In questo tutorial utilizzerai una VPN ad alta disponibilità (VPN ad alta disponibilità) per accedere a un endpoint di previsione online sia pubblicamente, tramite Cloud NAT, sia in privato, tra due reti Virtual Private Cloud che possono fungere da base per la connettività privata multi-cloud e on-premise.
Questo tutorial è rivolto ad amministratori di reti aziendali, data scientist e ricercatori che hanno familiarità con Vertex AI, VPC (Virtual Private Cloud), console Google Cloud e Cloud Shell. La familiarità con Vertex AI Workbench è utile ma non obbligatoria.
Obiettivi
- Crea due reti Virtual Private Cloud (VPC), come mostrato nello schema precedente:
- Uno (
on-prem-vpc
) rappresenta una rete on-premise. - L'altro (
aiml-vpc
) consente di creare ed eseguire il deployment di un modello di previsione online di Vertex AI.
- Uno (
- Esegui il deployment di gateway VPN ad alta disponibilità, tunnel Cloud VPN e router Cloud per connettere
aiml-vpc
eon-prem-vpc
. - Crea ed esegui il deployment di un modello di previsione online di Vertex AI.
- Creare un endpoint Private Service Connect (PSC) per inoltrare le richieste di previsione online private al modello di cui è stato eseguito il deployment.
- Configura un annuncio di route personalizzata del router Cloud in
aiml-vpc
per annunciare le route per l'endpoint Private Service Connect aon-prem-vpc
. - Crea due istanze VM di Compute Engine in
on-prem-vpc
per rappresentare le applicazioni client:- One (
nat-client
) invia richieste di previsione online sulla rete internet pubblica (tramite Cloud NAT). Questo metodo di accesso è indicato da una freccia rossa e dal numero 1 nel diagramma. - L'altro (
private-client
) invia richieste di previsione privatamente tramite VPN ad alta disponibilità. Questo metodo di accesso è indicato da una freccia verde e dal numero 2.
- One (
Costi
In questo documento vengono utilizzati i seguenti componenti fatturabili di Google Cloud:
Per generare una stima dei costi in base all'utilizzo previsto,
utilizza il Calcolatore prezzi.
Una volta completate le attività descritte in questo documento, puoi evitare la fatturazione continua eliminando le risorse che hai creato. Per ulteriori informazioni, consulta la pagina Pulizia.
Prima di iniziare
-
Nella console Google Cloud, vai alla pagina del selettore progetto.
-
Seleziona o crea un progetto Google Cloud.
-
Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.
- Apri Cloud Shell per eseguire i comandi elencati in questo tutorial. Cloud Shell è un ambiente shell interattivo per Google Cloud che consente di gestire progetti e risorse dal browser web.
- In Cloud Shell, imposta il progetto corrente sul tuo
ID progetto Google Cloud e archivia lo stesso
ID progetto nella variabile shell
projectid
:projectid="PROJECT_ID" gcloud config set project ${projectid}
Sostituisci PROJECT_ID con il tuo ID progetto. Se necessario, puoi individuare il tuo ID progetto nella console Google Cloud. Per maggiori informazioni, consulta Trovare l'ID progetto. -
Concedi i ruoli al tuo Account Google. Esegui questo comando una volta per ciascuno dei seguenti ruoli IAM:
roles/appengine.appViewer, roles/artifactregistry.admin, roles/compute.instanceAdmin.v1, roles/compute.networkAdmin, roles/compute.securityAdmin, roles/dns.admin, roles/iap.admin, roles/iap.tunnelResourceAccessor, roles/notebooks.admin, roles/oauthconfig.editor, roles/resourcemanager.projectIamAdmin, roles/servicemanagement.quotaAdmin, roles/iam.serviceAccountAdmin, roles/iam.serviceAccountUser, roles/servicedirectory.editor, roles/storage.admin, roles/aiplatform.user
gcloud projects add-iam-policy-binding PROJECT_ID --member="user:EMAIL_ADDRESS" --role=ROLE
- Sostituisci
PROJECT_ID
con l'ID progetto. - Sostituisci
EMAIL_ADDRESS
con il tuo indirizzo email. - Sostituisci
ROLE
con ogni singolo ruolo.
- Sostituisci
-
Abilita le API DNS, Artifact Registry, IAM, Compute Engine, Notebooks, and Vertex AI.
gcloud services enable dns.googleapis.com
artifactregistry.googleapis.com iam.googleapis.com compute.googleapis.com notebooks.googleapis.com aiplatform.googleapis.com
Crea le reti VPC
In questa sezione creerai due reti VPC: una per la creazione di un modello di previsione online e il relativo deployment in un endpoint, l'altra per l'accesso privato a quell'endpoint. In ciascuna delle due reti VPC, crea un router Cloud e un gateway Cloud NAT. Un gateway Cloud NAT fornisce connettività in uscita per le istanze di macchine virtuali (VM) Compute Engine senza indirizzi IP esterni.
Crea la rete VPC per l'endpoint di previsione online (aiml-vpc
)
Crea la rete VPC:
gcloud compute networks create aiml-vpc --project=$projectid --subnet-mode=custom
Crea una subnet denominata
workbench-subnet
, con un intervallo IPv4 principale172.16.10.0/28
:gcloud compute networks subnets create workbench-subnet --project=$projectid --range=172.16.10.0/28 --network=aiml-vpc --region=us-central1 --enable-private-ip-google-access
Crea un router Cloud a livello di regione denominato
cloud-router-us-central1-aiml-nat
:gcloud compute routers create cloud-router-us-central1-aiml-nat --network aiml-vpc --region us-central1
Aggiungi un gateway Cloud NAT al router Cloud:
gcloud compute routers nats create cloud-nat-us-central1 --router=cloud-router-us-central1-aiml-nat --auto-allocate-nat-external-ips --nat-all-subnet-ip-ranges --region us-central1
Crea la rete VPC "on-premise" (on-prem-vpc
)
Crea la rete VPC:
gcloud compute networks create on-prem-vpc --project=$projectid --subnet-mode=custom
Crea una subnet denominata
nat-subnet
, con un intervallo IPv4 principale192.168.10.0/28
:gcloud compute networks subnets create nat-subnet --project=$projectid --range=192.168.10.0/28 --network=on-prem-vpc --region=us-central1
Crea una subnet denominata
private-ip-subnet
, con un intervallo IPv4 principale192.168.20.0/28
:gcloud compute networks subnets create private-ip-subnet --project=$projectid --range=192.168.20.0/28 --network=on-prem-vpc --region=us-central1
Crea un router Cloud a livello di regione denominato
cloud-router-us-central1-on-prem-nat
:gcloud compute routers create cloud-router-us-central1-on-prem-nat --network on-prem-vpc --region us-central1
Aggiungi un gateway Cloud NAT al router Cloud:
gcloud compute routers nats create cloud-nat-us-central1 --router=cloud-router-us-central1-on-prem-nat --auto-allocate-nat-external-ips --nat-all-subnet-ip-ranges --region us-central1
Crea l'endpoint Private Service Connect (PSC)
In questa sezione creerai l'endpoint Private Service Connect (PSC)
utilizzato dalle istanze VM nella rete on-prem-vpc
per accedere
all'endpoint di previsione online tramite l'API Vertex AI.
L'endpoint Private Service Connect (PSC) è un indirizzo IP
interno nella rete on-prem-vpc
a cui i client
in quella rete possono accedere direttamente. Questo endpoint viene creato eseguendo il deployment di una regola di forwarding che indirizza il traffico di rete corrispondente all'indirizzo IP dell'endpoint PSC a un bundle di API di Google.
L'indirizzo IP dell'endpoint PSC (100.100.10.10
) verrà pubblicizzato nell'aiml-vpc-cloud-router-vpn
come pubblicità personalizzata del router sulla rete on-premise in un passaggio successivo.
Prenota gli indirizzi IP per l'endpoint PSC:
gcloud compute addresses create psc-ip \ --global \ --purpose=PRIVATE_SERVICE_CONNECT \ --addresses=100.100.10.10 \ --network=aiml-vpc
Crea l'endpoint PSC:
gcloud compute forwarding-rules create pscvertex \ --global \ --network=aiml-vpc \ --address=psc-ip \ --target-google-apis-bundle=all-apis
Elenca gli endpoint PSC configurati e verifica che l'endpoint
pscvertex
sia stato creato:gcloud compute forwarding-rules list \ --filter target="(all-apis OR vpc-sc)" --global
Recupera i dettagli dell'endpoint PSC configurato e verifica che l'indirizzo IP sia
100.100.10.10
:gcloud compute forwarding-rules describe \ pscvertex --global
Configura la connettività ibrida
In questa sezione, creerai due gateway (VPN ad alta disponibilità) connessi tra loro. Ogni gateway contiene un router Cloud e una coppia di tunnel VPN.
Crea il gateway VPN ad alta disponibilità per la rete VPC
aiml-vpc
:gcloud compute vpn-gateways create aiml-vpn-gw \ --network=aiml-vpc\ --region=us-central1
Crea il gateway VPN ad alta disponibilità per la rete VPC
on-prem-vpc
:gcloud compute vpn-gateways create on-prem-vpn-gw \ --network=on-prem-vpc\ --region=us-central1
Nella console Google Cloud, vai alla pagina VPN.
Nella pagina VPN, fai clic sulla scheda Gateway Cloud VPN.
Nell'elenco dei gateway VPN, verifica che siano presenti due gateway e che ciascuno abbia due indirizzi IP.
In Cloud Shell, crea un router Cloud per la rete Virtual Private Cloud
aiml-vpc
:gcloud compute routers create aiml-cr-us-central1 \ --region=us-central1 \ --network=aiml-vpc\ --asn=65001
Crea un router Cloud per la rete Virtual Private Cloud
on-prem-vpc
:gcloud compute routers create on-prem-cr-us-central1 \ --region=us-central1 \ --network=on-prem-vpc \ --asn=65002
Crea i tunnel VPN per aiml-vpc
Crea un tunnel VPN denominato
aiml-vpc-tunnel0
:gcloud compute vpn-tunnels create aiml-vpc-tunnel0 \ --peer-gcp-gateway on-prem-vpn-gw \ --region us-central1 \ --ike-version 2 \ --shared-secret [ZzTLxKL8fmRykwNDfCvEFIjmlYLhMucH] \ --router aiml-cr-us-central1 \ --vpn-gateway aiml-vpn-gw \ --interface 0
Crea un tunnel VPN denominato
aiml-vpc-tunnel1
:gcloud compute vpn-tunnels create aiml-vpc-tunnel1 \ --peer-gcp-gateway on-prem-vpn-gw \ --region us-central1 \ --ike-version 2 \ --shared-secret [bcyPaboPl8fSkXRmvONGJzWTrc6tRqY5] \ --router aiml-cr-us-central1 \ --vpn-gateway aiml-vpn-gw \ --interface 1
Crea i tunnel VPN per on-prem-vpc
Crea un tunnel VPN denominato
on-prem-vpc-tunnel0
:gcloud compute vpn-tunnels create on-prem-tunnel0 \ --peer-gcp-gateway aiml-vpn-gw \ --region us-central1 \ --ike-version 2 \ --shared-secret [ZzTLxKL8fmRykwNDfCvEFIjmlYLhMucH] \ --router on-prem-cr-us-central1 \ --vpn-gateway on-prem-vpn-gw \ --interface 0
Crea un tunnel VPN denominato
on-prem-vpc-tunnel1
:gcloud compute vpn-tunnels create on-prem-tunnel1 \ --peer-gcp-gateway aiml-vpn-gw \ --region us-central1 \ --ike-version 2 \ --shared-secret [bcyPaboPl8fSkXRmvONGJzWTrc6tRqY5] \ --router on-prem-cr-us-central1 \ --vpn-gateway on-prem-vpn-gw \ --interface 1
Nella console Google Cloud, vai alla pagina VPN.
Nella pagina VPN, fai clic sulla scheda Tunnel Cloud VPN.
Nell'elenco dei tunnel VPN, verifica che siano stati stabiliti quattro tunnel VPN.
Definizione di sessioni BGP
Il router Cloud utilizza il protocollo BGP (Border Gateway Protocol) per scambiare le route tra la tua rete VPC (in questo caso, aiml-vpc
) e la tua rete on-premise (rappresentata da on-prem-vpc
). Sul router Cloud, configuri un'interfaccia e un peer BGP per il tuo router on-premise.
L'interfaccia e la configurazione del peer BGP formano insieme una sessione BGP.
In questa sezione creerai due sessioni BGP per aiml-vpc
e due per on-prem-vpc
.
Stabilisci sessioni BGP per aiml-vpc
In Cloud Shell, crea la prima interfaccia BGP:
gcloud compute routers add-interface aiml-cr-us-central1 \ --interface-name if-tunnel0-to-onprem \ --ip-address 169.254.1.1 \ --mask-length 30 \ --vpn-tunnel aiml-vpc-tunnel0 \ --region us-central1
Crea il primo peer BGP:
gcloud compute routers add-bgp-peer aiml-cr-us-central1 \ --peer-name bgp-on-premises-tunnel0 \ --interface if-tunnel1-to-onprem \ --peer-ip-address 169.254.1.2 \ --peer-asn 65002 \ --region us-central1
Crea la seconda interfaccia BGP:
gcloud compute routers add-interface aiml-cr-us-central1 \ --interface-name if-tunnel1-to-onprem \ --ip-address 169.254.2.1 \ --mask-length 30 \ --vpn-tunnel aiml-vpc-tunnel1 \ --region us-central1
Crea il secondo peer BGP:
gcloud compute routers add-bgp-peer aiml-cr-us-central1 \ --peer-name bgp-on-premises-tunnel1 \ --interface if-tunnel2-to-onprem \ --peer-ip-address 169.254.2.2 \ --peer-asn 65002 \ --region us-central1
Stabilisci sessioni BGP per on-prem-vpc
Crea la prima interfaccia BGP:
gcloud compute routers add-interface on-prem-cr-us-central1 \ --interface-name if-tunnel0-to-aiml-vpc\ --ip-address 169.254.1.2 \ --mask-length 30 \ --vpn-tunnel on-prem-tunnel0 \ --region us-central1
Crea il primo peer BGP:
gcloud compute routers add-bgp-peer on-prem-cr-us-central1 \ --peer-name bgp-aiml-vpc-tunnel0 \ --interface if-tunnel1-to-aiml-vpc\ --peer-ip-address 169.254.1.1 \ --peer-asn 65001 \ --region us-central1
Crea la seconda interfaccia BGP:
gcloud compute routers add-interface on-prem-cr-us-central1 \ --interface-name if-tunnel1-to-aiml-vpc\ --ip-address 169.254.2.2 \ --mask-length 30 \ --vpn-tunnel on-prem-tunnel1 \ --region us-central1
Crea il secondo peer BGP:
gcloud compute routers add-bgp-peer on-prem-cr-us-central1 \ --peer-name bgp-aiml-vpc-tunnel1\ --interface if-tunnel2-to-aiml-vpc\ --peer-ip-address 169.254.2.1 \ --peer-asn 65001 \ --region us-central1
Convalida la creazione di sessioni BGP
Nella console Google Cloud, vai alla pagina VPN.
Nella pagina VPN, fai clic sulla scheda Tunnel Cloud VPN.
Nell'elenco dei tunnel VPN, ora dovresti vedere che il valore nella colonna Stato sessione BGP per ciascuno dei quattro tunnel è cambiato da Configura sessione BGP in BGP stabilito. Per visualizzare i nuovi valori, potresti dover aggiornare la scheda del browser della console Google Cloud.
Verifica che aiml-vpc
abbia appreso route di subnet tramite VPN ad alta disponibilità
Nella console Google Cloud, vai alla pagina Reti VPC.
Nell'elenco delle reti VPC, fai clic su
aiml-vpc
.Fai clic sulla scheda Route.
Seleziona us-central1 (Iowa) nell'elenco Regione e fai clic su Visualizza.
Nella colonna Intervallo IP di destinazione, verifica che la rete VPC
aiml-vpc
abbia appreso le route dalla subnetnat-subnet
(192.168.10.0/28
) e dalla subnetprivate-ip-subnet
(192.168.20.0/28
) delle reti VPCon-prem-vpc
.
Verifica che on-prem-vpc
abbia appreso route di subnet tramite VPN ad alta disponibilità
Nella console Google Cloud, vai alla pagina Reti VPC.
Nell'elenco delle reti VPC, fai clic su
on-prem-vpc
.Fai clic sulla scheda Route.
Seleziona us-central1 (Iowa) nell'elenco Regione e fai clic su Visualizza.
Nella colonna Intervallo IP di destinazione, verifica che la rete VPC
on-prem-vpc
abbia appreso le route dalla subnetworkbench-subnet
delle reti VPCaiml-vpc
(172.16.10.0/28
).
Crea annunci di route personalizzati per aiml-vpc
L'indirizzo IP dell'endpoint di Private Service Connect non viene pubblicizzato automaticamente dal router Cloud aiml-cr-us-central1
perché la subnet non è configurata nella rete VPC.
Di conseguenza, dovrai creare un annuncio di route personalizzato dal router Cloud aiml-cr-us-central
per l'indirizzo IP dell'endpoint 100.100.10.10, che verrà pubblicizzato nell'ambiente on-premise tramite BGP su on-prem-vpc
.
Nella console Google Cloud, vai alla pagina Router Cloud.
Nell'elenco di router Cloud, fai clic su
aiml-cr-us-central1
.Nella pagina Dettagli router, fai clic su
Modifica.Nella sezione Route annunciate, per Route seleziona Crea route personalizzate.
Fai clic su Aggiungi una route personalizzata.
In Origine, seleziona Intervallo IP personalizzato.
In Intervallo di indirizzi IP, inserisci
100.100.10.10
.In Descrizione, inserisci
Private Service Connect Endpoint IP
.Fai clic su Fine, poi su Salva.
Verifica che on-prem-vpc
abbia appreso l'indirizzo IP dell'endpoint PSC tramite la VPN ad alta disponibilità
Nella console Google Cloud, vai alla pagina Reti VPC.
Nell'elenco delle reti VPC, fai clic su
on-prem-vpc
.Fai clic sulla scheda Route.
Seleziona us-central1 (Iowa) nell'elenco Regione e fai clic su Visualizza.
Nella colonna Intervallo IP di destinazione, verifica che la rete VPC
on-prem-vpc
abbia appreso l'indirizzo IP dell'endpoint PSC (100.100.10.10
).
Crea annunci di route personalizzati per on-prem-vpc
Il router Cloud on-prem-vpc
pubblicizza tutte le subnet per impostazione predefinita, ma è necessaria solo la subnet private-ip-subnet
.
Nella sezione seguente, aggiorna gli annunci di route dal router Cloud on-prem-cr-us-central1
.
Nella console Google Cloud, vai alla pagina Router Cloud.
Nell'elenco di router Cloud, fai clic su
on-prem-cr-us-central1
.Nella pagina Dettagli router, fai clic su
Modifica.Nella sezione Route annunciate, per Route seleziona Crea route personalizzate.
Se la casella di controllo Pubblicizza tutte le subnet visibili al router Cloud è selezionata, deselezionala.
Fai clic su Aggiungi una route personalizzata.
In Origine, seleziona Intervallo IP personalizzato.
In Intervallo di indirizzi IP, inserisci
192.168.20.0/28
.In Descrizione, inserisci
Private Service Connect Endpoint IP subnet (private-ip-subnet)
.Fai clic su Fine, poi su Salva.
Verifica che aiml-vpc
abbia appreso la route private-ip-subnet
da on-prem-vpc
Nella console Google Cloud, vai alla pagina Reti VPC.
Nell'elenco delle reti VPC, fai clic su
aiml-vpc
.Fai clic sulla scheda Route.
Seleziona us-central1 (Iowa) nell'elenco Regione e fai clic su Visualizza.
Nella colonna Intervallo IP di destinazione, verifica che la rete VPC
aiml-vpc
abbia appreso la routeprivate-ip-subnet
(192.168.20.0/28
).
crea le istanze VM di test
Creare un account di servizio gestito dall'utente
Se hai applicazioni che devono chiamare le API Google Cloud, Google consiglia di collegare un account di servizio gestito dall'utente alla VM su cui è in esecuzione l'applicazione o il carico di lavoro. Di conseguenza, in questa sezione creerai un account di servizio gestito dall'utente da applicare alle istanze VM che creerai in seguito in questo tutorial.
In Cloud Shell, crea l'account di servizio:
gcloud iam service-accounts create gce-vertex-sa \ --description="service account for vertex" \ --display-name="gce-vertex-sa"
Assegna il ruolo IAM Amministratore istanze Compute (v1) (
roles/compute.instanceAdmin.v1
) all'account di servizio:gcloud projects add-iam-policy-binding $projectid --member="serviceAccount:gce-vertex-sa@$projectid.iam.gserviceaccount.com" --role="roles/compute.instanceAdmin.v1"
Assegna il ruolo IAM Utente Vertex AI (
roles/aiplatform.user
) all'account di servizio:gcloud projects add-iam-policy-binding $projectid --member="serviceAccount:gce-vertex-sa@$projectid.iam.gserviceaccount.com" --role="roles/aiplatform.user"
crea le istanze VM di test
In questo passaggio creerai un'istanza VM di test per convalidare diversi metodi per raggiungere le API Vertex AI, nello specifico:
- L'istanza
nat-client
utilizza Cloud NAT per risolvere Vertex AI e accedere all'endpoint di previsione online sulla rete internet pubblica. - L'istanza
private-client
utilizza l'indirizzo IP100.100.10.10
di Private Service Connect per accedere all'endpoint di previsione online tramite VPN ad alta disponibilità.
Per consentire a Identity-Aware Proxy (IAP) di connettersi alle tue istanze VM, puoi creare una regola firewall che:
- Si applica a tutte le istanze VM che vuoi rendere accessibili tramite IAP.
- Consente il traffico TCP attraverso la porta 22 dell'intervallo IP
35.235.240.0/20
. Questo intervallo contiene tutti gli indirizzi IP che IAP utilizza per l'inoltro TCP.
Crea l'istanza VM
nat-client
:gcloud compute instances create nat-client \ --zone=us-central1-a \ --image-family=debian-11 \ --image-project=debian-cloud \ --subnet=nat-subnet \ --service-account=gce-vertex-sa@$projectid.iam.gserviceaccount.com \ --scopes=http://www.googleapis.com/auth/cloud-platform \ --no-address \ --metadata startup-script="#! /bin/bash sudo apt-get update sudo apt-get install tcpdump dnsutils -y"
Crea l'istanza VM
private-client
:gcloud compute instances create private-client \ --zone=us-central1-a \ --image-family=debian-11 \ --image-project=debian-cloud \ --subnet=private-ip-subnet \ --service-account=gce-vertex-sa@$projectid.iam.gserviceaccount.com \ --scopes=http://www.googleapis.com/auth/cloud-platform \ --no-address \ --metadata startup-script="#! /bin/bash sudo apt-get update sudo apt-get install tcpdump dnsutils -y"
Crea la regola firewall IAP:
gcloud compute firewall-rules create ssh-iap-on-prem-vpc \ --network on-prem-vpc \ --allow tcp:22 \ --source-ranges=35.235.240.0/20
Crea un'istanza di blocchi note gestiti dall'utente
Creare un account di servizio gestito dall'utente
Quando crei un'istanza di blocchi note gestiti dall'utente di Vertex AI Workbench,
Google consiglia vivamente di specificare un account di servizio gestito dall'utente anziché
utilizzare l'account di servizio predefinito di Compute Engine.
All'account di servizio predefinito di Compute Engine (e quindi a chiunque specifichi
come utente dell'istanza) viene concesso il ruolo Editor (roles/editor
) nel tuo
progetto Google Cloud. Puoi disabilitare questo comportamento disattivando le concessioni automatiche dei ruoli per gli account di servizio predefiniti.
In Cloud Shell, crea un account di servizio denominato
user-managed-notebook-sa
:gcloud iam service-accounts create user-managed-notebook-sa \ --display-name="user-managed-notebook-sa"
Assegna il ruolo IAM Amministratore archiviazione (
roles/storage.admin
) all'account di servizio:gcloud projects add-iam-policy-binding $projectid --member="serviceAccount:user-managed-notebook-sa@$projectid.iam.gserviceaccount.com" --role="roles/storage.admin"
Assegna il ruolo IAM Utente Vertex AI (
roles/aiplatform.user
) all'account di servizio:gcloud projects add-iam-policy-binding $projectid --member="serviceAccount:user-managed-notebook-sa@$projectid.iam.gserviceaccount.com" --role="roles/aiplatform.user"
Assegna il ruolo IAM Amministratore Artifact Registry all'account di servizio:
gcloud projects add-iam-policy-binding $projectid --member="serviceAccount:user-managed-notebook-sa@$projectid.iam.gserviceaccount.com" --role="roles/artifactregistry.admin"
Crea l'istanza di blocchi note gestiti dall'utente
Creare un'istanza di blocchi note gestiti dall'utente,
specificando l'account di servizio user-managed-notebook-sa
.
Crea l'istanza di blocchi note gestiti dall'utente:
gcloud notebooks instances create workbench-tutorial \ --vm-image-project=deeplearning-platform-release \ --vm-image-family=common-cpu-notebooks \ --machine-type=n1-standard-4 \ --location=us-central1-a \ --subnet-region=us-central1 \ --subnet=workbench-subnet \ --no-public-ip \ --service-account=user-managed-notebook-sa@$projectid.iam.gserviceaccount.com
Crea ed esegui il deployment di un modello di previsione online
prepara l'ambiente
Nella console Google Cloud, vai alla scheda Blocchi note gestiti dall'utente nella pagina Vertex AI Workbench.
Fai clic su Apri JupyterLab accanto al nome dell'istanza di blocchi note gestiti dall'utente.
L'istanza di blocchi note gestiti dall'utente apre JupyterLab.
Nel resto di questa sezione, fino al deployment del modello, lavorerai in Jupyterlab, non nella console Google Cloud o Cloud Shell.
Seleziona File > Nuovo > Terminale.
Nel terminale JupyterLab (non in Cloud Shell), definisci una variabile di ambiente per il tuo progetto. Sostituisci PROJECT_ID con l'ID progetto:
PROJECT_ID=PROJECT_ID
Crea una nuova directory denominata
cpr-codelab
ecd
al suo interno (ancora nel terminale JupyterLab):mkdir cpr-codelab cd cpr-codelab
Nel browser di file
, fai doppio clic sulla nuova cartellacpr-codelab
.Se la cartella non viene visualizzata nel browser di file, aggiorna la scheda del browser della console Google Cloud e riprova.
Seleziona File > Nuovo > Blocco note.
Dal menu Seleziona kernel, seleziona Python 3 e fai clic su Seleziona.
Rinomina il nuovo file di blocco note come segue:
Nel browser di file
, fai clic con il tasto destro del mouse sull'icona del fileUntitled.ipynb
e inseriscitask.ipynb
.La directory
cpr-codelab
ora dovrebbe avere il seguente aspetto:+ cpr-codelab/ + task.ipynb
Nei passaggi seguenti, puoi creare il modello nel blocco note Jupyterlab creando nuove celle del blocco note, incollando il codice ed eseguendo le celle.
Installa le dipendenze nel seguente modo.
Quando apri il nuovo blocco note, viene visualizzata una cella di codice predefinita in cui puoi inserire il codice.
[ ]:
seguito da un campo di testo. Il campo di testo è il punto in cui incolli il codice.Incolla il seguente codice nella cella e fai clic su
Esegui le celle selezionate e avanza per creare un filerequirements.txt
da utilizzare come input per il seguente passaggio:%%writefile requirements.txt fastapi uvicorn==0.17.6 joblib~=1.1.1 numpy>=1.17.3, <1.24.0 scikit-learn~=1.0.0 pandas google-cloud-storage>=2.2.1,<3.0.0dev google-cloud-aiplatform[prediction]>=1.18.2
In questo passaggio e in ciascuno di quelli seguenti, aggiungi una cella di codice facendo clic su
Inserisci una cella qui sotto, incolla il codice nella cella e fai clic su Esegui le celle selezionate e avanza.Utilizza
Pip
per installare le dipendenze nell'istanza di blocchi note:!pip install -U --user -r requirements.txt
Al termine dell'installazione, seleziona Kernel > Riavvia kernel per riavviare il kernel e assicurarti che la libreria sia disponibile per l'importazione.
Incolla il seguente codice in una nuova cella del blocco note per creare le directory in cui archiviare il modello e gli artefatti di pre-elaborazione:
USER_SRC_DIR = "src_dir" !mkdir $USER_SRC_DIR !mkdir model_artifacts # copy the requirements to the source dir !cp requirements.txt $USER_SRC_DIR/requirements.txt
Nel browser di file
, la struttura della directorycpr-codelab
dovrebbe ora avere il seguente aspetto:+ cpr-codelab/ + model_artifacts/ + src_dir/ + requirements.txt + requirements.txt + task.ipynb
Addestra il modello
Continua ad aggiungere celle di codice al blocco note task.ipynb
, quindi incolla ed esegui il seguente codice in ogni nuova cella:
Importa le librerie:
import seaborn as sns import numpy as np import pandas as pd from sklearn import preprocessing from sklearn.ensemble import RandomForestRegressor from sklearn.pipeline import make_pipeline from sklearn.compose import make_column_transformer import joblib import logging # set logging to see the docker container logs logging.basicConfig(level=logging.INFO)
Definisci le seguenti variabili, sostituendo PROJECT_ID con il tuo ID progetto:
REGION = "us-central1" MODEL_ARTIFACT_DIR = "sklearn-model-artifacts" REPOSITORY = "diamonds" IMAGE = "sklearn-image" MODEL_DISPLAY_NAME = "diamonds-cpr" PROJECT_ID = "PROJECT_ID" BUCKET_NAME = "gs://PROJECT_ID-cpr-bucket"
Crea un bucket Cloud Storage:
!gsutil mb -l us-central1 $BUCKET_NAME
Carica i dati dalla libreria Seaborn, quindi crea due frame di dati, uno con le caratteristiche e l'altro con l'etichetta:
data = sns.load_dataset('diamonds', cache=True, data_home=None) label = 'price' y_train = data['price'] x_train = data.drop(columns=['price'])
Esamina i dati di addestramento e verifica che ogni riga rappresenti un rombo.
x_train.head()
Osserva le etichette, che sono i prezzi corrispondenti.
y_train.head()
Definisci una trasformazione della colonna sklearn in una codifica a caldo delle caratteristiche categoriche e scala le caratteristiche numeriche:
column_transform = make_column_transformer( (preprocessing.OneHotEncoder(sparse=False), [1,2,3]), (preprocessing.StandardScaler(), [0,4,5,6,7,8]))
Definisci il modello di foresta casuale:
regr = RandomForestRegressor(max_depth=10, random_state=0)
Crea una pipeline di sklearn. Questa pipeline acquisisce i dati di input, li codifica e li scala e li passa al modello.
my_pipeline = make_pipeline(column_transform, regr)
Addestra il modello:
my_pipeline.fit(x_train, y_train)
Richiama il metodo di previsione sul modello, passando un campione di prova.
my_pipeline.predict([[0.23, 'Ideal', 'E', 'SI2', 61.5, 55.0, 3.95, 3.98, 2.43]])
Potresti visualizzare avvisi come
"X does not have valid feature names, but"
, ma puoi ignorarli.Salva la pipeline nella directory
model_artifacts
e copiala nel bucket Cloud Storage:joblib.dump(my_pipeline, 'model_artifacts/model.joblib') !gsutil cp model_artifacts/model.joblib {BUCKET_NAME}/{MODEL_ARTIFACT_DIR}/
Salva un artefatto di pre-elaborazione
Crea un artefatto di pre-elaborazione. Questo artefatto verrà caricato nel container personalizzato all'avvio del server del modello. L'artefatto di pre-elaborazione può avere quasi qualsiasi forma (ad esempio un file di pickle), ma in questo caso scriverai un dizionario in un file JSON:
clarity_dict={"Flawless": "FL", "Internally Flawless": "IF", "Very Very Slightly Included": "VVS1", "Very Slightly Included": "VS2", "Slightly Included": "S12", "Included": "I3"}
Creazione di un container di pubblicazione personalizzato utilizzando il server modello CPR
La funzionalità
clarity
nei nostri dati di addestramento era sempre in forma abbreviata (ad es. "FL" invece di "Flawless"). Al momento della pubblicazione, vogliamo verificare che i dati relativi a questa funzionalità siano abbreviati. Questo perché il nostro modello sa come eseguire una codifica a caldo "FL" ma non "Flawless". scriverai questa logica di pre-elaborazione personalizzata in un secondo momento. Per il momento, però, salva questa tabella di ricerca in un file JSON e poi scrivila nel bucket Cloud Storage:import json with open("model_artifacts/preprocessor.json", "w") as f: json.dump(clarity_dict, f) !gsutil cp model_artifacts/preprocessor.json {BUCKET_NAME}/{MODEL_ARTIFACT_DIR}/
Nel browser di file
, la struttura della directory dovrebbe ora avere il seguente aspetto:+ cpr-codelab/ + model_artifacts/ + model.joblib + preprocessor.json + src_dir/ + requirements.txt + requirements.txt + task.ipynb
Nel tuo blocco note, incolla ed esegui il codice seguente per sottoclassere lo SklearnPredictor e scriverlo in un file Python in
src_dir/
. Tieni presente che in questo esempio stiamo personalizzando solo i metodi di caricamento, pre-elaborazione e post-elaborazione, non il metodo di previsione.%%writefile $USER_SRC_DIR/predictor.py import joblib import numpy as np import json from google.cloud import storage from google.cloud.aiplatform.prediction.sklearn.predictor import SklearnPredictor class CprPredictor(SklearnPredictor): def __init__(self): return def load(self, artifacts_uri: str) -> None: """Loads the sklearn pipeline and preprocessing artifact.""" super().load(artifacts_uri) # open preprocessing artifact with open("preprocessor.json", "rb") as f: self._preprocessor = json.load(f) def preprocess(self, prediction_input: np.ndarray) -> np.ndarray: """Performs preprocessing by checking if clarity feature is in abbreviated form.""" inputs = super().preprocess(prediction_input) for sample in inputs: if sample[3] not in self._preprocessor.values(): sample[3] = self._preprocessor[sample[3]] return inputs def postprocess(self, prediction_results: np.ndarray) -> dict: """Performs postprocessing by rounding predictions and converting to str.""" return {"predictions": [f"${value}" for value in np.round(prediction_results)]}
Usa l'SDK Vertex AI per Python per creare l'immagine utilizzando routine di previsione personalizzate. Il Dockerfile viene generato e viene creata un'immagine per te.
from google.cloud import aiplatform aiplatform.init(project=PROJECT_ID, location=REGION) import os from google.cloud.aiplatform.prediction import LocalModel from src_dir.predictor import CprPredictor # Should be path of variable $USER_SRC_DIR local_model = LocalModel.build_cpr_model( USER_SRC_DIR, f"{REGION}-docker.pkg.dev/{PROJECT_ID}/{REPOSITORY}/{IMAGE}", predictor=CprPredictor, requirements_path=os.path.join(USER_SRC_DIR, "requirements.txt"), )
Scrivi un file di test con due esempi per la previsione. Una delle istanze ha il nome di chiarezza abbreviata, ma deve prima essere convertita.
import json sample = {"instances": [ [0.23, 'Ideal', 'E', 'VS2', 61.5, 55.0, 3.95, 3.98, 2.43], [0.29, 'Premium', 'J', 'Internally Flawless', 52.5, 49.0, 4.00, 2.13, 3.11]]} with open('instances.json', 'w') as fp: json.dump(sample, fp)
Testa il container in locale eseguendo il deployment di un modello locale.
with local_model.deploy_to_local_endpoint( artifact_uri = 'model_artifacts/', # local path to artifacts ) as local_endpoint: predict_response = local_endpoint.predict( request_file='instances.json', headers={"Content-Type": "application/json"}, ) health_check_response = local_endpoint.run_health_check()
Puoi vedere i risultati della previsione con:
predict_response.content
esegui il deployment del modello sull'endpoint del modello di previsione online
Ora che hai testato il container in locale, è il momento di eseguire il push dell'immagine in Artifact Registry e caricare il modello in Vertex AI Model Registry.
Configura Docker per accedere ad Artifact Registry.
!gcloud artifacts repositories create {REPOSITORY} --repository-format=docker \ --location=us-central1 --description="Docker repository" !gcloud auth configure-docker {REGION}-docker.pkg.dev --quiet
Esegui il push dell'immagine.
local_model.push_image()
Carica il modello.
model = aiplatform.Model.upload(local_model = local_model, display_name=MODEL_DISPLAY_NAME, artifact_uri=f"{BUCKET_NAME}/{MODEL_ARTIFACT_DIR}",)
Esegui il deployment del modello:
endpoint = model.deploy(machine_type="n1-standard-2")
Attendi il deployment del modello prima di andare al passaggio successivo. Il deployment dovrebbe richiedere almeno 10-15 minuti.
Testa il modello di cui è stato eseguito il deployment ottenendo una previsione:
endpoint.predict(instances=[[0.23, 'Ideal', 'E', 'VS2', 61.5, 55.0, 3.95, 3.98, 2.43]])
Convalida l'accesso a internet pubblico alle API Vertex AI
In questa sezione, accedi all'istanza VM nat-client
in una scheda della sessione di Cloud Shell e utilizzi un'altra scheda di sessione per convalidare la connettività alle API Vertex AI eseguendo i comandi dig
e tcpdump
sul dominio us-central1-aiplatform.googleapis.com
.
In Cloud Shell (Scheda Uno), esegui i comandi seguenti, sostituendo PROJECT_ID con il tuo ID progetto:
projectid=PROJECT_ID gcloud config set project ${projectid}
Accedi all'istanza VM
nat-client
utilizzando IAP:gcloud compute ssh nat-client --project=$projectid --zone=us-central1-a --tunnel-through-iap
Esegui il comando
dig
:dig us-central1-aiplatform.googleapis.com
Dalla VM
nat-client
(Scheda Uno), esegui il comando seguente per convalidare la risoluzione DNS quando invii una richiesta di previsione online all'endpoint.sudo tcpdump -i any port 53 -n
Apri una nuova sessione di Cloud Shell (scheda Due) facendo clic su
apri una nuova scheda in Cloud Shell.Nella nuova sessione di Cloud Shell (scheda Due), esegui i comandi seguenti, sostituendo PROJECT_ID con il tuo ID progetto:
projectid=PROJECT_ID gcloud config set project ${projectid}
Accedi all'istanza VM
nat-client
:gcloud compute ssh --zone "us-central1-a" "nat-client" --project "$projectid"
Dalla VM
nat-client
(scheda Due), usa un editor di testo comevim
onano
per creare un fileinstances.json
. Devi anteporresudo
per avere l'autorizzazione di scrittura nel file, ad esempio:sudo vim instances.json
Aggiungi la seguente stringa di dati al file:
{"instances": [ [0.23, 'Ideal', 'E', 'VS2', 61.5, 55.0, 3.95, 3.98, 2.43], [0.29, 'Premium', 'J', 'Internally Flawless', 52.5, 49.0, 4.00, 2.13, 3.11]]}
Salva il file come segue:
- Se utilizzi
vim
, premi il tastoEsc
, quindi digita:wq
per salvare il file e uscire. - Se utilizzi
nano
, digitaControl+O
e premiEnter
per salvare il file, poi digitaControl+X
per uscire.
- Se utilizzi
Individua l'ID endpoint di previsione online per l'endpoint PSC:
Nella sezione Vertex AI della console Google Cloud, vai alla scheda Endpoint nella pagina Previsione online.
Trova la riga dell'endpoint che hai creato, denominata
diamonds-cpr_endpoint
.Individua l'ID endpoint a 19 cifre nella colonna ID e copialo.
In Cloud Shell, dalla VM
nat-client
(scheda Due), esegui i comandi seguenti, sostituendo PROJECT_ID con il tuo ID progetto e ENDPOINT_ID con l'ID endpoint PSC:projectid=PROJECT_ID gcloud config set project ${projectid} ENDPOINT_ID=ENDPOINT_ID
Dalla VM
nat-client
(scheda Due), esegui questo comando per inviare una richiesta di previsione online:curl -X POST -H "Authorization: Bearer $(gcloud auth print-access-token)" -H "Content-Type: application/json" http://us-central1-aiplatform.googleapis.com/v1/projects/${projectid}/locations/us-central1/endpoints/${ENDPOINT_ID}:predict -d @instances.json
Ora che hai eseguito la previsione, vedrai che i risultati di tcpdump
(Scheda Uno) mostrano l'istanza VM nat-client
(192.168.10.2
) che esegue una query Cloud DNS al server DNS locale (169.254.169.254
) per il dominio dell'API Vertex AI (us-central1-aiplatform.googleapis.com
). La query DNS restituisce indirizzi IP virtuali (VIP) pubblici per le API Vertex AI.
Convalida l'accesso privato alle API Vertex AI
In questa sezione, accedi all'istanza VM private-client
utilizzando Identity-Aware Proxy in una nuova sessione di Cloud Shell (scheda Tre), quindi convalidi la connettività alle API Vertex AI eseguendo il comando dig
sul dominio Vertex AI (us-central1-aiplatform.googleapis.com
).
Apri una nuova sessione di Cloud Shell (scheda Tre) facendo clic su
apri una nuova scheda in Cloud Shell. Questa è la scheda tre.Nella nuova sessione di Cloud Shell (scheda Tre), esegui i comandi seguenti, sostituendo PROJECT_ID con il tuo ID progetto:
projectid=PROJECT_ID gcloud config set project ${projectid}
Accedi all'istanza VM
private-client
tramite IAP:gcloud compute ssh private-client --project=$projectid --zone=us-central1-a --tunnel-through-iap
Esegui il comando
dig
:dig us-central1-aiplatform.googleapis.com
Nell'istanza VM
private-client
(scheda Tre), utilizza un editor di testo comevim
onano
per aggiungere la seguente riga al file/etc/hosts
:100.100.10.10 us-central1-aiplatform.googleapis.com
Questa riga assegna l'indirizzo IP dell'endpoint PSC (
100.100.10.10
) al nome di dominio completo per l'API di Google Vertex AI (us-central1-aiplatform.googleapis.com
). Il file modificato dovrebbe avere il seguente aspetto:127.0.0.1 localhost ::1 localhost ip6-localhost ip6-loopback ff02::1 ip6-allnodes ff02::2 ip6-allrouters 100.100.10.10 us-central1-aiplatform.googleapis.com # Added by you 192.168.20.2 private-client.c.$projectid.internal private-client # Added by Google 169.254.169.254 metadata.google.internal # Added by Google
Dalla VM
private-client
(scheda Tre), invia un ping all'endpoint Vertex AI e aControl+C
per uscire quando vedi l'output:ping us-central1-aiplatform.googleapis.com
Il comando
ping
dovrebbe restituire il seguente output contenente l'indirizzo IP dell'endpoint PSC:PING us-central1-aiplatform.googleapis.com (100.100.10.10) 56(84) bytes of data.
Dalla VM
private-client
(scheda Tre), utilizzatcpdump
per eseguire il comando seguente in modo da convalidare la risoluzione DNS e il percorso dati IP quando invii una richiesta di previsione online all'endpoint:sudo tcpdump -i any port 53 -n or host 100.100.10.10
Apri una nuova sessione di Cloud Shell (scheda Quattro) facendo clic su
apri una nuova scheda in Cloud Shell.Nella nuova sessione di Cloud Shell (scheda Quattro), esegui i comandi seguenti, sostituendo PROJECT_ID con il tuo ID progetto:
projectid=PROJECT_ID gcloud config set project ${projectid}
Nella scheda quattro, accedi all'istanza
private-client
:gcloud compute ssh --zone "us-central1-a" "private-client" --project "$projectid"
Dalla VM
private-client
(Scheda Quattro), utilizzando un editor di testo comevim
onano
, crea un fileinstances.json
contenente la seguente stringa di dati:{"instances": [ [0.23, 'Ideal', 'E', 'VS2', 61.5, 55.0, 3.95, 3.98, 2.43], [0.29, 'Premium', 'J', 'Internally Flawless', 52.5, 49.0, 4.00, 2.13, 3.11]]}
Dalla VM
private-client
(scheda Quattro), esegui i comandi seguenti, sostituendo PROJECT_ID con il nome del progetto e ENDPOINT_ID con l'ID dell'endpoint PSC:projectid=PROJECT_ID echo $projectid ENDPOINT_ID=ENDPOINT_ID
Dalla VM
private-client
(scheda Quattro), esegui questo comando per inviare una richiesta di previsione online:curl -v -X POST -H "Authorization: Bearer $(gcloud auth print-access-token)" -H "Content-Type: application/json" http://us-central1-aiplatform.googleapis.com/v1/projects/${projectid}/locations/us-central1/endpoints/${ENDPOINT_ID}:predict -d @instances.json
Dalla VM
private-client
in Cloud Shell (scheda Tre), verifica che l'indirizzo IP dell'endpoint PSC (100.100.10.10
) sia stato utilizzato per accedere alle API Vertex AI.Dal terminale
tcpdump
private-client
nella scheda Tre di Cloud Shell, puoi vedere che non è necessaria una ricerca DNS inus-central1-aiplatform.googleapis.com
perché la riga che hai aggiunto al file/etc/hosts
ha la precedenza e l'indirizzo IP PSC100.100.10.10
viene utilizzato nel percorso dati.
Esegui la pulizia
Per evitare che al tuo account Google Cloud vengano addebitati costi relativi alle risorse utilizzate in questo tutorial, elimina il progetto che le contiene oppure mantieni il progetto ed elimina le singole risorse.
Puoi eliminare le singole risorse nel progetto nel seguente modo:
Elimina l'istanza di blocchi note gestiti dall'utente come segue:
Nella sezione Vertex AI della console Google Cloud, vai alla scheda Blocchi note gestiti dall'utente nella pagina Workbench. .
Seleziona l'istanza
workbench-tutorial
di blocchi note gestiti dall'utente e fai clic su Elimina.
Elimina l'immagine container come segue:
Nella console Google Cloud, vai alla pagina Artifact Registry.
Seleziona il container Docker
diamonds
e fai clic su Elimina.
Elimina il bucket di archiviazione come segue:
Nella console Google Cloud, vai alla pagina Cloud Storage.
Seleziona il bucket di archiviazione e fai clic su
Elimina.
Annulla il deployment del modello dall'endpoint come segue:
Nella sezione Vertex AI della console Google Cloud, vai alla pagina Endpoint.
Fai clic su
diamonds-cpr_endpoint
per andare alla pagina dei dettagli dell'endpoint.Nella riga del modello,
diamonds-cpr
, fai clic su Annulla deployment modello .Nella finestra di dialogo Annulla deployment del modello dall'endpoint, fai clic su Annulla deployment.
Elimina il modello come segue:
Nella sezione Vertex AI della console Google Cloud, vai alla pagina Model Registry.
Seleziona il modello
diamonds-cpr
.Per eliminare il modello, fai clic su
Azioni e poi su Elimina modello.
Elimina l'endpoint di previsione online come segue:
Nella sezione Vertex AI della console Google Cloud, vai alla pagina Previsione online.
Seleziona l'endpoint
diamonds-cpr_endpoint
.Per eliminare l'endpoint, fai clic su
Azioni e poi su Elimina endpoint.
In Cloud Shell, elimina le risorse rimanenti eseguendo questi comandi.
projectid=PROJECT_ID gcloud config set project ${projectid}
gcloud compute forwarding-rules delete pscvertex --global --quiet
gcloud compute addresses delete psc-ip --global --quiet
gcloud compute networks subnets delete workbench-subnet --region=us-central1 --quiet
gcloud compute vpn-tunnels delete aiml-vpc-tunnel0 aiml-vpc-tunnel1 on-prem-tunnel0 on-prem-tunnel1 --region=us-central1 --quiet
gcloud compute vpn-gateways delete aiml-vpn-gw on-prem-vpn-gw --region=us-central1 --quiet
gcloud compute routers delete aiml-cr-us-central1 cloud-router-us-central1-aiml-nat --region=us-central1 --quiet
gcloud compute routers delete cloud-router-us-central1-on-prem-nat on-prem-cr-us-central1 --region=us-central1 --quiet
gcloud compute instances delete nat-client private-client --zone=us-central1-a --quiet
gcloud compute firewall-rules delete ssh-iap-on-prem-vpc --quiet
gcloud compute networks subnets delete nat-subnet private-ip-subnet --region=us-central1 --quiet
gcloud compute networks delete on-prem-vpc --quiet
gcloud compute networks delete aiml-vpc --quiet
Passaggi successivi
- Scopri di più sulle opzioni di networking aziendali per accedere agli endpoint e ai servizi di Vertex AI
- Scopri come funziona Private Service Connect e perché offre vantaggi significativi in termini di prestazioni.
- Scopri come utilizzare i Controlli di servizio VPC per creare perimetri sicuri per consentire o negare l'accesso a Vertex AI e altre API di Google sul tuo endpoint di previsione online.
- Scopri come e perché utilizzare una zona di inoltro DNS anziché aggiornare il file
/etc/hosts
in ambienti di produzione e su larga scala.