为你的Azure数据科学项目融入安全保护

Azure AzureDatabricks DevOps 数据科学 安全性

1. 简介

很多公司在想方设法将自己的数据科学项目投入实用。在上一篇博客文章中，我们讨论了如何为数据科学项目配置构建/发布管道，借此即可：1) 以端到端的方式跟踪模型，2) 在模型中构建信任，进而3) 避免出现导致模型预测结果变得不可理解的情况。

在每个构建/发布管道中，安全性都至关重要。常见的安全问题包括：

• 数据和终结点的身份验证和授权
• 数据和终结点的网络隔离
• 密钥在保管库中的安全存储以及密钥的轮换过程

2. 目标

本文我们将为一个用于预测某人收入类型的机器学习模型创建构建/发布管道。为此将使用Azure Databricks创建模型，并将其以HTTPS终结点的形式部署到Web App中。该构建/发布管道融入了如下安全机制：

• 数据存储在第2代Azure存储中，并使用服务终结点连接至一个VNET
• 密钥存储在Azure密钥保管库（Key Vault）中，密钥的轮换包含在构建过程中
• 使用Azure Active Directory对Web App进行身份验证
• （可选）Web App被创建在一个App Service Environment（ASE）VNET中

整个环境可以通过下列架构概述图来体现：

架构概述

下文将执行下列操作：

• 前提要求
• 创建机器学习模型
• 在Azure DevOps中构建模型
• 在Azure DevOps中发布模型
• 结论

不过具体操作和本文的主题关系不大，本文主要侧重于安全性，而非机器学习模型的创建。如果你更关心机器学习方面的内容，建议阅读上一篇博客文章，或参阅这里使用Scikit-learn。

3. 前提要求

首先需要在同一个位置的同一个资源组中创建如下资源。

• Azure CLI
• Azure密钥保管库
• Azure Data Lake存储账户，第2代
• Azure Databricks工作区。如果需要为存储账户设置防火墙规则（参阅步骤4d），需要将Databricks部署到自己的VNET中，请参阅这里
• Azure Machine Learning Service
• Azure DevOps

4. 创建机器学习模型

本步骤需要执行如下操作，并且会尽可能使用Azure CLI来执行。

• 4a. 将存储密钥加入密钥保管库
• 4b. 在Azure Databricks中创建机密范围（Secret scope）
• 4c. 将数据加入存储账户
• 4d. （可选）存储账户的网络隔离
• 4e. 在Azure Databricks中运行Notebook

4a. 将存储密钥加入密钥保管库

在本步骤中，我们将使用Azure CLI将存储账户所用密钥加入密钥保管库。请按照如下方式复制密钥：

az login
az storage account keys list -g <<resource group>> -n <<stor name>>

随后使用下列代码将存储账户的名称和存储账户密钥添加至Azure密钥保管库。请确保登录Azure CLI的用户有足够权限在密钥保管库中创建/列出/获取密钥。

az keyvault secret set -n stor-key --vault-name <<vault name>> --value <<stor key>>

4b. 在Azure Databricks中创建机密范围

在Databricks中创建一个由Azure密钥保管库支撑的机密范围。这样即可在密钥保管库中存储机密，而无需将密钥存储在Notebook中。请将该机密范围的名称设置为：devaisec。

详见：Secret Scopes – Databricks文档

4c. 将数据加入存储账户

从https://amldockerdatasets.azureedge.net/AdultCensusIncome.csv将数据文件下载到计算机，随后按照如下方法将其加入存储容器：

az storage container create -n dbrdata --account-name <<stor name>>
az storage blob upload -f <<...\AdultCensusIncome.csv>> 
-c dbrdata -n AdultCensusIncome.csv --account-name <<stor name>>

4d. （可选）存储账户的网络隔离

只有在将Databricks工作区部署到自己的VNET时才需要执行这一步操作，详见这里。打开存储账户，选择防火墙，随后添加部署了Databricks工作区的VNET即可。

为存储账户添加VNET

请务必同时将Databricks VNET的专用和公用子网加入存储账户的防火墙。

4e. 在Azure Databricks中运行Notebook

打开Azure Databricks工作区，右键点击并选择导入。在随后出现的单选按钮中选择使用URL导入下列Notebook：

https://raw.githubusercontent.com/rebremer/devopsai_databricks/master/project/modelling/1_incomeNotebookExploration_sec.py

将下列变量替换为自己的变量值：

storageAccountName = "<<stor name>>"                   # 参阅步骤3
azureKevVaultstor2Key = "stor-key"                     # 参阅步骤4a
secretScope = "devaisec"                               # 参阅步骤4b
storageContainer = "dbrdata"                           # 参阅步骤4c
fileName = "AdultCensusIncome.csv"                     # 参阅步骤4c

另外还需要运行一个供Notebook连接的集群。该集群可以使用默认设置创建，随后就可以运行Notebook创建机器学习模型。

5. 在Azure DevOps中构建模型

Azure DevOps可用于持续构建、测试并部署代码到任何平台和云。为此需要：

• 5a. 在Databricks中创建令牌
• 5b. 创建Azure DevOps项目并添加代码库
• 5c. 创建服务连接
• 5d. 为项目添加机密变量
• 5e. 为项目添加其他变量
• 5f. 创建并构建管道

5a. 在Databricks中创建个人访问令牌

以编程的方式访问Azure Databricks必需具备令牌。请打开Azure Databricks并点击右上角的人像图标。选择用户设置，随后生成新令牌。

生成Databricks访问令牌

随后将该密钥加入Azure密钥保管库：

az keyvault secret set -n dbr-token --vault-name <<vault name>> --value <<token_id>>
az keyvault secret set -n dbr-key --vault-name <<vault name>> --value <<key value>>

此外也可以将你的subscription_id值加入密钥保管库。

az keyvault secret set -n subscription-id 
--vault-name <<vault name>> --value <<subscription_id>>

个人访问令牌将在构建管道中进行轮换。

5b. 创建Azure DevOps项目并添加代码库

按照这里的介绍新建一个Azure DevOps项目。新建项目后，点击代码库文件夹，并选择导入下列代码库：

https://github.com/rebremer/devopsai_databricks.git

5c. 创建服务连接

从VSTS访问资源组中的资源，这需要具备服务连接。请打开项目设置-服务连接，随后选择Azure Resource Manager。

打开服务连接界面

选择服务主体身份验证（Service Principal Authentication）并将范围限制在资源组范围内。将该连接的名称设置为devopsaisec_service_connection。

创建Azure Resource Manager服务连接

若要配置从Azure DevOps管道进行密钥轮换，服务主体需要针对Azure密钥保管库具备Set权限。因此请点击服务连接并选择“更新服务连接”以查看该服务连接的应用程序ID，随后点击“使用完整版本的服务连接对话框”链接。

服务连接的应用程序ID

最后，需要在密钥保管库中为服务主体设置Set机密所需的权限（服务连接已经具备Get和List权限）。

az keyvault set-policy --name <<vault name>> 
--resource-group <<resource group>>
--secret-permissions get list set 
--spn <<application id>>

5d. 为项目添加机密变量

在步骤4a中，存储密钥已添加至Azure密钥保管库。随后在步骤5a添加了Databricks访问令牌和subscription_id。

Azure DevOps项目需要这些机密。因此请点击库并选择将Azure密钥保管库中的机密链接至项目。选中步骤5b创建的服务连接以及存储了机密的密钥保管库，随后点击“授权”。

为密钥保管库授权

最后将机密变量“dbr-key”、“dbr-token”和“subscription-id”添加到项目并点击保存。

5e. 为项目添加其他变量

除了机密变量，Azure DevOps项目的正常运行还需要其他配置。因此请打开库，允许访问所有管道，并以组的方式添加如下变量以及相应的值：

amls-name         <<azure ml_service name>>
dbr-secretscope   devaisec <<see step_4b>>
dbr-url           <<dbr_url, <<your region>>.azuredatabricks.net>>
rg-name           <<resource group>>
stor-container    dbrdata <<see step_4c>>
stor-name         <<store name>>
keyvault-name     <<vault name>>

创建要在项目中使用的机密变量组

5f. 创建并构建管道

这一步将创建构建管道。点击“管道”，选择“新建”，随后选择“新建构建管道”。保留默认设置并点击“继续”。在随后出现的界面中，选择“配置即代码”然后点击“应用”。

为Agent Pool选择“hosted Ubuntu 1604”并选择文件路径为：project/configcode_build_sec.yml。随后点击保存，应该能看到下图所示的界面。

配置即代码

最后链接之前创建的机密变量组。为此请点击变量组，将步骤5d创建的机密变量组，以及步骤5e创建的其他变量组链接起来，最后点击“保存并排队”开始构建。

将变量组链接到构建管道并开始构建

成功运行后，即可看到该构建的首次运行和最后运行结果。

构建成功

在这个构建管道中，将执行下列步骤：

• 使用Azure Databricks运行Notebook以创建模型
• 从模型创建要在发布步骤中部署的Docker镜像
• 为了尽可能降低风险，对Databricks令牌执行密钥轮换
• 所创建的构建工件将用作发布管道的输入内容

6. 在Azure DevOps中发布模型

记下来需要创建发布管道。借此即可将机器学习模型作为容器部署到Web应用。

• 6a. （可选）创建App Service Environment
• 6b. 创建Web应用和应用服务计划
• 6c. 创建发布管道
• 6d. 将容器部署到Web应用
• 6e. 在Web应用中启用Azure Active Directory身份验证
• 6f. 在Postman中设置Web应用的身份验证

6a. （可选）创建App Service Environment

为了让Web应用获得完整的网络隔离，这需要使用App Service Environment。所有Web应用和应用服务计划均可部署在同一个App Service Env中。

详见：使用App Service Environment创建内部负载均衡器 - Azure

请注意，App Service Environment的成本可能较高。下文的操作也可以通过未部署在专用ASE中的Web应用实现，不过此时Web应用将获得公共IP。

6b. 使用Azure CLI创建Web应用

执行下列命令在Linux中创建Azure Web：

az appservice plan create -g <<resource group>> -n devaisec-plan --is-linux --sku S1
az webapp create -n devaisec-app -g <<resource group>> 
-p devaisec-plan -i elnably/dockerimagetest

6c. 创建发布管道

本步会将容器部署到Web应用。请打开“管道”，选择“发布”，随后选择“空作业”模板。更改名称并点击保存。

创建发布管道

添加要通过该管道发布的工件。本例中可以选择通过构建管道创建的工件。请务必始终选择默认版本：Latest。

添加发布工件

最后将两个变量组（在步骤5c和步骤5d中创建）添加到发布管道。打开发布管道中的变量，并链接这两个组，具体操作与构建管道中的做法类似。

6d. 将容器部署到Web应用

打开发布管道并选择添加任务。随后将看到代理作业（Agent job）界面。此处也需要将Agent Pool改为Hosted Ubuntu 1604。

Agent pool Ubuntu 1604

随后通过搜索Azure CLI添加一个新任务。选择devopsaisec_service_connection作为服务连接，并引用“41_deployImageToWebapp_sec.sh”作为脚本路径。随后通过引用变量$(rg-name)的方式使用下列三个参数并用空格分隔：Web应用的名称，容器注册表的名称，以及资源组的名称。

使用Azure CLI将容器部署到Web应用

保存并关闭，随后选择创建发布管道。填写所需变量创建发布。随后部署该发布，为此请点击部署按钮。等待约5分钟，然后确认状态已从“未部署”变为“成功”。

6e. 在Web应用中启用Azure Active Directory身份验证

该步骤将通过Azure门户为Web应用启用Azure Active Directory身份验证。请打开Web应用，选择身份验证/授权，随后选择Azure Active Directory。然后选择快速（Express），并使用Web应用的名称创建一个新的应用注册。

在Web应用中设置AAD身份验证

经过该操作，这个Web应用的URL就需要身份验证，否则将无法使用。

6f. 在Postman中设置Web应用的身份验证

最后还需要配置通过Postman工具对Web应用进行身份验证。下文将介绍具体做法。

在设置了Postman并在Postman中针对Web应用配置了客户端身份验证后，即可使用HTTPS终结点创建预测。项目的project/services/50_testEndpoint.py中提供了载荷范例。本例中将预测三个人的收入类型。

• 所预测的第一个人的收入超过5万，
• 另外两个人的收入低于5万。

使用Bearer身份验证的Postman可以使用API进行预测

7. 结论

本文我们为机器学习项目创建了安全的端到端管道。其中使用Azure Databricks创建机器学习模型，并将其作为终结点部署到Web应用。这个端到端管道可通过下列方式加以保护：

• 使用Azure Active Directory对Web应用进行身份验证和授权
• 为存储账户和Web应用配置了网络访问控制列表
• 密钥被安全地存储在Azure密钥保管库中，构建管道添加了密钥轮换过程

借此我们即可1) 以端到端的方式跟踪模型，2) 在模型中构建信任，3) 避免出现导致模型预测结果变得不可理解的情况，以及4) 通过AAD、VNET和密钥保管库保护所有数据、终结点和机密。整体架构如下所示：

架构概述

本文最初发布于Towards Data Science博客，原作者René Bremer。经原作者授权由InfoQ中文站翻译并分享。点击查看原文：How to embed security in your Azure Data Science Project。