MoyenneChoix unique

Question d'entraînement PMLE

Vous entraînez un modèle de forêt aléatoire (random forest) scikit-learn sur un grand jeu de données tabulaire à l'aide d'une tâche d'entraînement personnalisée Vertex AI. Le script d'entraînement lit un fichier CSV à partir d'un bucket Cloud Storage et écrit l'artefact du modèle entraîné dans le même bucket. Vous devez vous assurer que la tâche d'entraînement peut accéder au bucket Cloud Storage sans intégrer d'identifiants à long terme dans le conteneur. Que devez-vous faire ?

Choisissez la meilleure réponse.

Bonne réponse

  • CAssocier un compte de service personnalisé à la tâche d'entraînement Vertex AI qui possède les rôles Storage Object Viewer et Storage Object Creator sur le bucket, et laisser le service Vertex AI Training utiliser automatiquement les identifiants du compte de service.

Explication

L'approche correcte consiste à associer un compte de service personnalisé doté de rôles Cloud Storage à privilèges minimum à la tâche d'entraînement Vertex AI. Les tâches d'entraînement Vertex AI utilisent automatiquement les identifiants du compte de service associé via le serveur de métadonnées, aucun fichier de clé n'est donc nécessaire. Cela garantit une authentification sécurisée à courte durée de vie et suit les meilleures pratiques de Google Cloud en matière de contrôle d'accès.

Pourquoi chaque option est juste ou fausse

A

Fausse

Accorder le rôle Vertex AI Service Agent au compte de service Compute Engine par défaut et s'appuyer sur les identifiants par défaut fournis par l'environnement d'entraînement pour accéder au bucket.

Le compte de service Compute Engine par défaut peut disposer de larges autorisations, mais l'attribution du rôle Vertex AI Service Agent n'accorde pas l'accès à Cloud Storage. La tâche d'entraînement manquerait toujours des autorisations nécessaires Storage Object Viewer et Storage Object Creator, à moins que ces rôles ne soient explicitement accordés au compte de service utilisé par la tâche.

B

Fausse

Configurer la tâche d'entraînement pour utiliser un compte de service géré par l'utilisateur qui possède le rôle Éditeur sur le projet, en veillant à ce qu'il dispose de suffisamment d'autorisations pour lire et écrire dans n'importe quel bucket Cloud Storage.

L'utilisation d'un compte de service doté du rôle Éditeur viole le principe du moindre privilège. Bien que cela accorde l'accès, cela fournit des autorisations excessives au-delà de ce qui est nécessaire pour lire et écrire dans le bucket spécifique. Un compte de service personnalisé doté uniquement des rôles Storage requis est l'approche correcte et sécurisée.

C

Juste

Associer un compte de service personnalisé à la tâche d'entraînement Vertex AI qui possède les rôles Storage Object Viewer et Storage Object Creator sur le bucket, et laisser le service Vertex AI Training utiliser automatiquement les identifiants du compte de service.

Les tâches d'entraînement personnalisé Vertex AI peuvent s'exécuter en tant que compte de service géré par l'utilisateur. Ses identifiants à courte durée de vie atteignent automatiquement le conteneur via le serveur de métadonnées, de sorte que les bibliothèques clientes s'authentifient via les identifiants par défaut de l'application sans fichier de clé. N'accorder que Storage Object Viewer et Storage Object Creator sur ce bucket respecte le moindre privilège, et l'utilisateur effectuant le lancement a besoin du rôle Service Account User sur ce compte.

D

Fausse

Créer un fichier de clé de compte de service, le stocker dans Secret Manager et le monter dans le conteneur d'entraînement en tant que volume afin que le script scikit-learn puisse lire la clé et s'authentifier auprès de Cloud Storage.

Bien que Secret Manager puisse stocker des secrets, le montage d'un fichier de clé de compte de service nécessite la gestion de la rotation des clés et expose des identifiants à long terme au conteneur. Les tâches d'entraînement Vertex AI ont déjà accès à un serveur de métadonnées qui fournit des jetons à courte durée de vie pour le compte de service associé, ce qui rend les fichiers de clé inutiles et moins sécurisés.

Pour aller plus loin

Les tâches d'entraînement personnalisé Vertex AI s'exécutent avec une identité de compte de service. Si vous spécifiez un compte de service géré par l'utilisateur lors de la création de la tâche, le conteneur d'entraînement reçoit automatiquement des identifiants à courte durée de vie via le serveur de métadonnées de l'environnement, et les bibliothèques clientes Google Cloud, telles que google-cloud-storage, ou le montage gcsfuse sur /gcs/, les récupèrent via les identifiants par défaut de l'application (Application Default Credentials) sans fichier de clé ni modification de code. Attribuer à ce compte de service uniquement ce dont la tâche a besoin, Storage Object Viewer pour lire le CSV et Storage Object Creator pour écrire l'artefact du modèle, accordés sur le bucket spécifique plutôt que sur le projet, respecte le principe du moindre privilège, et les actions de la tâche sont attribuables à une identité dédiée dans les journaux d'audit. C'est l'option C. L'utilisateur ou le pipeline lançant la tâche a également besoin de l'autorisation 'iam.serviceAccounts.actAs', via le rôle Service Account User, sur ce compte de service. Les autres options sont plus faibles. S'appuyer sur le compte de service par défaut (option A) fonctionne par défaut, mais les comptes par défaut ont tendance à avoir de larges autorisations et sont partagés par de nombreuses charges de travail, ce qui va à l'encontre du moindre privilège, et le rôle Vertex AI Service Agent est destiné au propre agent de service de Google, et non à votre code d'entraînement. Le rôle Éditeur (option B) accorde un large accès en écriture sur l'ensemble du projet, bien au-delà de la lecture et de l'écriture d'un seul bucket. Une clé de compte de service (option D) est un identifiant à long terme qui peut fuiter, nécessite une rotation et est exactement ce que la question cherche à éviter ; Google recommande d'éviter les fichiers de clé partout où des identités associées ou la fédération d'identités de charges de travail sont possibles, et de nombreuses organisations bloquent la création de clés par une politique d'organisation. Le même modèle s'applique à d'autres services Google Cloud qui exécutent votre code.

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement PMLE originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.

Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.