第四部分：代码请求审核

到目前为止，我们已经了解了 Rachel 如何通过 PySyft 提交研究项目，现在该项目正等待 Owen（数据所有者）审核。

你将学到什么？

完成第四部分后，您将学会：

• 如何访问收到的项目请求；
• 如何审核用户代码；
• 如何批准代码请求。

4.1 审核收到的请求

第一步是登录 Datasite。这次，我们将使用 Owen 的数据所有者身份登录。

import syft as sy

data_site = sy.orchestra.launch(name="cancer-research-centre")

client = data_site.login(email="owen@cancer-research.science", password="cancer_research_syft_admin")

随后，可以通过客户端访问现有的项目：

client.projects

如预期，Datasite 中目前包含 Rachel 提交的 "Breast Cancer ML Project" 请求。通过查看描述，Owen 可以大致了解即将收到的代码请求的意图。

接下来，我们可以访问具体的请求以进一步检查。通过索引访问现有请求：

request = client.requests[0]
request

从请求对象开始，我们可以立即获得与其关联的代码引用。这些代码对应于数据科学家提交并附加到原始项目的代码。

在测试代码执行之前，数据所有者可以先审查代码，确认项目描述中设定的预期是否得到满足：

request.code

---

WARNING

隐私与安全代码审查

在批准之前，代码审查必须通过安全和隐私评估。为确保隐私受到保护，数据所有者必须检查代码是否遵守其数据发布规则。为确保安全，应注意防范恶意代码请求。以下是一些可能有用的安全代码审查资源：

• OWASP 参考手册
• 安全代码审查
• Codacity

---

4.2 执行代码

在审查代码后，Owen 的下一步是分别在模拟数据和真实数据上执行代码，这些数据存储在提交代码中指定的资产中。审查 Rachel 的代码后，我们可以看到该函数需要 "Breast Cancer Biomarker" 数据集中的特征和标签资产。

首先，获取指定的 Syft 函数引用：

syft_function = request.code

然后，获取所需的资产：

bc_dataset = client.datasets["Breast Cancer Biomarker"]
features, labels = bc_dataset.assets

此时，数据所有者可以首先在 features.mock 和 labels.mock 上运行 syft_function，随后在 features.data 和 labels.data 上重复相同的操作：

result_mock_data = syft_function.run(features_data=features.mock, labels=labels.mock)
result_mock_data

---

NOTE

模拟数据上的执行

模拟数据的结果与第三部分中 Rachel 代码获得的结果完全一致。这是因为 Rachel 的代码正确地使用了随机种子，从而保证了结果的可复现性。

确认代码在模拟数据上运行正确后，我们可以在真实数据上测试代码，并收集 Rachel 所需的结果：

result_real_data = syft_function.run(features_data=features.data, labels=labels.data)
result_real_data

4.3 批准请求

现在，Owen 已经审查、检查并测试了 Rachel 的函数在选定资产上的运行，同时收集了真实非公开数据上的结果，他可以继续批准代码请求：

request.approve()

我们可以通过查看当前可用请求的状态来验证请求是否已获批准：

client.requests

如预期，Rachel 的请求状态现在已变为 Approved。

恭喜完成第四部分 🎉

祝贺您完成教程的第四部分！👏

在本部分中，我们探索了请求审核和批准的完整工作流程。特别是，在收到 Rachel 的新请求后，Owen 可以阅读她研究的目的，审查提交的代码，并检查所有预期和数据访问标准是否满足。最后，在模拟数据和真实数据上执行代码后，请求被批准。

---

展望第五部分

在最后一部分中，我们将看到 Rachel 如何在请求获得批准后，检索她所期望的结果。