4.3 AWS リソースのセキュリティを確保する

タスクステートメント

AWS リソースのセキュリティを確保する

対象知識

AWS のサービスへのアクセスを制御する IAM ロール、ポリシー、グループ

IAM ロール

• サービスロール: AWS サービスが他のサービスにアクセス
• 実行ロール: SageMaker トレーニング、推論ジョブ用
• クロスアカウントロール: 他のアカウントからのアクセス

IAM ポリシー

• マネージド型ポリシー: AWS が管理
• カスタマーマネージド型: ユーザーが作成・管理
• インラインポリシー: 特定のユーザー/ロールに直接アタッチ

IAM グループ

• 複数ユーザーの権限を一元管理
• ポリシーをグループにアタッチ

バケットポリシー

• S3 バケットレベルのアクセス制御
• クロスアカウントアクセス
• 条件付きアクセス

SageMaker Role Manager

• 事前設定されたロールテンプレート
• 最小権限の原則を適用
• ML タスク別のロール

SageMaker のセキュリティ機能とコンプライアンス機能

ネットワークセキュリティ

• VPC モード: プライベートサブネット内で実行
• プライベートリンク: VPC エンドポイント経由でアクセス
• セキュリティグループ: インバウンド/アウトバウンド制御

データセキュリティ

• 保存時の暗号化: S3、EBS の暗号化
• 転送中の暗号化: TLS/SSL
• KMS 統合: 暗号化キーの管理

コンプライアンス

• HIPAA: 医療データ
• PCI DSS: クレジットカード情報
• GDPR: EU個人データ保護
• SOC: セキュリティ、可用性、機密性

ML リソースへのネットワークアクセスの制御

VPC (Virtual Private Cloud)

• プライベート IP アドレス空間
• サブネット: パブリック、プライベート
• インターネットゲートウェイ、NAT ゲートウェイ

セキュリティグループ

• ステートフルファイアウォール
• インバウンド/アウトバウンドルール
• 送信元/宛先の指定

ネットワーク ACL

• ステートレスファイアウォール
• サブネットレベルの制御

VPC エンドポイント

• インターフェースエンドポイント: AWS PrivateLink
• ゲートウェイエンドポイント: S3、DynamoDB

CI/CD パイプラインのセキュリティのベストプラクティス

シークレット管理

• AWS Secrets Manager: 認証情報の安全な保管
• 環境変数の暗号化: CodeBuild での暗号化

コードセキュリティ

• CodeGuru: 自動コードレビュー
• 脆弱性スキャン: 依存関係のチェック
• コンテナイメージスキャン: ECR イメージスキャン

アクセス制御

• 最小権限: 必要最小限の権限のみ
• MFA: 多要素認証
• 監査ログ: CloudTrail でのログ記録

対象スキル

1. ML アーティファクトへの最小権限アクセスを設定する

S3 バケットポリシー

{
  "Version": "2012-10-17",
  "Statement": [
    {
      "Sid": "AllowSageMakerReadWrite",
      "Effect": "Allow",
      "Principal": {
        "Service": "sagemaker.amazonaws.com"
      },
      "Action": [
        "s3:GetObject",
        "s3:PutObject"
      ],
      "Resource": "arn:aws:s3:::my-ml-bucket/models/*",
      "Condition": {
        "StringEquals": {
          "aws:SourceAccount": "123456789012"
        }
      }
    }
  ]
}

KMS キーポリシー

{
  "Version": "2012-10-17",
  "Statement": [
    {
      "Sid": "Allow SageMaker to use the key",
      "Effect": "Allow",
      "Principal": {
        "Service": "sagemaker.amazonaws.com"
      },
      "Action": [
        "kms:Decrypt",
        "kms:GenerateDataKey"
      ],
      "Resource": "*",
      "Condition": {
        "StringEquals": {
          "kms:ViaService": [
            "s3.us-east-1.amazonaws.com",
            "sagemaker.us-east-1.amazonaws.com"
          ]
        }
      }
    }
  ]
}

2. ML システムとやり取りするユーザーとアプリケーションの IAM ポリシーとロールを設定する

SageMaker 実行ロール

{
  "Version": "2012-10-17",
  "Statement": [
    {
      "Effect": "Allow",
      "Action": [
        "s3:GetObject",
        "s3:PutObject",
        "s3:DeleteObject"
      ],
      "Resource": [
        "arn:aws:s3:::my-ml-bucket/*"
      ]
    },
    {
      "Effect": "Allow",
      "Action": [
        "s3:ListBucket"
      ],
      "Resource": [
        "arn:aws:s3:::my-ml-bucket"
      ]
    },
    {
      "Effect": "Allow",
      "Action": [
        "logs:CreateLogGroup",
        "logs:CreateLogStream",
        "logs:PutLogEvents"
      ],
      "Resource": "arn:aws:logs:*:*:log-group:/aws/sagemaker/*"
    },
    {
      "Effect": "Allow",
      "Action": [
        "ecr:GetDownloadUrlForLayer",
        "ecr:BatchGetImage",
        "ecr:BatchCheckLayerAvailability"
      ],
      "Resource": "*"
    }
  ]
}

データサイエンティスト用ポリシー

{
  "Version": "2012-10-17",
  "Statement": [
    {
      "Effect": "Allow",
      "Action": [
        "sagemaker:CreateTrainingJob",
        "sagemaker:DescribeTrainingJob",
        "sagemaker:StopTrainingJob",
        "sagemaker:CreateModel",
        "sagemaker:DescribeModel"
      ],
      "Resource": "*"
    },
    {
      "Effect": "Allow",
      "Action": [
        "sagemaker:CreateEndpoint",
        "sagemaker:UpdateEndpoint",
        "sagemaker:DeleteEndpoint"
      ],
      "Resource": "*",
      "Condition": {
        "StringEquals": {
          "aws:RequestedRegion": "us-east-1"
        }
      }
    },
    {
      "Effect": "Allow",
      "Action": "iam:PassRole",
      "Resource": "arn:aws:iam::123456789012:role/SageMakerExecutionRole",
      "Condition": {
        "StringEquals": {
          "iam:PassedToService": "sagemaker.amazonaws.com"
        }
      }
    }
  ]
}

SageMaker Role Manager の使用

import boto3

sagemaker = boto3.client('sagemaker')

# 事前設定されたロールの作成
response = sagemaker.create_role(
    RoleName='DataScientistRole',
    PersonaArn='arn:aws:sagemaker:us-east-1::persona/data-scientist',
    Activities=[
        'ml.sagemaker.training-job.create',
        'ml.sagemaker.model.create',
        'ml.sagemaker.endpoint.create'
    ]
)

3. ML システムのモニタリング、監査、ログ記録により、継続的なセキュリティとコンプライアンスを確保する

CloudTrail によるAPI監査

import boto3

cloudtrail = boto3.client('cloudtrail')

# SageMaker API 呼び出しのログ取得
response = cloudtrail.lookup_events(
    LookupAttributes=[
        {
            'AttributeKey': 'EventSource',
            'AttributeValue': 'sagemaker.amazonaws.com'
        }
    ],
    MaxResults=50
)

for event in response['Events']:
    print(f"Event: {event['EventName']}")
    print(f"User: {event['Username']}")
    print(f"Time: {event['EventTime']}")
    print(f"Resources: {event.get('Resources', [])}")

CloudWatch Logs によるログ記録

import boto3

logs = boto3.client('logs')

# ログクエリの実行
query_id = logs.start_query(
    logGroupName='/aws/sagemaker/Endpoints/production',
    startTime=int((datetime.now() - timedelta(hours=1)).timestamp()),
    endTime=int(datetime.now().timestamp()),
    queryString='''
        fields @timestamp, @message
        | filter @message like /ERROR/
        | sort @timestamp desc
        | limit 20
    '''
)

# 結果の取得
import time
while True:
    result = logs.get_query_results(queryId=query_id)
    if result['status'] == 'Complete':
        break
    time.sleep(1)

for record in result['results']:
    print(record)

AWS Config によるコンプライアンス監視

import boto3

config = boto3.client('config')

# Config ルールの作成
response = config.put_config_rule(
    ConfigRule={
        'ConfigRuleName': 'sagemaker-endpoint-encryption',
        'Description': 'Checks that SageMaker endpoints have encryption enabled',
        'Source': {
            'Owner': 'AWS',
            'SourceIdentifier': 'SAGEMAKER_ENDPOINT_CONFIGURATION_KMS_KEY_CONFIGURED'
        }
    }
)

4. セキュリティの問題をトラブルシューティングおよびデバッグする

アクセス拒否のトラブルシューティング

import boto3

# IAM Policy Simulator を使用
iam = boto3.client('iam')

response = iam.simulate_principal_policy(
    PolicySourceArn='arn:aws:iam::123456789012:role/SageMakerRole',
    ActionNames=[
        's3:GetObject',
        's3:PutObject'
    ],
    ResourceArns=[
        'arn:aws:s3:::my-ml-bucket/models/*'
    ]
)

for result in response['EvaluationResults']:
    print(f"Action: {result['EvalActionName']}")
    print(f"Decision: {result['EvalDecision']}")
    if result['EvalDecision'] == 'denied':
        print(f"Reason: {result.get('MissingContextValues', 'No specific reason')}")

VPC 接続のトラブルシューティング

# VPC Reachability Analyzer
aws ec2 create-network-insights-path \
    --source eni-xxxxx \
    --destination eni-yyyyy \
    --protocol tcp \
    --destination-port 443

aws ec2 start-network-insights-analysis \
    --network-insights-path-id nip-xxxxx

aws ec2 describe-network-insights-analyses \
    --network-insights-analysis-ids nia-xxxxx

5. ML システムをセキュアに分離するために VPC、サブネット、セキュリティグループを構築する

VPC とサブネットの作成

import boto3

ec2 = boto3.client('ec2')

# VPC の作成
vpc_response = ec2.create_vpc(
    CidrBlock='10.0.0.0/16',
    TagSpecifications=[
        {
            'ResourceType': 'vpc',
            'Tags': [
                {'Key': 'Name', 'Value': 'ML-VPC'}
            ]
        }
    ]
)
vpc_id = vpc_response['Vpc']['VpcId']

# プライベートサブネットの作成
subnet_response = ec2.create_subnet(
    VpcId=vpc_id,
    CidrBlock='10.0.1.0/24',
    AvailabilityZone='us-east-1a',
    TagSpecifications=[
        {
            'ResourceType': 'subnet',
            'Tags': [
                {'Key': 'Name', 'Value': 'ML-Private-Subnet'}
            ]
        }
    ]
)
subnet_id = subnet_response['Subnet']['SubnetId']

セキュリティグループの作成

# セキュリティグループの作成
sg_response = ec2.create_security_group(
    GroupName='ML-SecurityGroup',
    Description='Security group for ML workloads',
    VpcId=vpc_id
)
sg_id = sg_response['GroupId']

# インバウンドルールの追加（HTTPS のみ）
ec2.authorize_security_group_ingress(
    GroupId=sg_id,
    IpPermissions=[
        {
            'IpProtocol': 'tcp',
            'FromPort': 443,
            'ToPort': 443,
            'IpRanges': [
                {
                    'CidrIp': '10.0.0.0/16',
                    'Description': 'HTTPS from VPC'
                }
            ]
        }
    ]
)

# アウトバウンドルールの設定（デフォルトですべて許可されているため、制限する場合）
ec2.revoke_security_group_egress(
    GroupId=sg_id,
    IpPermissions=[
        {
            'IpProtocol': '-1',
            'IpRanges': [{'CidrIp': '0.0.0.0/0'}]
        }
    ]
)

# 必要なアウトバウンドのみ許可
ec2.authorize_security_group_egress(
    GroupId=sg_id,
    IpPermissions=[
        {
            'IpProtocol': 'tcp',
            'FromPort': 443,
            'ToPort': 443,
            'IpRanges': [{'CidrIp': '0.0.0.0/0', 'Description': 'HTTPS to internet'}]
        }
    ]
)

VPC エンドポイントの作成

# S3 用ゲートウェイエンドポイント
s3_endpoint = ec2.create_vpc_endpoint(
    VpcId=vpc_id,
    ServiceName='com.amazonaws.us-east-1.s3',
    RouteTableIds=['rtb-xxxxx'],
    VpcEndpointType='Gateway'
)

# SageMaker Runtime 用インターフェースエンドポイント
sagemaker_endpoint = ec2.create_vpc_endpoint(
    VpcId=vpc_id,
    ServiceName='com.amazonaws.us-east-1.sagemaker.runtime',
    VpcEndpointType='Interface',
    SubnetIds=[subnet_id],
    SecurityGroupIds=[sg_id],
    PrivateDnsEnabled=True
)

SageMaker での VPC 設定

from sagemaker.tensorflow import TensorFlow

# VPC 設定でトレーニング
estimator = TensorFlow(
    entry_point='train.py',
    role=role,
    instance_count=1,
    instance_type='ml.p3.2xlarge',
    framework_version='2.12',
    subnets=[subnet_id],
    security_group_ids=[sg_id]
)

# VPC 設定でエンドポイントデプロイ
predictor = model.deploy(
    initial_instance_count=1,
    instance_type='ml.m5.xlarge',
    vpc_config={
        'SecurityGroupIds': [sg_id],
        'Subnets': [subnet_id]
    }
)

セキュリティのベストプラクティス

データ保護

1. 保存時の暗号化
   • S3: SSE-S3, SSE-KMS
   • EBS: KMS 暗号化
   • SageMaker: KMS キーの指定
2. 転送中の暗号化
   • TLS 1.2 以上
   • VPC エンドポイント経由の通信
3. データアクセス制御
   • 最小権限の原則
   • バケットポリシーと IAM ポリシーの組み合わせ

アクセス管理

1. IAM ベストプラクティス
   • ルートユーザーの使用を避ける
   • MFA を有効化
   • 定期的なキーローテーション
2. ロールベースアクセス
   • ユーザーグループの活用
   • サービスロールの使用
   • クロスアカウントアクセスの制限

ネットワークセキュリティ

1. VPC 分離
   • プライベートサブネット使用
   • NAT ゲートウェイ経由でのインターネットアクセス
   • VPC エンドポイントの活用
2. セキュリティグループ
   • 最小限のポート開放
   • 送信元の明示的な指定
   • 定期的なレビュー

モニタリングと監査

1. ログ記録
   • CloudTrail: API 監査
   • CloudWatch Logs: アプリケーションログ
   • VPC Flow Logs: ネットワークトラフィック
2. 継続的監視
   • AWS Config: コンプライアンス
   • GuardDuty: 脅威検出
   • Security Hub: セキュリティ状態の集約

コンプライアンスチェックリスト

• データの暗号化（保存時・転送中）
• 最小権限の原則適用
• MFA の有効化
• VPC 内での実行
• CloudTrail の有効化
• ログの長期保存
• 定期的なセキュリティ監査
• アクセスキーのローテーション
• セキュリティグループのレビュー
• PII/PHI の適切な処理

セキュリティ違反時の対応

インシデント対応プロセス

1. 検出: CloudWatch Alarms, GuardDuty
2. 封じ込め: セキュリティグループ変更、IAM 無効化
3. 調査: CloudTrail ログ分析
4. 復旧: バックアップからの復元
5. 事後分析: 原因究明と再発防止

自動化された対応

import boto3

def lambda_handler(event, context):
    # GuardDuty の検出に対する自動対応
    finding = event['detail']
    
    if finding['severity'] >= 7:  # 高リスク
        ec2 = boto3.client('ec2')
        iam = boto3.client('iam')
        
        # 侵害されたインスタンスを隔離
        instance_id = finding['resource']['instanceDetails']['instanceId']
        ec2.modify_instance_attribute(
            InstanceId=instance_id,
            Groups=['sg-quarantine']  # 隔離用セキュリティグループ
        )
        
        # 侵害された IAM ユーザーを無効化
        if 'userName' in finding['resource']:
            user_name = finding['resource']['userName']
            iam.attach_user_policy(
                UserName=user_name,
                PolicyArn='arn:aws:iam::aws:policy/DenyAll'
            )
        
        # SNS 通知
        sns = boto3.client('sns')
        sns.publish(
            TopicArn='arn:aws:sns:us-east-1:123456789012:security-alerts',
            Message=f'Security incident detected: {finding}',
            Subject='URGENT: Security Alert'
        )

関連リンク

• [[4.1_モデル推論のモニタリング]]
• [[4.2_インフラとコストのモニタリング最適化]]
• [[3.2_インフラストラクチャの作成とスクリプト化]]
• [[99_AWSサービス一覧]]
• [[00_試験概要]]