App Service'in kimliğini doğrulama ve bir vektör veritabanında yetkilendirme

Bu makalede, App Service .NET uygulamanızla vektör veritabanı çözümü arasındaki bağlantının nasıl yönetileceğini gösterilmektedir. Desteklenen hizmetler için Microsoft Entra yönetilen kimliklerinin kullanılmasını ve bağlantı dizesi başkaları için güvenli bir şekilde depolanmasını kapsar.

Uygulamanıza bir vektör veritabanı ekleyerek yapay zekanız için [anlamsal bellekler veya vektör depoları](vektör depoları) etkinleştirebilirsiniz. .NET için Anlam Çekirdeği SDK'sı, tercih ettiğiniz vektör veritabanı çözümünü kullanarak bellek depolamayı ve geri çağırmayı kolayca uygulamanızı sağlar.

Önkoşullar

• Etkin aboneliği olan bir Azure hesabı. Ücretsiz hesap oluşturun.
• .NET SDK
• Microsoft.SemanticKernel NuGet paketi
• Microsoft.SemanticKernel.Plugins.Memory NuGet paketi
• .NET uygulaması oluşturma ve App Service'e dağıtma
• Vektör veritabanı çözümü oluşturma ve dağıtma

Kimlik doğrulaması için Microsoft Entra yönetilen kimliğini kullanma

Vektör veritabanı hizmeti Microsoft Entra kimlik doğrulamasını destekliyorsa, gizli dizileri el ile sağlamak veya döndürmek zorunda kalmadan vektör veritabanınıza güvenli bir şekilde erişmek için App Service'inizle birlikte yönetilen bir kimlik kullanabilirsiniz. Microsoft Entra kimlik doğrulamasını destekleyen Azure hizmetlerinin listesi için bkz . Microsoft Entra kimlik doğrulamasını destekleyen Azure hizmetleri.

App Service'e yönetilen kimlik ekleme

Uygulamanız için iki tür kimlik verilebilir:

• Sistem tarafından atanan bir kimlik uygulamanıza bağlıdır ve uygulamanız silinirse silinir. Bir uygulama yalnızca bir sistem tarafından atanan kimliğe sahip olabilir.
• Kullanıcı tarafından atanan kimlik ise uygulamanıza atanabilen tek başına bir Azure kaynağıdır. Bir uygulama için kullanıcı tarafından atanan birden çok kimlik olabilir.

Sistem tarafından atanan kimlik ekleme

az webapp identity assign --name <appName> --resource-group <groupName>

Kullanıcı tarafından atanan kimlik ekleme

Uygulamanıza kullanıcı tarafından atanan bir kimlik eklemek için, kimliği oluşturun ve ardından kaynak tanımlayıcısını uygulama yapılandırmanıza ekleyin.

Yönetilen kimliğinize Azure rolü ekleme

az role assignment create --assignee "<managedIdentityObjectID>" \
--role "<myVectorDbReaderRole>" \
--scope "/subscriptions/<subscriptionId>/resourcegroups/<resourceGroupName>/providers/<providerName>/<resourceType>/<resourceSubType>/<resourceName>"

az role assignment create --assignee "<managedIdentityObjectID>" \
--role "<myVectorDbReaderRole>" \
--scope "/subscriptions/<subscriptionId>/resourcegroups/<resourceGroupName>"

az role assignment create --assignee "<managedIdentityObjectID>" \
--role "<myVectorDbReaderRole>" \
--scope "/subscriptions/<subscriptionId>"

az role assignment create --assignee "<managedIdentityObjectID>" \
--role "<myVectorDbReaderRole>" \
--scope "/providers/Microsoft.Management/managementGroups/<managementGroupName>"

Vektör veritabanıyla belirteç tabanlı kimlik doğrulaması uygulama

Aşağıdaki kod örnekleri bu ek kitaplıkları gerektirir:

• Azure.Identity NuGet paketi
• Microsoft.SemanticKernel.Connectors.AzureAISearch NuGet paketi

1. Uygulamanızın yönetilen kimliğini almak için bir DefaultAzureCredential nesne başlatın:

   // Initialize a DefaultAzureCredential.
   // This credential type will try several authentication flows in order until one is available.
   // Will pickup Visual Studio or Azure CLI credentials in local environments.
   // Will pickup managed identity credentials in production deployments.
   TokenCredential credentials = new DefaultAzureCredential(
       new DefaultAzureCredentialOptions
       {
           // If using a user-assigned identity specify either:
           // ManagedIdentityClientId or ManagedIdentityResourceId.
           // e.g.: ManagedIdentityClientId = "myIdentityClientId".
       }
   );
   

2. Vektör veritabanınız için bir IMemoryStore nesne başlatın ve oluşturmak için ISemanticTextMemorykullanın:

   // Retrieve the endpoint obtained from the Azure AI Search deployment.
   // Retrieve the endpoint and deployments obtained from the Azure OpenAI deployment.
   // Must use the deployment name not the underlying model name.
   IConfigurationRoot config = new ConfigurationBuilder().AddUserSecrets<Program>().Build();
   string searchEndpoint = config["AZURE_AISEARCH_ENDPOINT"]!;
   string openAiEndpoint = config["AZURE_OPENAI_ENDPOINT"]!;
   string embeddingModel = config["AZURE_OPENAI_EMBEDDING_NAME"]!;
   
   // The Semantic Kernel SDK provides a connector extension for Azure AI Search.
   // Initialize an AzureAISearchMemoryStore using your managed identity credentials.
   IMemoryStore memoryStore = new AzureAISearchMemoryStore(searchEndpoint, credentials);
   
   // Build a SemanticMemoryStore with Azure AI Search as the store.
   // Must also include a text embedding generation service.
   ISemanticTextMemory memory = new MemoryBuilder()
       .WithOpenAITextEmbeddingGeneration(embeddingModel, openAiEndpoint)
       .WithMemoryStore(memoryStore)
       .Build();
   

3. Bir Kernel nesne oluşturun ve nesnesini kullanarak içeri aktarın ISemanticTextMemory TextMemoryPlugin:

   // Build a Kernel, include a chat completion service.
   string chatModel = config["AZURE_OPENAI_GPT_NAME"]!;
   Kernel kernel = Kernel
       .CreateBuilder()
       .AddAzureOpenAIChatCompletion(chatModel, openAiEndpoint, credentials)
       .Build();
   
   // Import the semantic memory store as a TextMemoryPlugin.
   // The TextMemoryPlugin enable recall via prompt expressions.
   kernel.ImportPluginFromObject(new TextMemoryPlugin(memory));
   

4. Kernel Bellek geri çağırmayı içeren bir istem çağırmak için nesnesini kullanın:

   // Must configure the memory collection, number of memories to recall, and relevance score.
   // The {{...}} syntax represents an expression to Semantic Kernel.
   // For more information on this syntax see:
   // https://zcusa.951200.xyz/semantic-kernel/prompts/prompt-template-syntax
   string memoryCollection = config["AZURE_OPENAI_MEMORY_NAME"]!;
   string? result = await kernel.InvokePromptAsync<string>(
       "{{recall 'where did I grow up?'}}",
       new()
       {
           [TextMemoryPlugin.CollectionParam] = memoryCollection,
           [TextMemoryPlugin.LimitParam] = "2",
           [TextMemoryPlugin.RelevanceParam] = "0.79",
       }
   );
   Console.WriteLine($"Output: {result}");
   

Bağlantı gizli dizilerini depolamak için Key Vault kullanma

Vektör veritabanı Microsoft Entra kimlik doğrulamasını desteklemiyorsa, bağlantı gizli dizilerinizi depolamak ve App Service uygulamanızla almak için Key Vault kullanabilirsiniz. Bağlantı gizli dizilerinizi depolamak için bir Key Vault kullanarak bunları birden çok uygulamayla paylaşabilir ve uygulama başına tek tek gizli dizilere erişimi denetleyebilirsiniz.

Bu adımları uygulamadan önce vektör veritabanınız için bir bağlantı dizesi alın. Örneğin, bkz. ASP.NET Core web uygulamasıyla Redis için Azure Cache kullanma.

Key Vault'a bağlantı dizesi ekleme

App Service'inize Key Vault erişimi verme

1. App Service'inize yönetilen kimlik atayın.
2. Key Vault Secrets User yönetilen kimliğinize ve Key Vault Reader rollerini ekleyin.

Key Vault'tan bağlantı dizesi alma uygulama

Aşağıdaki kod örneklerini kullanmak için bu ek kitaplıklara ihtiyacınız vardır:

• Azure.Identity NuGet paketi
• Azure.Extensions.AspNetCore.Configuration.Secrets NuGet paketi
• Microsoft.Extensions.Configuration NuGet paketi

Bu kod örnekleri bir Redis veritabanı kullanır, ancak bunları bağlantı dizesi destekleyen herhangi bir vektör veritabanına uygulayabilirsiniz.

1. Uygulamanızın yönetilen kimliğini almak için bir DefaultAzureCredential nesne başlatın:

   // Initialize a DefaultAzureCredential.
   // This credential type will try several authentication flows in order until one is available.
   // Will pickup Visual Studio or Azure CLI credentials in local environments.
   // Will pickup managed identity credentials in production deployments.
   TokenCredential credentials = new DefaultAzureCredential(
       new DefaultAzureCredentialOptions
       {
           // If using a user-assigned identity specify either:
           // ManagedIdentityClientId or ManagedIdentityResourceId.
           // e.g.: ManagedIdentityClientId = "myIdentityClientId".
       }
   );
   

2. Yapılandırmanızı oluştururken Key Vault'un eklenmesi, Key Vault gizli dizilerinizi nesneyle eşler IConfigurationRoot :

   // User secrets let you provide connection strings when testing locally
   // For more info see: https://zcusa.951200.xyz/aspnet/core/security/app-secrets
   IConfigurationRoot config = new ConfigurationBuilder()
       .AddUserSecrets<Program>()
       .AddAzureKeyVault(new Uri("{vaultURI}"), credentials)
       .Build();
   
   // Retrieve the Redis connection string obtained from the Key Vault.
   string redisConnectionString = config["AZURE_REDIS_CONNECT_STRING"]!;
   

3. Bir nesneyi başlatmak IMemoryStore için Key Vault'tan bağlantı dizesi vektör veritabanınızı kullanın ve sonra bunu kullanarak bir ISemanticTextMemoryoluşturun:

   // Use the connection string to connect to the database
   IDatabase database = (
       await ConnectionMultiplexer.ConnectAsync(redisConnectionString)
   ).GetDatabase();
   
   // The Semantic Kernel SDK provides a connector extension for Redis.
   // Initialize an RedisMemoryStore using your managed identity credentials.
   IMemoryStore memoryStore = new RedisMemoryStore(database);
   
   // Retrieve the endpoint and deployments obtained from the Azure OpenAI deployment.
   // Must use the deployment name not the underlying model name.
   string openAiEndpoint = config["AZURE_OPENAI_ENDPOINT"]!;
   string embeddingModel = config["AZURE_OPENAI_EMBEDDING_NAME"]!;
   
   // Build a SemanticMemoryStore with Azure AI Search as the store.
   // Must also include a text embedding generation service.
   ISemanticTextMemory memory = new MemoryBuilder()
       .WithOpenAITextEmbeddingGeneration(embeddingModel, openAiEndpoint)
       .WithMemoryStore(memoryStore)
       .Build();
   

4. Bir Kernel nesne oluşturun ve nesnesini kullanarak içeri aktarın ISemanticTextMemory TextMemoryPlugin:

   // Build a Kernel, include a chat completion service.
   string chatModel = config["AZURE_OPENAI_GPT_NAME"]!;
   Kernel kernel = Kernel
       .CreateBuilder()
       .AddAzureOpenAIChatCompletion(chatModel, openAiEndpoint, credentials)
       .Build();
   
   // Import the semantic memory store as a TextMemoryPlugin.
   // The TextMemoryPlugin enable recall via prompt expressions.
   kernel.ImportPluginFromObject(new TextMemoryPlugin(memory));
   

5. Kernel Bellek geri çağırmayı içeren bir istem çağırmak için nesnesini kullanın:

   // Must configure the memory collection, number of memories to recall, and relevance score.
   // The {{...}} syntax represents an expression to Semantic Kernel.
   // For more information on this syntax see:
   // https://zcusa.951200.xyz/semantic-kernel/prompts/prompt-template-syntax
   string memoryCollection = config["AZURE_OPENAI_MEMORY_NAME"]!;
   string? result = await kernel.InvokePromptAsync<string>(
       "{{recall 'where did I grow up?'}}",
       new()
       {
           [TextMemoryPlugin.CollectionParam] = memoryCollection,
           [TextMemoryPlugin.LimitParam] = "2",
           [TextMemoryPlugin.RelevanceParam] = "0.79",
       }
   );
   Console.WriteLine($"Output: {result}");
   

Bağlantı gizli dizilerini depolamak için uygulama ayarlarını kullanma

Vektör veritabanı Microsoft Entra kimlik doğrulamasını desteklemiyorsa, bağlantı gizli dizilerinizi depolamak için App Service uygulama ayarlarını kullanabilirsiniz. Uygulama ayarlarını kullanarak ek Azure kaynakları sağlamadan bağlantı gizli dizilerinizi depolayabilirsiniz.

Bu adımları uygulamadan önce vektör veritabanınız için bir bağlantı dizesi alın. Örneğin, bkz. .NET Framework'te Redis için Azure Cache kullanma.

Uygulama ayarlarına bağlantı dizesi ekleme

az webapp config connection-string set \
--name "<appName>" \
--resource-group "<groupName>" \
--connection-string-type "<connectionType>" \
--settings <connectionName>='<connectionString>'

Uygulama ayarlarından bağlantı dizesi alma uygulama

Aşağıdaki kod örneklerini kullanmak için bu ek kitaplıklara ihtiyacınız vardır:

• Microsoft.Extensions.Configuration NuGet paketi
• Microsoft.Extensions.Configuration.EnvironmentVariables NuGet paketi

Bu kod örnekleri bir Redis veritabanı kullanır, ancak bunları bağlantı dizesi destekleyen herhangi bir vektör veritabanına uygulayabilirsiniz.

1. Yapılandırmanızı oluştururken ortam değişkenleri eklediğinizde bağlantı dizesi nesneyle eşlenirIConfigurationRoot:

   // User secrets let you provide connection strings when testing locally
   // For more info see: https://zcusa.951200.xyz/en-us/aspnet/core/security/app-secrets
   IConfigurationRoot config = new ConfigurationBuilder()
       .AddUserSecrets<Program>()
       .AddEnvironmentVariables()
       .Build();
   
   // Retrieve the Redis connection string obtained from the app settings.
   // The connection string name should match the entry in application settings
   string redisConnectionString = config.GetConnectionString("AZURE_REDIS")!;
   

2. Nesne başlatmak IMemoryStore için uygulama ayarlarından bağlantı dizesi vektör veritabanınızı kullanın ve ardından oluşturmak için ISemanticTextMemorykullanın:

   // Use the connection string to connect to the database
   IDatabase database = (
       await ConnectionMultiplexer.ConnectAsync(redisConnectionString)
   ).GetDatabase();
   
   // The Semantic Kernel SDK provides a connector extension for Redis.
   // Initialize an RedisMemoryStore using your managed identity credentials.
   IMemoryStore memoryStore = new RedisMemoryStore(database);
   
   // Retrieve the endpoint and deployments obtained from the Azure OpenAI deployment.
   // Must use the deployment name not the underlying model name.
   string openAiEndpoint = config["AZURE_OPENAI_ENDPOINT"]!;
   string embeddingModel = config["AZURE_OPENAI_EMBEDDING_NAME"]!;
   
   // Build a SemanticMemoryStore with Azure AI Search as the store.
   // Must also include a text embedding generation service.
   ISemanticTextMemory memory = new MemoryBuilder()
       .WithOpenAITextEmbeddingGeneration(embeddingModel, openAiEndpoint)
       .WithMemoryStore(memoryStore)
       .Build();
   

3. Bir Kernel nesne oluşturun ve nesnesini kullanarak içeri aktarın ISemanticTextMemory TextMemoryPlugin:

   // Build a Kernel, include a chat completion service.
   string chatModel = config["AZURE_OPENAI_GPT_NAME"]!;
   Kernel kernel = Kernel
       .CreateBuilder()
       .AddAzureOpenAIChatCompletion(chatModel, openAiEndpoint, credentials)
       .Build();
   
   // Import the semantic memory store as a TextMemoryPlugin.
   // The TextMemoryPlugin enable recall via prompt expressions.
   kernel.ImportPluginFromObject(new TextMemoryPlugin(memory));
   

4. Kernel Bellek geri çağırmayı içeren bir istem çağırmak için nesnesini kullanın:

   // Must configure the memory collection, number of memories to recall, and relevance score.
   // The {{...}} syntax represents an expression to Semantic Kernel.
   // For more information on this syntax see:
   // https://zcusa.951200.xyz/semantic-kernel/prompts/prompt-template-syntax
   string memoryCollection = config["AZURE_OPENAI_MEMORY_NAME"]!;
   string? result = await kernel.InvokePromptAsync<string>(
       "{{recall 'where did I grow up?'}}",
       new()
       {
           [TextMemoryPlugin.CollectionParam] = memoryCollection,
           [TextMemoryPlugin.LimitParam] = "2",
           [TextMemoryPlugin.RelevanceParam] = "0.79",
       }
   );
   Console.WriteLine($"Output: {result}");
   

İlgili içerik

• [Anlam Çekirdeği SDK'sı ile bellek depolaması için Redis kullanma]
• App Service ve Azure İşlevleri için yönetilen kimlikleri kullanma
• Azure rolü atama adımları