AWS 发布 Flask 代理服务，通过 REST API 安全访问 SageMaker MLflow，无需 SDK

一句话看懂

AWS 发布了一个 Flask 代理服务，让企业通过标准 HTTPS REST API 安全访问 SageMaker MLflow，无需安装 MLflow SDK。

详细发生了什么

AWS 官方博客发布了一篇技术文章，介绍如何构建一个基于 Flask 的 MLflow 代理服务，用于安全地通过 HTTPS 访问 Amazon SageMaker MLflow。该方案主要面向正在经历云转型的企业，这些企业因安全策略、网络限制或遗留系统约束，无法直接使用 MLflow SDK，但希望保留现有 ML 工作流并采用云原生服务。

核心架构包含三个组件：

Application Load Balancer (ALB)：作为入口路由器，处理流量分发、SSL 终止和自定义域名支持。
Flask MLflow Proxy Service：Python Flask 应用，负责拦截 HTTPS 请求、处理 AWS IAM 认证、URL 预签名和请求转换。
Amazon SageMaker MLflow：AWS 托管的 MLflow 服务，支持两种部署模式——MLflow Tracking Server（托管跟踪服务器）和 MLflowApp（无服务器应用）。

请求流程：客户端发起 HTTPS 请求 → ALB 路由到 Flask 代理 → 代理进行 IAM 认证和 URL 预签名 → 调用 SageMaker MLflow REST API → 返回响应给客户端。

部署步骤包括：使用 AWS CDK 部署基础设施（VPC、SageMaker 域、MLflow 服务、Flask 应用），在 EC2 实例上安装 Python 3.13 和依赖，启动代理服务，并通过 curl 或 Python 脚本验证 REST API 访问。

中文圈视角

对于中文企业用户，这个方案有几点值得关注：

解决 SDK 限制问题：很多国内企业有严格的安全策略，不允许直接安装第三方 SDK 或访问外网。通过 HTTPS REST API 代理，可以绕过这些限制，用标准 HTTP 请求与 MLflow 交互，兼容现有企业防火墙和代理配置。
国产替代对比：国内类似服务如阿里云 PAI、百度 BML、华为云 ModelArts 也提供 MLflow 集成，但通常需要 SDK 或特定客户端。AWS 这个方案更灵活，适合多云或混合云场景。如果企业已使用 AWS，可直接部署；如果使用国内云，可参考此思路自建代理服务。
合规与数据安全：代理服务通过 IAM 认证和预签名 URL 确保安全，数据不经过第三方。对于有数据出境合规要求的企业，可以确保 MLflow 访问在 AWS 内部完成，避免数据泄露风险。
中文文档缺失：目前 AWS 官方博客只有英文，中文社区对此方案讨论较少。建议国内用户关注 GitHub 仓库（aws-samples/sample-sagemaker-mlflow-rest-apis）的更新，或自行翻译部署脚本。

几条值得记住的细节

部署时间约 40 分钟，使用 AWS CDK 一键部署四个堆栈（网络、SageMaker 域、MLflow、Flask 应用）。
支持两种 MLflow 模式：Tracking Server（托管）和 Serverless（无服务器），通过参数 mlflowType 选择。
代理服务运行在 EC2 实例上，使用 systemd 管理，日志通过 journalctl -u mlflowproxy 查看。
验证方式：使用 curl 或 Python 脚本调用 MLflow REST API 端点，如 list_experiments。
成本主要来自 EC2 实例、ALB、SageMaker 资源和 S3 存储，建议使用 AWS Pricing Calculator 预估。

一句话总结

如果你的企业因安全策略无法使用 MLflow SDK，这个 Flask 代理方案让你通过标准 REST API 安全集成 SageMaker MLflow。