配置入站和出站网络流量

Azure 机器学习需要在公共 Internet 上访问服务器和服务。 实现网络隔离时，需要了解所需的访问权限以及启用方式。

常见术语和信息

本文中使用了以下术语和信息：

• Azure 服务标记：服务标记是指定 Azure 服务使用的 IP 范围的一种简单方法。 例如，AzureMachineLearning 标记表示 Azure 机器学习服务使用的 IP 地址。

  重要

  Azure 服务标记仅受某些 Azure 服务支持。 有关网络安全组和 Azure 防火墙支持的服务标记列表，请参阅虚拟网络服务标记一文。

  如果使用非 Azure 解决方案（如第三方防火墙），请下载 Azure IP 范围和服务标记的列表。 提取文件并在文件中搜索服务标记。 IP 地址可能会定期改变。

• 区域：某些服务标记可用于指定 Azure 区域。 这会限制对特定区域（通常是服务所在的区域）中的服务 IP 地址的访问。 在本文中，当看到 <region>时，请替换你的 Azure 区域。 例如，如果 Azure 机器学习工作区位于“中国东部 2”区域，则 BatchNodeManagement.<region> 为 BatchNodeManagement.chinaeast2。

• Azure Batch：Azure 机器学习计算群集和计算实例依赖于后端 Azure Batch 实例。 此后端服务托管在 Azure 订阅中。

• 端口：本文使用以下端口。 如果某个端口范围未在本文中列出，则该范围是特定于服务的，可能未发布有关其用途的任何信息：

  端口	说明
  80	不安全的 Web 流量 (HTTP)
  443	安全的 Web 流量 (HTTPS)
  445	用于访问 Azure 文件存储中的文件共享的 SMB 流量
  8787	在计算实例上连接到 RStudio 时使用
  18881	用于连接到语言服务器，以便为计算实例上的笔记本启用 IntelliSense。

• 协议：除非另有说明，否则本文中提到的所有网络流量都使用 TCP。

基本配置

此配置需要以下前提：

• 你使用的是由你提供的容器注册表所提供的 docker 映像，并且不会使用 Microsoft 提供的映像。
• 你使用的是专用 Python 包存储库，并且不会访问公共包存储库，例如 pypi.org、*.anaconda.com 或 *.anaconda.org。
• 专用终结点可以在 VNet 中直接相互通信。 例如，所有服务在同一 VNet 中都有一个专用终结点：
  • Azure 机器学习工作区
  • 存储帐户（Blob、文件、表、队列）

入站流量

出站流量

用于训练和部署模型的建议配置

出站流量

若要允许安装用于训练和部署的 Python 包，请允许以下主机名的出站流量：

方案：在计算实例上安装 RStudio

若要允许在计算实例上安装 RStudio，防火墙需要允许对要从中拉取 Docker 映像的站点进行出站访问。 将以下应用程序规则添加到 Azure 防火墙策略：

• 名称：AllowRStudioInstall
• 源类型：IP 地址
• 源 IP 地址：要在其中创建计算实例的子网的 IP 地址范围。 例如，172.16.0.0/24。
• 目标类型：FQDN
• 目标 FQDN：ghcr.io、pkg-containers.githubusercontent.com
• 协议：Https:443

若要允许安装 R 包，请允许 cloud.r-project.org 的出站流量。 此主机用于安装 CRAN 包。

方案：使用具有公共 IP 的计算群集或计算实例

使用 Azure 机器学习计算实例或计算群集（具有公共 IP 地址）时，允许来自 Azure 机器学习服务的入站流量。 无公共 IP 的计算实例或计算群集（预览版）不需要此入站通信。 系统会为你动态创建允许此流量的网络安全组，但如果你有防火墙，则可能还需要创建用户定义的路由 (UDR)。 在为此流量创建 UDR 时，可以使用 IP 地址或服务标记来路由该流量 。

az network route-table route create -g MyResourceGroup --route-table-name MyRouteTable -n AzureMLRoute --address-prefix AzureMachineLearning --next-hop-type Internet

有关配置 UDR 的信息，请参阅使用路由表路由网络流量。

方案：Azure 机器学习与 Azure 存储终结点之间的防火墙

还必须允许对端口 445 上的 Storage.<region> 进行出站访问。

场景：在启用了 hbi_workspace 标志的情况下创建的工作区

还必须允许对 Keyvault.<region> 进行出站访问。 此出站流量用于访问后端 Azure Batch 服务的密钥保管库实例。

有关 hbi_workspace 标志的详细信息，请参阅数据加密一文。

方案：使用 Kubernetes 计算

在出站代理服务器或防火墙后面运行的 Kubernetes 群集需要额外的出口网络配置。

• 对于 AKS 群集，请配置 AKS 扩展网络要求。

除了上述要求外，Azure 机器学习还需要以下出站 URL，

群集内通信要求

若要在 Kubernetes 计算上安装 Azure 机器学习扩展，所有与 Azure 机器学习相关的组件都应部署在命名空间 azureml 中。 需要进行以下群集内通信以确保 ML 工作负载在 AKS 群集中正常工作。

• azureml 命名空间中的组件应该能够与 Kubernetes API 服务器通信。
• azureml 命名空间中的组件应该能够相互通信。
• azureml 命名空间中的组件应该能够与 kube-system 命名空间中的 kube-dns 和 konnectivity-agent 通信。
• 如果群集用于实时推理，azureml-fe-xxx POD 应该能够与其他命名空间中 5001 端口上部署的模型 POD 通信。 azureml-fe-xxx POD 应开放 11001、12001、12101、12201、20000、8000、8001、9001 端口以用于内部通信。
• 如果群集用于实时推理，则部署的模型 POD 应该能够与 9999 端口上的 amlarc-identity-proxy-xxx POD 通信。

方案：Visual Studio Code

Visual Studio Code 依赖于特定的主机和端口来建立远程连接。

主机

本部分中的主机用于安装 Visual Studio Code 包，以在 Visual Studio Code 和 Azure 机器学习工作区中的计算实例之间建立远程连接。

端口

必须允许网络流量流向端口 8704 至 8710。 VS Code 服务器会在此范围内动态选择第一个可用端口。

场景：没有服务标记的第三方防火墙或 Azure 防火墙

本部分中的指南是通用的，因为每个防火墙都有自己的术语和特定配置。 如果有任何疑问，请查看所用防火墙的文档。

如果未正确配置，则防火墙可能会在使用工作区时导致问题。 Azure 机器学习工作区使用各种主机名。 以下部分列出了 Azure 机器学习所需的主机。

依赖项 API

还可以使用 Azure 机器学习 REST API 获取必须允许出站流量流向的主机和端口的列表。 若要使用此 API，请遵循以下步骤：

1. 获取身份验证令牌。 以下命令展现了如何使用 Azure CLI 获取身份验证令牌和订阅 ID：

   TOKEN=$(az account get-access-token --query accessToken -o tsv)
   SUBSCRIPTION=$(az account show --query id -o tsv)
   

2. 调用 API。 在以下命令中，替换以下值：

   • 将 <region> 替换为工作区所在的 Azure 区域。 例如，chinaeast2。
   • 将 <resource-group> 替换为包含工作区的资源组。
   • 将 <workspace-name> 替换为工作区的名称。

   az rest --method GET \
       --url "https://<region>.api.ml.azure.cn/rp/workspaces/subscriptions/$SUBSCRIPTION/resourceGroups/<resource-group>/providers/Microsoft.MachineLearningServices/workspaces/<workspace-name>/outboundNetworkDependenciesEndpoints?api-version=2018-03-01-preview" \
       --header Authorization="Bearer $TOKEN"
   

API 调用的结果是 JSON 文档。 以下代码片段节选自此文档：

{
  "value": [
    {
      "properties": {
        "category": "Azure Active Directory",
        "endpoints": [
          {
            "domainName": "login.chinacloudapi.cn",
            "endpointDetails": [
              {
                "port": 80
              },
              {
                "port": 443
              }
            ]
          }
        ]
      }
    },
    {
      "properties": {
        "category": "Azure portal",
        "endpoints": [
          {
            "domainName": "management.chinacloudapi.cn",
            "endpointDetails": [
              {
                "port": 443
              }
            ]
          }
        ]
      }
    },
...

Azure 主机

下表中的主机归 Microsoft 所有，它们提供工作区正常工作所需的服务。 这些表列出了由世纪互联运营的 Azure 区域的主机。

通用 Azure 主机

Azure 机器学习主机

Azure 机器学习计算实例和计算群集主机

通过 Azure 机器学习维护的 Docker 映像

此外，使用具有公共 IP 的计算部分中的信息为 BatchNodeManagement 和 AzureMachineLearning 添加 IP 地址。

如需了解限制访问部署到 AKS 的模型的相关信息，请参阅限制 Azure Kubernetes Service 中的出口流量。

监视、指标和诊断

• dc.applicationinsights.azure.com
• dc.applicationinsights.microsoft.com
• dc.services.visualstudio.com
• *.in.applicationinsights.azure.com

有关这些主机的 IP 地址列表，请参阅 Azure Monitor 使用的 IP 地址。

后续步骤

本文是介绍如何保护 Azure 机器学习工作流系列文章的一部分。 请参阅本系列中的其他文章：

• 虚拟网络概述

• 启用工作室功能
• 使用自定义 DNS

有关配置 Azure 防火墙的详细信息，请参阅教程：使用 Azure 门户部署和配置 Azure 防火墙。