生成式 AI 用途的 Artifact Registry 控制項

本文提供 Artifact Registry 最佳做法和指南，適用於在 Google Cloud上執行生成式 AI 工作負載的情況。搭配使用 Artifact Registry 和 Vertex AI，簡化機器學習 (ML) 開發及部署程序、提升協作效率，並確保 ML 模型的安全性和可靠性。

以下是搭配使用 Artifact Registry 與 Vertex AI 的應用實例：

  • 管理機器學習構件：您可以在 Artifact Registry 中集中儲存及管理所有機器學習構件，包括模型訓練程式碼、資料集、訓練好的模型，以及預測服務容器。您可以透過這個集中式存放區，在不同團隊和專案之間追蹤、共用及重複使用機器學習構件。
  • 版本管控和可重現性：Artifact Registry 提供機器學習構件的版本管控功能，可協助您追蹤變更，並在必要時還原至先前版本。這項功能對於確保機器學習實驗和部署作業的可重現性至關重要。
  • 安全可靠的儲存空間：Artifact Registry 提供安全可靠的儲存空間，可存放機器學習構件。這些構件在靜態和傳輸狀態下都會加密。設定存取控管機制，限制可存取構件的使用者，保護寶貴的資料和智慧財產。
  • 與 Vertex AI Pipelines 整合：將 Artifact Registry 與 Vertex AI Pipelines 整合，即可建構及自動執行機器學習工作流程。使用 Artifact Registry 儲存管道構件 (例如管道定義、程式碼和資料)，並在上傳新構件時自動觸發管道執行。
  • 簡化機器學習的 CI/CD：將 Artifact Registry 與 CI/CD 工具整合，簡化機器學習模型的開發和部署作業。舉例來說，每當您將新版模型推送至 Artifact Registry 時，系統就會使用 Artifact Registry 自動建構及部署模型服務容器。
  • 支援多個區域：Artifact Registry 可讓您在多個區域儲存構件，有助於提升 ML 模型的效能和可用性，特別是當您的使用者位於世界各地時。

必要的 Artifact Registry 控制項

使用 Artifact Registry 時，強烈建議您採用下列控制項。

設定構件的安全漏洞掃描

Google 控制項 ID AR-CO-6.2
類別 必要
說明

使用 Artifact Analysis 或其他工具，掃描 Artifact Registry 中的映像檔和套件，檢查是否有安全漏洞。

如果您使用第三方掃描工具，請務必正確部署這些工具，掃描 Artifact Registry 中映像檔和套件的安全漏洞。
適用產品
  • Artifact Registry
  • Artifact Analysis
路徑 serviceusage.getservice
運算子 =
值
  • containerscanning.googleapis.com
相關的 NIST-800-53 控制項
  • RA-5
  • SI-5
  • SA-5
  • SR-8
  • CA-7
相關的 CRI 設定檔控制項
  • 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
相關資訊

如果您處理機密資料或機密生成式 AI 工作負載，建議在適用的生成式 AI 用途中導入下列控制措施。

為構件建立清理政策

Google 控制項 ID AR-CO-6.1
類別 依據用途建議
說明

如果您儲存了許多構件版本，但只需要保留發布至正式版的特定版本，清理政策就非常實用。分別建立刪除構件和保留構件的清理政策。
適用產品
  • Artifact Registry
相關的 NIST-800-53 控制項
  • SI-12
相關的 CRI 設定檔控制項
  • PR.IP-2.1
  • PR.IP-2.2
  • PR.IP-2.3
相關資訊

後續步驟