ML Plugin Registry — M2

Theme G (#1154) → G-3 GAP #1215 의 부분 M2 구현 가이드. 가스공사 RFP SFR-009 ② "다양한 학습 알고리즘 (자사 모델 포함 plug-in) 제공" 의 backend 골격.

기존 GenD 는 MLflow Registry 로 학습된 모델은 다뤘지만, 학습 알고리즘 자체를 동적으로 추가/교체 하는 layer 가 없었다. MLPlugin Registry 는 sklearn / H2O AutoML / 자사 모델 같은 provider 를 DB-driven 으로 등록 하고, 등록된 provider 를 통일된 ABC (train / predict / get_serving_runtime / supports_automl) 로 호출하는 layer 다.

본 PR (M2) 의 정확한 scope

영역	M1 PoC (PR #1222)	M2 (본 PR)	M3 / 후속
DB 테이블	`ml_plugin` ✅	(변경 없음 — Alembic baseline 정책)	(동일)
Provider ABC	`MLPluginProvider` ✅	(변경 없음)	(변경 없음)
Reference provider	`sklearn-baseline` ✅	(변경 없음)	H2O-AutoML / 자사
Registry loader	`load_plugin` + allowlist prefix 보안 가드 ✅	(변경 없음)	(변경 없음)
API (read)	GET list / GET detail / GET capabilities ✅	(변경 없음)	(변경 없음)
API (mutation)	없음	POST / PUT / DELETE ✅	(변경 없음)
설치-시점 allowlist 재검증	runtime 만	service-layer `create_plugin` 가 INSERT 전에 재검증 ✅	(강화 없음)
Audit emit	없음	`gend.audit` `ml_plugin.install / update / uninstall` ✅	HMAC chain 통합
학습 Job 트리거	없음	없음	Dagster asset 이 `provider.train()` 호출
KServe deploy proxy	없음	없음	`serving_runtime` 으로 InferenceService 템플릿
UI	없음	없음	`components/admin/MLPlugins/`

본 M2 에 포함되지 않은 것 (M3 작업 항목)

❌ Dagster ml_train asset 이 load_plugin(plugin).train(...) 호출하는 학습 Job 파이프라인
❌ POST /api/v1/serving/deploy — plugin.get_serving_runtime() 결과로 KServe ClusterServingRuntime 템플릿
❌ UI components/admin/MLPlugins/ (List + Install Dialog + Capabilities tab)
❌ AutoML 라우팅 — supports_automl=True provider 의 hyperparameter 탐색 wrapper
❌ Secret-aware config 마스킹 — provider.redactable_config_keys hook
❌ Soft delete + tombstone — deleted_at / uninstalled_by 컬럼 추가 (Alembic)
❌ HMAC audit_chain 통합 (project_audit_hmac_chain)

⚠️ 보안 — provider_class 는 동적 Python import 경로

MLPlugin.provider_class 는 importlib.import_module 에 그대로 전달되는 dotted Python 경로 다. 가드가 없으면:

admin 이 provider_class = 'os.system' 행을 insert → 다음 load_plugin 호출 시 os.system 이 import 됨
subprocess.run / builtins.__import__ / importlib.import_module 같은 RCE 벡터가 모두 동일
M2 mutation API 가 열리면 admin 권한 = RCE 권한이 되는 셈

가드 — 단일 규칙

services/ml_plugins/registry.py 가 importlib 호출 전에 provider_class 가 다음 prefix 로 시작하는지 검증:

gend_api.services.ml_plugins.

이 prefix 밖의 경로는 ValueError 로 즉시 거부된다. 결과:

DB 등록만으로 신규 provider 동작 ✗ — provider Python 모듈도 같은 패키지 안에 PR 로 추가해야 한다.
provider 추가 = code review 필수 = 임의 RCE 경로 차단.
mid-string in 매칭이 아닌 startswith — evilpkg.gend_api.services.ml_plugins.X 같은 trojan path 도 거부.

회귀 가드

tests/test_no_provider_class_import_arbitrary.py 가 양방향 단언:

✅ gend_api.services.ml_plugins.sklearn_baseline.SklearnBaselineProvider 는 import 성공 (positive control)
❌ os.system / subprocess.run / builtins.__import__ / importlib.import_module / gend_api.services.ml_plugins_evil.X / ..attacker.Evil / /etc/passwd / 빈 문자열 / None / int / mid-string prefix 매치 — 모두 ValueError

이 테스트 파일이 깨지면 즉시 RCE 위험 — 절대 skip 금지.

구성 요소

1. ORM 테이블 — `ml_plugin`

-- apps/api/src/gend_api/db/models/ml_plugin.py (ADR-002 baseline, no Alembic)
CREATE TABLE ml_plugin (
  id UUID PRIMARY KEY,
  workspace_id UUID NULL REFERENCES workspaces(id) ON DELETE RESTRICT,
                                       -- NULL = 글로벌 (모든 tenant 공유)
                                       -- UUID = tenant 전용 plugin
  name VARCHAR(128) NOT NULL,          -- 예: 'sklearn-baseline', 'h2o-automl'
  description TEXT NULL,
  provider_class VARCHAR(255) NOT NULL,
                                       -- dotted Python path
                                       -- 예: 'gend_api.services.ml_plugins.
                                       --      sklearn_baseline.
                                       --      SklearnBaselineProvider'
                                       -- ⚠️ allowlist prefix 강제 (위 참고)
  config JSONB NOT NULL DEFAULT '{}',  -- provider-specific (task,
                                       --                    hyperparameters,
                                       --                    automl, ...)
  capabilities TEXT[] NOT NULL DEFAULT '{}',
                                       -- ['train','predict','deploy']
  serving_runtime VARCHAR(128) NULL,   -- KServe ClusterServingRuntime
                                       -- 예: 'kserve-sklearnserver'
  enabled BOOLEAN NOT NULL DEFAULT TRUE,
  installed_at TIMESTAMPTZ NOT NULL DEFAULT now(),
  installed_by VARCHAR(255) NOT NULL,  -- audit (Keycloak sub or 'seed')
  created_at TIMESTAMPTZ NOT NULL DEFAULT now(),
  updated_at TIMESTAMPTZ NOT NULL DEFAULT now(),
  UNIQUE (workspace_id, name)          -- tenant 가 글로벌 plugin 을 같은 이름으로 override 가능
);
CREATE INDEX idx_ml_plugin_workspace_enabled ON ml_plugin (workspace_id, enabled);

JSONB / TEXT[] 는 PG (prod) variant. SQLite (test) 는 JSON 으로 fallback (with_variant 패턴 — MLBatchJob.feature_columns / DriftReport.drifted_features 와 동일).
UNIQUE (workspace_id, name) 는 PG NULL semantics 상 (NULL, 'sklearn-baseline') 과 (uuid, 'sklearn-baseline') 이 별행 — tenant 가 글로벌과 같은 이름으로 자기 버전을 등록할 수 있다.
베이스라인 정책 (ADR-002 / feedback_alembic_baseline_recipe) — Alembic migration 없음. init_db.create_all 로 생성.
테이블 카운트 가드: tests/test_db_models_package.py 가 _EXPECTED_TABLE_COUNT 67 → 68 로 업데이트됨.

2. Provider ABC — `MLPluginProvider`

# apps/api/src/gend_api/services/ml_plugins/base.py
class MLPluginProvider(ABC):
    name: str = "unnamed-plugin"

    @abstractmethod
    def train(self, X: pd.DataFrame, y: pd.Series | None, config: dict) -> ModelArtifact: ...

    @abstractmethod
    def predict(self, artifact: ModelArtifact, X: pd.DataFrame) -> np.ndarray: ...

    @abstractmethod
    def get_serving_runtime(self) -> str | None: ...   # None = 학습 전용

    @abstractmethod
    def supports_automl(self) -> bool: ...

ModelArtifact 는 의도적 Any — provider 가 sklearn estimator / ONNX bytes / MLflow run id 등 자유 형식 반환. 레지스트리는 검사하지 않는다.
ABC (Protocol 아님) — 추상 메서드 누락 시 instantiation 자체에서 TypeError (services/parsers/base.py 와 동일 패턴).
train / predict 는 sync — M2 Dagster asset 가 thread pool 에서 호출 (async wrapping 은 caller 책임).

3. Reference Provider — `SklearnBaselineProvider`

# apps/api/src/gend_api/services/ml_plugins/sklearn_baseline.py
class SklearnBaselineProvider(MLPluginProvider):
    name = "sklearn-baseline"
    # config = {"task": "classification" | "anomaly_detection",
    #           "hyperparameters": {...}}
    # task='classification'     → LogisticRegression
    # task='anomaly_detection'  → IsolationForest
    # get_serving_runtime()     → 'kserve-sklearnserver'
    # supports_automl()         → False  (H2O-AutoML plugin 이 M2 에서 True)

4. Registry Loader — `load_plugin`

# apps/api/src/gend_api/services/ml_plugins/registry.py
from gend_api.services.ml_plugins import load_plugin

provider = load_plugin(ml_plugin_row)
# 1. _validate_provider_class_path  — allowlist prefix 검증 (ValueError if not)
# 2. importlib.import_module          — module portion
# 3. getattr + issubclass check       — MLPluginProvider 의 concrete subclass 인지 확인
# 4. cls()                            — 무인자 생성자 (config 는 train/predict 인자로 전달)

API endpoint (read — M1)

Method	Path	설명
GET	`/api/v1/ml-plugins`	workspace-fence + pagination
GET	`/api/v1/ml-plugins/{id}`	단건, 404 / 403 split
GET	`/api/v1/ml-plugins/{id}/capabilities`	provider runtime resolve (allowlist guard 노출 surface)

Workspace isolation

ModelGrant / DriftReport 와 동일한 fence 패턴:

tenant caller: 자기 workspace 행 ∪ NULL workspace 행 (globally installed plugin) 만 가시
admin caller: 전체 가시
fail-closed: tenant_slug 가 JWT 에 있지만 매핑된 Workspace 행이 없으면 403 (silent fall-through 금지)

`/capabilities` endpoint — 보안 가드의 user-facing surface

이 endpoint 가 load_provider_class(plugin.provider_class) 를 호출 → allowlist 검증 → provider 인스턴스 생성 → runtime claim 반환:

{
  "id": "uuid",
  "name": "sklearn-baseline",
  "declared_capabilities": ["train", "predict"],
  "provider_class_name": "SklearnBaselineProvider",
  "serving_runtime": "kserve-sklearnserver",
  "supports_automl": false
}

provider_class 가 allowlist 밖이면 silent 500 이 아닌 명시적 HTTP 422 반환 (Invalid provider_class: ...) — admin 이 문제 행을 식별 가능.

API endpoint (mutation — M2)

POST /api/v1/ml-plugins                # admin only
  body: MLPluginCreate
  → 201 MLPluginRead | 403 | 409 (UNIQUE 위반) | 422 (allowlist 위반 / import 실패 / Pydantic)

PUT /api/v1/ml-plugins/{id}            # admin only
  body: MLPluginUpdate (description / config / capabilities / serving_runtime / enabled 만)
  → 200 MLPluginRead | 403 | 404 | 422

DELETE /api/v1/ml-plugins/{id}         # admin only
  → 204 | 403 | 404

정책 요약 (mutation 3종 공통):

모두 require_admin — viewer / analyst 는 403.
installed_by 는 서버가 caller token 의 safe_username 으로 stamping (request body 에서 절대 수용 안 함 — spoof 방지).
workspace_id 도 서버가 caller tenant_slug 로 stamping:
- tenant-scoped admin → 그 workspace_id
- admin without tenant_slug → NULL (legacy backfill posture)
UNIQUE (workspace_id, name) 위반 → 409.
POST 의 provider_class 는 INSERT 전에 allowlist 재검증 — out-of-allowlist 경로 / 존재하지 않는 클래스 / MLPluginProvider 비-subclass → 422, DB 에 행이 남지 않음.
PUT 의 immutable 필드 (name, workspace_id, provider_class) → 422 (extra='forbid'). 특히 provider_class 는 immutable 인 게 보안상 중요 — allowlisted plugin 을 out-of-allowlist 경로로 re-target 하는 우회를 차단한다 (M3 KServe deploy proxy 가 활성 plugin 의 provider_class 를 신뢰하므로).
DELETE 는 hard delete — M3 에서 deleted_at tombstone 으로 전환 예정.

⚠️ 보안 — POST 가 단일 보안 진입점

provider_class 는 dotted Python import 경로 (위 보안 절 참고). M1 의 runtime 가드는 load_provider_class 호출 시점에 allowlist 를 재확인하지만, primary defence 는 INSERT 전에 거부하는 것. M2 의 MLPluginService.create_plugin 가:

Layer 1 — prefix allowlist — _validate_provider_class_path 호출. gend_api.services.ml_plugins. prefix 가 아닌 경로는 422.
Layer 2 — import + subclass 체크 — load_provider_class 호출. 존재하지 않는 클래스 / MLPluginProvider 비-subclass / .. parent-traversal → 422.
Layer 3 — UNIQUE composite — (workspace_id, name) 중복 → 409 (IntegrityError 매핑).

우회 불가 — provider_class 는 PUT 에서도 변경 불가. allowlist 밖의 경로를 활성 plugin 으로 만들려면 (a) Python 모듈을 gend_api.services.ml_plugins/ 안에 PR 로 추가하고, (b) admin token 으로 POST 해야 한다. 두 단계 모두 code review 가 필수.

curl 예제

TOKEN="<admin keycloak access token>"
API="https://gend.genon.ai/api/v1/ml-plugins"

# 1) POST — 신규 plugin 설치
curl -sS -X POST -H "Authorization: Bearer $TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "name": "sklearn-anomaly",
    "description": "Isolation Forest baseline for anomaly detection",
    "provider_class": "gend_api.services.ml_plugins.sklearn_baseline.SklearnBaselineProvider",
    "config": {"task": "anomaly_detection"},
    "capabilities": ["train", "predict"],
    "serving_runtime": "kserve-sklearnserver"
  }' "$API" | jq .

# 2) POST allowlist 위반 예시 — 422 + 행 미생성
curl -sS -X POST -H "Authorization: Bearer $TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "name": "evil",
    "provider_class": "os.system",
    "capabilities": []
  }' "$API"
# → {"detail":"Invalid provider_class: provider_class 'os.system' is not in the allowlist (must start with 'gend_api.services.ml_plugins.')"}
# HTTP 422

# 3) PUT — capabilities + enabled 패치
curl -sS -X PUT -H "Authorization: Bearer $TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "capabilities": ["train", "predict", "deploy"],
    "enabled": true
  }' "$API/<plugin-uuid>" | jq .

# 4) PUT 의 immutable 필드 — provider_class 변경 시도 → 422
curl -sS -X PUT -H "Authorization: Bearer $TOKEN" \
  -H "Content-Type: application/json" \
  -d '{"provider_class": "gend_api.services.ml_plugins.h2o_automl.H2OAutoMLProvider"}' \
  "$API/<plugin-uuid>"
# → 422 (extra='forbid')

# 5) DELETE — uninstall
curl -sS -X DELETE -H "Authorization: Bearer $TOKEN" \
  "$API/<plugin-uuid>" -o /dev/null -w "%{http_code}\n"
# → 204

Audit trail (M2)

mutation 3종은 모두 gend.audit logger 에 structured line 을 emit 한다. action 별 prefix:

action	prefix	핵심 필드
POST	`ml_plugin.install`	`plugin_id`, `workspace`, `name`, `provider_class`, `installed_by`
PUT	`ml_plugin.update`	`plugin_id`, `name`, `changed=[...]`, `previous={...}`, `user`
DELETE	`ml_plugin.uninstall`	`plugin_id`, `name`, `provider_class`, `installed_by`, `uninstalled_by`

install / uninstall 두 line 모두 provider_class 를 명시 기록 — 어떤 Python 모듈이 활성화 / 비활성화됐는지 forensic review 시 grep 가능. DELETE 의 audit line 은 installed_by (원래 설치자) 와 uninstalled_by (취소한 admin) 를 둘 다 기록 — 행 자체는 삭제돼도 두 identity 의 paper trail 은 보존된다. M3 에서 HMAC chain (project_audit_hmac_chain) 과 통합되어 tamper-evident 가 된다.

감사 조회 예시 (AKS prod)

# gend-api Pod 의 application log 에서 mutation 이력 grep
kubectl -n gend logs -l app=gend-api --tail=10000 | grep "ml_plugin\."

# 특정 provider_class 가 언제 활성화됐는지 추적
kubectl -n gend logs -l app=gend-api --tail=50000 | \
  grep "ml_plugin.install" | grep "sklearn_baseline"

학습 실험의 워크스페이스 태깅 (v1.2+, #2913 I3)

학습 트리거(POST /api/v1/ml-plugins/{id}/train)는 플러그인 행의 workspace_id 를 slug 로 풀어 Dagster run config 에 싣고, 학습 asset 이 MLflow experiment + run 에 gend.workspace 태그를 자동 부여한다. 이전에는 외부 SDK 프록시 경로만 자동 태깅해서, Dagster 가 만든 실험은 워크스페이스 필터(?workspace=)와 실험 목록 그룹핑에서 조용히 빠졌다.

실험에 이미 다른 워크스페이스 태그가 있으면 덮지 않는다 — 공유 실험의 소유를 마지막 run 이 훔치는 형태 방지. run 태그는 per-run 이라 항상 남는다.
태깅 실패는 학습 등록을 죽이지 않는다(fail-open) — Dagster run 로그에 error 로 남는다.
workspace_id 가 NULL 인 레거시/tenantless 행은 태깅 없이 동작한다 (staged backfill 자세 — 기존 목록 조회에는 계속 노출).

신규 provider 추가 절차

Python 모듈 추가 — apps/api/src/gend_api/services/ml_plugins/<your_provider>.py 작성. MLPluginProvider 를 상속한 concrete class 정의.
(선택) services/ml_plugins/__init__.py 재-export — 직접 import 가 필요한 경우만. 레지스트리 loader 는 __init__.py 노출 여부와 무관하게 동작 (full dotted path 사용).
PR 리뷰 통과 — 코드 PR 이 머지된 뒤에야 신규 provider 활성 가능.

admin POST — M2 부터는 admin token + POST /api/v1/ml-plugins 가 표준 경로. 위 curl 예제 참고. DB 직접 INSERT 는 회귀 / DR 케이스에서만 사용한다 (audit emit 우회 — 권장하지 않음). 참고용 raw SQL:

INSERT INTO ml_plugin (id, workspace_id, name, provider_class, config,
                       capabilities, serving_runtime, installed_by)
VALUES (gen_random_uuid(), NULL, 'h2o-automl',
        'gend_api.services.ml_plugins.h2o_automl.H2OAutoMLProvider',
        '{"max_runtime_secs": 3600}'::jsonb,
        ARRAY['train','predict','automl']::text[],
        'kserve-tritonserver',
        'admin-sub-uuid');

확인 — GET /api/v1/ml-plugins/{id}/capabilities 가 200 + 기대한 runtime 필드 반환.

gend_api.services.ml_plugins. prefix 밖의 provider_class 를 POST 로 등록 시도하면 → 422 + 행 미생성 (M2 service-layer 가드). DB 직접 INSERT 로 우회한 행이라도 /capabilities 호출 시 422 + services/ml_plugins/registry.py 가 WARNING 로그.

테스트

cd apps/api && .venv/bin/python -m pytest \
  tests/test_ml_plugin_router.py \
  tests/test_ml_plugin_service.py \
  tests/test_no_provider_class_import_arbitrary.py \
  tests/test_db_models_package.py \
  tests/test_protected_routers_registration.py -v
# 39 router + 17 service + 22 allowlist guard + ... = 108+ tests

다음 단계 (M3)

Dagster 학습 Job 트리거 — ml_train asset 이 load_plugin(plugin).train(...) 호출, MLflow Run 으로 결과 etcd
KServe /predict proxy — POST /api/v1/serving/deploy 가 plugin.get_serving_runtime() 결과로 ClusterServingRuntime 템플릿 생성, /predict 는 ModelGrant ABAC 게이트 통과 후 forward
UI — /admin/ml-plugins 페이지 (List + Install Dialog + Capabilities tab), provider_class allowlist 위반 시 422 detail 을 사용자에게 명시
HMAC audit_chain 통합 — gend.audit logger emit → OpenSearch + HMAC chain (project_audit_hmac_chain)
Soft delete + tombstone — deleted_at / uninstalled_by 컬럼 추가 (Alembic), DELETE 가 hard delete → soft delete 로 전환
AutoML 라우팅 — supports_automl=True provider 의 hyperparameter 탐색 wrapper
Secret-aware config 마스킹 — provider.redactable_config_keys hook

Serving = KServe (RFC #1475 결정 / #1507)

ml_plugin 의 production inference 경로 = KServe 단일 경로. ml_plugin 자체에는 predict router / asset 진입점이 없음 — 책무 분리를 위한 의도된 설계.

라우팅 다이어그램

Why no `POST /api/v1/ml-plugins/{id}/predict`?

3 옵션 비교 (RFC #1475 § 옵션 비교):

	A: Dagster predict asset	B: REST predict router	C: KServe only (선택)
실시간 inference	✗ (수십초 오버헤드)	✓	✓
결과 sink + drift hook	batch_predict 와 중복	별도 구현	KServe v2 + downstream metric
gend-api CPU/메모리 영향	0	✗ 모델 로드 spike	0 (KServe pod 격리)
책무 분리	모호 (asset vs batch)	모호 (router vs KServe)	✓ 명확 (train = ml_plugin, serving = KServe)
운영 자원	Dagster image 추가 부담	gend-api 메모리 spike	이미 prod 배포 (kserve namespace)

옵션 C 의 근거:

KServe = production serving 전용 (scalable / GPU / canary / v2 OIP) — 이미 prod 배포됨
base.predict() / sklearn_baseline.predict() 는 batch_predict_asset.py 의 내부 헬퍼 로 이미 작동 (구조 변경 없음)
외부 진입점 추가 시 다음 cascade 회귀 위험 (#1430 audit 의 본질 회귀 패턴)

KServe 배포 가이드

→ admin-ops/serving/kserve-inference.md (PR #1505) — demo_credit_risk_plugin 실배포 evidence + manifest + 트러블슈팅

회귀 가드

scripts/test_cross_pr_consistency.py::test_predict_used_only_internally:

MLPluginProvider.predict 호출처 grep
허용 path: pipelines/gend_pipelines/ml/batch_predict_asset.py (헬퍼) + provider 자체 + 테스트
금지: 외부 router / 외부 asset 진입점
위반 시 명확 ERROR + RFC #1475 결정 명시

가이드	대상	진입 시점
ml-plugin-train.md	사람 운영자 (클릭)	UI 시나리오 우선 — GenD UI 안 Dagster iframe 임베드
ml-plugin-train-trigger.md	자동화 / CI / ETL	REST API + 3-layer allowlist + GraphQL launchRun 내부 구조

ML Plugin Registry — M2

본 PR (M2) 의 정확한 scope

본 M2 에 포함되지 않은 것 (M3 작업 항목)

⚠️ 보안 — provider_class 는 동적 Python import 경로

가드 — 단일 규칙

회귀 가드

구성 요소

1. ORM 테이블 — `ml_plugin`

2. Provider ABC — `MLPluginProvider`

3. Reference Provider — `SklearnBaselineProvider`

4. Registry Loader — `load_plugin`

API endpoint (read — M1)

Workspace isolation

`/capabilities` endpoint — 보안 가드의 user-facing surface

API endpoint (mutation — M2)

⚠️ 보안 — POST 가 단일 보안 진입점

curl 예제

Audit trail (M2)

감사 조회 예시 (AKS prod)

학습 실험의 워크스페이스 태깅 (v1.2+, #2913 I3)

신규 provider 추가 절차

테스트

다음 단계 (M3)

Serving = KServe (RFC #1475 결정 / #1507)

라우팅 다이어그램

Why no `POST /api/v1/ml-plugins/{id}/predict`?

KServe 배포 가이드

회귀 가드

관련 자료

Train 가이드 (#1537 — 진입 우선순위)

본 PR (M2) 의 정확한 scope​

본 M2 에 포함되지 않은 것 (M3 작업 항목)​

⚠️ 보안 — provider_class 는 동적 Python import 경로​

가드 — 단일 규칙​

회귀 가드​

구성 요소​

1. ORM 테이블 — ml_plugin​

2. Provider ABC — MLPluginProvider​

3. Reference Provider — SklearnBaselineProvider​

4. Registry Loader — load_plugin​

API endpoint (read — M1)​

Workspace isolation​

/capabilities endpoint — 보안 가드의 user-facing surface​

API endpoint (mutation — M2)​

⚠️ 보안 — POST 가 단일 보안 진입점​

curl 예제​

Audit trail (M2)​

감사 조회 예시 (AKS prod)​

학습 실험의 워크스페이스 태깅 (v1.2+, #2913 I3)​

신규 provider 추가 절차​

테스트​

다음 단계 (M3)​

Serving = KServe (RFC #1475 결정 / #1507)​

라우팅 다이어그램​

Why no POST /api/v1/ml-plugins/{id}/predict?​

KServe 배포 가이드​

회귀 가드​

관련 자료​

Train 가이드 (#1537 — 진입 우선순위)​

본 PR (M2) 의 정확한 scope

본 M2 에 포함되지 않은 것 (M3 작업 항목)

⚠️ 보안 — provider_class 는 동적 Python import 경로

가드 — 단일 규칙

회귀 가드

구성 요소

1. ORM 테이블 — `ml_plugin`

2. Provider ABC — `MLPluginProvider`

3. Reference Provider — `SklearnBaselineProvider`

4. Registry Loader — `load_plugin`

API endpoint (read — M1)

Workspace isolation

`/capabilities` endpoint — 보안 가드의 user-facing surface

API endpoint (mutation — M2)

⚠️ 보안 — POST 가 단일 보안 진입점

curl 예제

Audit trail (M2)

감사 조회 예시 (AKS prod)

학습 실험의 워크스페이스 태깅 (v1.2+, #2913 I3)

신규 provider 추가 절차

테스트

다음 단계 (M3)

Serving = KServe (RFC #1475 결정 / #1507)

라우팅 다이어그램

Why no `POST /api/v1/ml-plugins/{id}/predict`?

KServe 배포 가이드

회귀 가드

관련 자료

Train 가이드 (#1537 — 진입 우선순위)