Instâncias de notebook, SageMaker trabalhos e endpoints

Para criptografar o volume de armazenamento de aprendizado de máquina (ML) anexado a notebooks, trabalhos de processamento, trabalhos de treinamento, trabalhos de ajuste de hiperparâmetros, trabalhos de transformação em lote e endpoints, você pode passar uma chave para. AWS KMS SageMaker Se você não especificar uma KMS chave, SageMaker criptografa os volumes de armazenamento com uma chave transitória e a descarta imediatamente após criptografar o volume de armazenamento. Para instâncias de notebook, se você não especificar uma KMS chave, SageMaker criptografa os volumes do sistema operacional e os volumes de dados de ML com uma chave gerenciada pelo sistemaKMS.

Você pode usar uma AWS KMS chave AWS gerenciada para criptografar todos os volumes do sistema operacional da instância. Você pode criptografar todos os volumes de dados de ML para todas as SageMaker instâncias com uma AWS KMS chave especificada por você. Os volumes de armazenamento de ML são montados da seguinte forma:

Os contêineres de trabalho de processamento, de transformação em lote e de treinamento e seu armazenamento são de natureza efêmera. Quando o trabalho é concluído, a saída é enviada para o Amazon S3 AWS KMS usando criptografia com uma chave AWS KMS opcional que você especifica e a instância é desativada. Se uma AWS KMS chave não for fornecida na solicitação de trabalho, SageMaker use a AWS KMS chave padrão do Amazon S3 para a conta da sua função. Se os dados de saída forem armazenados no Amazon S3 Express One Zone, eles serão criptografados com criptografia do lado do servidor com chaves gerenciadas do Amazon S3 (-S3). SSE

Quando você abre uma instância do notebook, SageMaker salva ela e todos os arquivos associados a ela na SageMaker pasta no volume de armazenamento de ML por padrão. Quando você interrompe uma instância do notebook, SageMaker cria um instantâneo do volume de armazenamento de ML. Todas as personalizações do sistema operacional da instância interrompida, como bibliotecas personalizadas instaladas ou configurações de nível de sistema operacional, serão perdidas. Considere usar uma configuração de ciclo de vida para automatizar personalizações da instância de caderno padrão. Quando você encerra uma instância, o snapshot e o volume de armazenamento de ML são excluídos. Todos os dados que você precisa persistir além do tempo de vida da instância de caderno devem ser transferidos para um bucket do Amazon S3.