MediaOpción múltiple

Pregunta de práctica de PMLE

Está entrenando un modelo de bosque aleatorio (random forest) de scikit-learn en un conjunto de datos tabular grande utilizando un trabajo de entrenamiento personalizado de Vertex AI. El script de entrenamiento lee un archivo CSV desde un bucket de Cloud Storage y escribe el artefacto del modelo entrenado en el mismo bucket. Debe asegurarse de que el trabajo de entrenamiento pueda acceder al bucket de Cloud Storage sin incrustar credenciales de larga duración en el contenedor. ¿Qué debe hacer?

Elige la mejor respuesta.

Respuesta correcta

  • CAdjuntar una cuenta de servicio personalizada al trabajo de entrenamiento de Vertex AI que tenga los roles Storage Object Viewer y Storage Object Creator en el bucket, y permitir que el servicio Vertex AI Training use las credenciales de la cuenta de servicio automáticamente.

Explicación

El enfoque correcto es adjuntar una cuenta de servicio personalizada con roles de Cloud Storage de mínimo privilegio al trabajo de entrenamiento de Vertex AI. Los trabajos de entrenamiento de Vertex AI utilizan automáticamente las credenciales de la cuenta de servicio adjunta a través del servidor de metadatos, por lo que no se necesitan archivos de claves. Esto garantiza una autenticación segura y de corta duración y sigue las mejores prácticas de Google Cloud para el control de acceso.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Otorgar el rol Vertex AI Service Agent a la cuenta de servicio predeterminada de Compute Engine y confiar en las credenciales predeterminadas proporcionadas por el entorno de entrenamiento para acceder al bucket.

La cuenta de servicio predeterminada de Compute Engine puede tener permisos amplios, pero otorgar el rol Vertex AI Service Agent no otorga acceso a Cloud Storage. El trabajo de entrenamiento aún carecería de los permisos necesarios Storage Object Viewer y Storage Object Creator a menos que esos roles se otorguen explícitamente a la cuenta de servicio utilizada por el trabajo.

B

Incorrecta

Configurar el trabajo de entrenamiento para usar una cuenta de servicio administrada por el usuario que tenga el rol Editor en el proyecto, asegurando que tenga suficientes permisos para leer y escribir en cualquier bucket de Cloud Storage.

Usar una cuenta de servicio con el rol Editor viola el principio de mínimo privilegio. Si bien otorgaría acceso, proporciona permisos excesivos más allá de lo necesario para leer y escribir en el bucket específico. Una cuenta de servicio personalizada con solo los roles de Storage requeridos es el enfoque correcto y seguro.

C

Correcta

Adjuntar una cuenta de servicio personalizada al trabajo de entrenamiento de Vertex AI que tenga los roles Storage Object Viewer y Storage Object Creator en el bucket, y permitir que el servicio Vertex AI Training use las credenciales de la cuenta de servicio automáticamente.

Los trabajos de entrenamiento personalizado de Vertex AI pueden ejecutarse como una cuenta de servicio administrada por el usuario. Sus credenciales de corta duración llegan al contenedor automáticamente a través del servidor de metadatos, por lo que las bibliotecas cliente se autentican a través de las Credenciales Predeterminadas de la Aplicación sin archivo de claves. Otorgar solo Storage Object Viewer y Storage Object Creator en este bucket sigue el principio de mínimo privilegio, y el usuario que realiza el lanzamiento necesita el rol Service Account User en esa cuenta.

D

Incorrecta

Crear un archivo de clave de cuenta de servicio, almacenarlo en Secret Manager y montarlo en el contenedor de entrenamiento como un volumen para que el script de scikit-learn pueda leer la clave y autenticarse en Cloud Storage.

Aunque Secret Manager puede almacenar secretos, montar un archivo de clave de cuenta de servicio requiere gestionar la rotación de claves y expone credenciales de larga duración al contenedor. Los trabajos de entrenamiento de Vertex AI ya tienen acceso a un servidor de metadatos que proporciona tokens de corta duración para la cuenta de servicio adjunta, lo que hace que los archivos de claves sean innecesarios y menos seguros.

Para profundizar

Los trabajos de entrenamiento personalizado de Vertex AI se ejecutan con una identidad de cuenta de servicio. Si especifica una cuenta de servicio administrada por el usuario al crear el trabajo, el contenedor de entrenamiento recibe credenciales de corta duración automáticamente a través del servidor de metadatos del entorno, y las bibliotecas cliente de Google Cloud, como google-cloud-storage, o el montaje de gcsfuse en /gcs/, las recogen mediante las Credenciales Predeterminadas de la Aplicación (Application Default Credentials) sin archivos de claves ni cambios de código. Otorgar a esa cuenta de servicio solo lo que el trabajo necesita, Storage Object Viewer para leer el CSV y Storage Object Creator para escribir el artefacto del modelo, concedidos en el bucket específico en lugar del proyecto, sigue el principio de mínimo privilegio, y las acciones del trabajo se pueden atribuir a una identidad dedicada en los registros de auditoría. Esa es la opción C. El usuario o pipeline que lanza el trabajo también necesita el permiso 'iam.serviceAccounts.actAs', a través del rol Service Account User, en esa cuenta de servicio. Las otras opciones son más débiles. Depender de la cuenta de servicio predeterminada (opción A) funciona de forma predeterminada, pero las cuentas predeterminadas tienden a tener permisos amplios y son compartidas por muchas cargas de trabajo, lo cual va en contra del mínimo privilegio, y el rol Vertex AI Service Agent es para el propio agente de servicio de Google, no para su código de entrenamiento. El rol Editor (opción B) otorga un amplio acceso de escritura en todo el proyecto, mucho más allá de leer y escribir un bucket. Una clave de cuenta de servicio (opción D) es una credencial de larga duración que puede filtrarse, necesita rotación y es exactamente lo que la pregunta quiere evitar; Google recomienda evitar los archivos de claves siempre que sea posible utilizar identidades adjuntas o federación de identidades de cargas de trabajo, y muchas organizaciones bloquean la creación de claves con una política de organización. El mismo patrón se aplica a otros servicios de Google Cloud que ejecutan su código.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de PMLE de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.

Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.