针对生成式 AI 应用场景的 Artifact Registry 控制措施

本文档包含在 Google Cloud上运行生成式 AI 工作负载时使用 Artifact Registry 的最佳实践和指南。将 Artifact Registry 与 Vertex AI 搭配使用，可简化机器学习 (ML) 开发和部署流程，提高协作效率，并确保 ML 模型的安全性和可靠性。

以下是将 Artifact Registry 与 Vertex AI 搭配使用的应用场景：

  • 管理机器学习制品：借助 Artifact Registry，您可以将所有机器学习制品（包括模型训练代码、数据集、训练后的模型和预测服务容器）集中存储和管理。您可以使用此集中式代码库在不同团队和项目之间跟踪、共享和重复使用机器学习制品。
  • 版本控制和可重现性：Artifact Registry 为您的机器学习制品提供版本控制，帮助您跟踪更改并在需要时回滚到之前的版本。此功能对于确保机器学习实验和部署的可重现性至关重要。
  • 安全可靠的存储空间：Artifact Registry 为您的机器学习制品提供安全可靠的存储空间。这些制品在静态和传输状态下均会加密。配置访问权限控制，以限制谁可以访问制品，从而帮助保护您的宝贵数据和知识产权。
  • 与 Vertex AI Pipelines 集成：将 Artifact Registry 与 Vertex AI Pipelines 集成，以构建和自动执行机器学习工作流。使用 Artifact Registry 存储流水线制品（例如流水线定义、代码和数据），并在上传新制品时自动触发流水线运行。
  • 简化机器学习的 CI/CD：将 Artifact Registry 与 CI/CD 工具集成，以简化机器学习模型的开发和部署。例如，每当您将新版本的模型推送到 Artifact Registry 时，使用 Artifact Registry 自动构建和部署模型服务容器。
  • 支持多区域：借助 Artifact Registry，您可以将制品存储在多个区域中，这有助于提高机器学习模型的性能和可用性，尤其是在您的用户分布在全球各地的情况下。

必需的 Artifact Registry 控制措施

使用 Artifact Registry 时，强烈建议您采取以下控制措施。

为制品配置漏洞扫描

Google 控制 ID AR-CO-6.2
类别 必需
说明

使用 Artifact Analysis 或其他工具扫描 Artifact Registry 中的映像和软件包是否存在漏洞。

如果您使用第三方扫描工具，则必须正确部署这些工具，以便扫描 Artifact Registry 中的映像和软件包是否存在漏洞。
适用的产品
  • Artifact Registry
  • Artifact Analysis
路径 serviceusage.getservice
运算符 =
值
  • containerscanning.googleapis.com
相关 NIST-800-53 控制措施
  • RA-5
  • SI-5
  • SA-5
  • SR-8
  • CA-7
相关 CRI 配置文件控制
  • ID-RA-1.1
  • ID-RA-1.2
  • ID-RA-3.1
  • ID-RA-3.2
  • ID-RA-3.3
  • PR.IP-7.1
  • PR.IP-8.1
  • PR.IP-12.1
  • PR.IP-12.2
  • PR.IP-12.3
  • PR.IP-12.4
  • DE.CM-8.1
  • DE.CM-8.2
  • DE.DP-4.1
  • DE-DP-4.2
  • DE-DP-5.1
  • RS.CO-3.1
  • RS.CO-3.2
  • RS.CO-5.2
  • RS.CO-5.3
  • RS.AN-5.1
  • RS.AN-5.2
  • RS-AN-5.3
  • RS.MI-3.1
  • RS-MI-3.2
相关信息

如果您处理敏感数据或敏感的生成式 AI 工作负载，建议您在适用的生成式 AI 使用场景中实施以下控制措施。

为制品创建清理政策

Google 控制 ID AR-CO-6.1
类别 根据使用情形推荐
说明

如果您存储了许多版本的制品，但只需要保留发布到正式版的特定版本，那么清理政策会很有用。创建单独的清理政策，用于删除制品和保留制品。
适用的产品
  • Artifact Registry
相关 NIST-800-53 控制措施
  • SI-12
相关 CRI 配置文件控制
  • PR.IP-2.1
  • PR.IP-2.2
  • PR.IP-2.3
相关信息

后续步骤