Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Chiffrement des données et des volumes de stockage
Note
Amazon SageMaker Ground Truth n'est plus ouvert aux nouveaux clients. Les clients existants peuvent continuer à utiliser le service normalement. AWS continue d'investir dans l'amélioration de la sécurité et de la disponibilité de Ground Truth, mais nous ne prévoyons pas d'introduire de nouvelles fonctionnalités.
Avec Amazon SageMaker Ground Truth, vous pouvez étiqueter les données hautement sensibles, garder le contrôle de vos données et appliquer les meilleures pratiques de sécurité. Pendant que votre tâche d’étiquetage est en cours d’exécution, Ground Truth chiffre les données en transit et au repos. En outre, vous pouvez utiliser AWS Key Management Service (AWS KMS) avec Ground Truth pour effectuer les opérations suivantes :
-
Utilisez une clé gérée par le client pour chiffrer vos données de sortie.
-
Utilisez une clé gérée par le AWS KMS client avec votre tâche d'étiquetage automatique des données pour chiffrer le volume de stockage attaché à l'instance de calcul utilisée pour la formation et l'inférence des modèles.
Utilisez les rubriques de cette page pour en savoir plus sur les fonctionnalités de sécurité de Ground Truth.
Utiliser votre clé KMS pour chiffrer les données de sortie
Vous pouvez éventuellement fournir une clé gérée par le AWS KMS client lorsque vous créez une tâche d'étiquetage, que Ground Truth utilise pour chiffrer vos données de sortie.
Si vous ne fournissez pas de clé gérée par le client, Amazon SageMaker AI utilise la clé par défaut Clé gérée par AWS d'Amazon S3 pour le compte de votre rôle afin de chiffrer vos données de sortie.
Si vous fournissez une clé gérée par le client, vous devez ajouter les autorisations requises à la clé décrites dans Chiffrez les données de sortie et le volume de stockage avec AWS KMS. Lorsque vous utilisez l’opération d’API CreateLabelingJob, vous pouvez spécifier l’ID de votre clé gérée par le client à l’aide du paramètre KmsKeyId. Consultez la procédure suivante pour savoir comment ajouter une clé gérée par le client lorsque vous créez une tâche d’étiquetage à l’aide de la console.
Pour ajouter un AWS KMS clé pour chiffrer les données de sortie (console) :
-
Effectuez les 7 premières étapes dans Création d’une tâche d’étiquetage (Console).
-
À l’étape 8, sélectionnez la flèche en regard de Additional configuration (Configuration supplémentaire) pour développer cette section.
-
Dans Clé de chiffrement, sélectionnez la AWS KMS clé que vous souhaitez utiliser pour chiffrer les données de sortie.
-
Suivez le reste des étapes dans Création d’une tâche d’étiquetage (Console) pour créer une tâche d’étiquetage.
Utiliser votre clé KMS pour chiffrer le volume de stockage d’étiquetage automatisé des données (API uniquement)
Lorsque vous créez une tâche d’étiquetage avec étiquetage automatisé des données à l’aide de l’opération d’API CreateLabelingJob, vous avez la possibilité de chiffrer le volume de stockage attaché aux instances de calcul ML qui exécutent les tâches d’entraînement et d’inférence. Pour ajouter le chiffrement à votre volume de stockage, utilisez le paramètre VolumeKmsKeyId pour saisir une clé gérée par AWS KMS le client. Pour plus d’informations sur ce paramètre, consultez LabelingJobResourceConfig.
Si vous spécifiez un ID de clé ou un ARN pourVolumeKmsKeyId, votre rôle d'exécution de l' SageMaker IA doit inclure des autorisations d'appelkms:CreateGrant. Pour savoir comment ajouter cette autorisation à un rôle d’exécution, consultez Création d'un rôle d'exécution de l' SageMaker IA pour un travail d'étiquetage basé sur la vérité sur le terrain.
Note
Si vous spécifiez une clé gérée par le AWS KMS client lorsque vous créez une tâche d'étiquetage dans la console, cette clé est uniquement utilisée pour crypter vos données de sortie. Elle n’est pas utilisée pour chiffrer le volume de stockage attaché aux instances de calcul ML utilisées pour l’étiquetage automatisé des données.
