第三部分：提出研究计划

在第一部分和第二部分中，我们完全从数据所有者的角度学习了PySyft的功能。

根据自己的职责，实验室经理和PySyft数据所有者Owen通过创建并上传“乳腺癌生物标志物”数据集，并为Rachel创建远程访问凭据，成功设置了Datasite。

接下来，我们将探讨Rachel如何作为数据科学家与Datasite进行交互，以及PySyft如何确保外部用户永远无法看到或打开非公开信息。

使用PySyft对私密数据进行远程数据科学分析的工作流包括三个部分：

1. 准备研究项目：这是最彻底的一部分，数据科学家在每个步骤中都有参与，将是本部分的重点。
2. 对真实数据进行计算：使用私密数据作为输入，运行研究项目中嵌入的代码，计算真实结果（见第四部分）。
3. 结果批准和发布：检查真实结果，确保其符合数据集的隐私政策；如果一切正常，结果将返回给数据科学家（见第五部分）。

进行非公开数据研究的第一步是准备研究项目提交。

你将学到什么？

通过第三部分的学习，你将能够：

• 作为数据科学家访问Datasite，并探索可用数据集；
• 使用模拟数据准备数据分析代码；
• 创建PySyft远程代码请求；
• 创建并提交研究项目提案至Datasite。

3.1 登录Datasite

首先，确保本地开发的Datasite正在运行。如果没有，syft.orchestra.launch将重新启动服务器实例。

import syft as sy

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

现在是时候让Rachel使用Owen单独发送给她的凭据登录Datasite了：

client = data_site.login(email="rachel@datascience.inst", password="syftrocks")

登录到域后，Rachel作为数据科学家可以探索Datasite中可用的数据集。我们可以通过访问client.datasets来轻松查看：

client.datasets

如预期所示，Datasite包含一个数据集，名为“乳腺癌生物标志物”，包含2个资产。

一旦确定了我们感兴趣的数据集，我们可以通过索引或其唯一名称访问这些资产：

bc_dataset = client.datasets["Breast Cancer Biomarker"]

我们获得了bc_dataset，它是指向远程数据集的指针。

使用指向远程数据集的指针，我们可以通过索引或唯一名称访问其内部资产。在本示例中，我们可以创建指向特征资产和目标资产的指针：

features, targets = bc_dataset.assets  # 使用Python元组解包

接下来，让我们验证假设，即数据科学家只能访问模拟数据，不能访问真实数据。我们将使用这两个变量features和targets，它们确实是指向相应远程资产的指针。

请记住：

在第一部分中，两个资产是作为pandas.DataFrame对象创建和存储的。

features.mock.head(n=3)  # pandas.DataFrame

我们尝试对targets做同样的事情：

targets.mock.head(n=3)

太棒了！那么数据呢？🧐

features.data
targets.data

正如预期的那样，Rachel作为数据科学家，没有读取权限（也没有其他权限）访问存储在远程资产中的非公开信息。

资产的主要组成部分之间的这一明确区别具有以下优势：

• 模拟数据是公开访问的，向外部共享非公开信息时不会对数据所有者造成风险；
• 为数据科学家创建了一个模拟的环境，使他们能够以现实的方式模拟其预期的研究；
• 降低了数据科学家的责任，他们不再需要负责安全存储非公开数据；
• 使数据所有者能够控制数据科学家如何使用非公开资产进行研究。

---

3.2 使用模拟数据准备代码

获得模拟数据可以让我们大致了解真实数据的样子。因此，我们可以使用这些数据开始准备代码，以便在这些数据上运行。

Rachel决定通过使用scikit-learn库，运行一个简单的监督学习实验来研究乳腺癌数据。数据集表示为pandas.DataFrame，特征已经是机器学习模型所期望的格式：样本x特征矩阵。通过查看模拟数据，Rachel得出结论，真实数据也应具有相同的格式。

X, y = features.mock, targets.mock

简而言之，这是Rachel计划进行的机器学习实验的步骤：

1. 使用train_test_split函数生成训练和测试数据集；
2. 使用StandardScaler对特征进行归一化；
3. 训练LogisticRegression模型；
4. 计算训练数据和测试数据上的准确度。

为简便起见，我们将整个管道封装成一个Python函数。这样，在准备提交给PySyft远程执行的代码请求时，将更为简便。

def ml_experiment_on_breast_cancer_data(features_data, labels, seed: int = 12345) -> tuple[float, float]:
    # 包含所需的导入语句，准备提交代码时PySyft会需要这些
    from sklearn.model_selection import train_test_split
    from sklearn.preprocessing import StandardScaler
    from sklearn.linear_model import LogisticRegression
    from sklearn.metrics import accuracy_score
    
    X, y = features_data, labels.values.ravel()
    # 1. 数据划分
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=seed, stratify=y)
    # 2. 数据归一化
    scaler = StandardScaler()
    scaler.fit(X_train, y_train)
    X_train = scaler.transform(X_train)
    X_test = scaler.transform(X_test)
    # 3. 模型训练
    model = LogisticRegression().fit(X_train, y_train)
    # 4. 计算准确度
    acc_train = accuracy_score(y_train, model.predict(X_train))
    acc_test = accuracy_score(y_test, model.predict(X_test))
    
    return acc_train, acc_test

我们先在模拟数据上调用该函数，检查一切是否正常工作：

ml_experiment_on_breast_cancer_data(features_data=features.mock, labels=targets.mock)

---

3.3 提交研究项目

现在，我们的代码已经在本地测试通过，准备将其代码转换为远程执行的请求，并创建一个新的研究项目提交到Datasite。

在上一节中，我们已经验证了函数 ml_experiment_on_breast_cancer_data 能够在模拟数据上成功运行。现在，我们有兴趣使用 PySyft 在真实数据上测试该函数。特别地，我们需要将本地 Python 函数转换为远程代码请求：一个可以被 PySyft 处理并在存储真实数据的 Datasite 上执行的函数。

为此，我们只需要用一个特殊的装饰器 syft_function_single_use 包裹该 Python 函数。

remote_user_code = sy.syft_function_single_use(features_data=features, labels=targets)(ml_experiment_on_breast_cancer_data)

syft_function_single_use 装饰器

syft_function_single_use 装饰器是一个简单的快捷方式，基于更通用的 syft_function 装饰器。该装饰器需要两个主要参数：input_policy 和 output_policy。

• input_policy 提供给数据所有者信心，确保提交的代码只会在选定的输入资产上运行；
• output_policy 用于在多次执行中维护状态，例如限制指定代码允许运行的最大次数。

想了解更多细节，请查阅 Syft Policy 组件。

此时，我们可以直接提交 remote_user_code 请求。然而，这会让 Owen 感到困惑，因为他完全不知道代码的意图，也不清楚 Rachel 想对“癌症研究中心”的数据进行什么样的研究！

为了解决这些问题，PySyft 支持创建并提交一个研究项目！本质上，一个项目（即 syft.Project）由一个或多个代码请求组成，并包括一个简短的描述，用于向数据所有者传达研究的意图。

description = """
    本研究的目的是对乳腺癌数据运行一个机器学习实验流水线。
    第一次尝试包括对特征和标签的标准化步骤，
    使用 StandardScaler 和 LabelEncoder。
    选定的机器学习模型是 Logistic 回归，目的是
    获取训练和测试数据划分的准确度分数。
"""

# 创建项目
research_project = client.create_project(
    name="Breast Cancer ML Project",
    description=description,
    user_email_address="rachel@datascience.inst"
)

我们可以通过客户端访问可用项目的列表：

client.projects

NOTE

项目通过其唯一名称标识。这意味着重复的提交会导致 PySyft 抛出错误。

我们可以使用 create_code_request 方法将代码请求附加到 syft.Project 实例（例如 research_project）：

code_request = research_project.create_code_request(remote_user_code, client)

我们可以检查代码请求是否成功添加到项目中：

client.code

确实有一个代码请求，并且处于 PENDING 状态。类似地，我们可以通过访问 client.requests 查看已有的请求：

client.requests

有关用户代码和请求的更多信息，请参阅 组件部分。

强制执行未审批请求

假设 Rachel 非常心急，尝试强制执行尚未审批的请求。让我们看看 PySyft 的响应：

client.code.ml_experiment_on_breast_cancer_data(features_data=features, labels=targets)

如预期的那样，如果尝试执行未审批的代码请求，PySyft 会返回 SyftError！

恭喜完成第三部分 🎉

完成教程的第三部分！ 👏

Rachel 现已准备好并提交了研究项目，等待 Owen 审核。该项目包含 Rachel 准备并在模拟数据上测试的机器学习流水线，并已附加到项目中，供在真实数据上远程执行。

在第四部分中，我们将探讨代码请求审核流程在 PySyft 中的工作方式，再次切换到数据所有者的视角，了解如何审核并审批请求。