de computação criados após dezembro de 2022.

Por que é necessário utilizar a política de ponto final do serviço?

As políticas de ponto de extremidade de serviço permitem filtrar o tráfego de rede virtual de saída para contas de Armazenamento do Azure em relação ao ponto de extremidade de serviço e permitir a exfiltração de dados apenas para contas específicas do Armazenamento do Azure. A instância de computação do Azure Machine Learning e o cluster de computação exigem acesso a contas de armazenamento gerenciadas pela Microsoft para seu provisionamento. Os aliases do Azure Machine Learning nas políticas de ponto final de serviço incluem contas de armazenamento geridas 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. Pode saber mais na documentação da política do Service Endpoint.

1. Crie a política de endpoint do serviço

1. No portal do Azure, adicione uma nova Política de Endpoint de Serviço. Na guia Noções básicas, 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 seu espaço de trabalho.

      Selecione Adicionar para adicionar as informações do recurso.

      

   2. Selecione + Adicionar uma alcunha e, em seguida, selecione /services/Azure/MachineLearning como o valor de alcunha do servidor. Selecione Adicionar para adicionar o alias.

      Nota

      A CLI do Azure e o Azure PowerShell não fornecem suporte para adicionar um alias à política.

3. Selecione Rever + Criar e, em seguida, selecione Criar.

2. Permitir tráfego de rede de entrada e saída

Entrada

Ao usar uma instância de computação do Azure Machine Learning com um endereço IP público, permita o tráfego inbound da gestão do Azure Batch (tag de serviço ). Uma instância de computação sem endereço IP públiconão requer essa comunicação de entrada.

De Saída

Selecione a configuração que você está usando:

3. Habilite o endpoint de armazenamento para a sub-rede

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

1. No portal do Azure, selecione a Rede Virtual do Azure para seu espaço de trabalho do Azure Machine Learning.
2. À esquerda da página, selecione Sub-redes e, em seguida, selecione a sub-rede que contém o cluster de computação 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 espaço de trabalho.

4. Ambientes com curadoria

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

1. No estúdio do Azure Machine Learning, selecione seu espaço de trabalho e, em seguida, selecione Ambientes.

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

   Importante

   Se o registo de contentores for viennaglobal.azurecr.io, não poderá usar o ambiente gerido com a exfiltração de dados. Tente atualizar para a versão mais recente do ambiente selecionado.

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

   • Etiqueta de serviço/NSG
   • Firewall

   Permita o tráfego de saída através da porta TCP 443 para as seguintes etiquetas de serviço. Substitua <region> pela região do Azure que contém seu cluster ou instância de computação.

   • MicrosoftContainerRegistry.<region>
   • AzureFrontDoor.FirstParty

Próximos passos

Para obter mais informações, consulte os seguintes artigos:

• Como configurar o tráfego de rede de entrada e saída
• Comunicação simplificada de nós do Azure Batch