Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà. # Revisione di un modello di PySpark analisi Quando un altro membro crea un modello di analisi nell'ambito della collaborazione, è necessario esaminarlo e approvarlo prima che possa essere utilizzato. La procedura seguente mostra come esaminare un modello di PySpark analisi, incluse le regole, i parametri e le tabelle di riferimento. In qualità di membro della collaborazione, valuterai se il modello è in linea con gli accordi di condivisione dei dati e i requisiti di sicurezza. Una volta approvato, il modello di analisi può essere utilizzato in un job in AWS Clean Rooms. **Nota** Quando inserite il codice di analisi in una collaborazione, tenete presente quanto segue: AWS Clean Rooms non convalida né garantisce il comportamento del codice di analisi. Se devi garantire un determinato comportamento, rivedi direttamente il codice del tuo partner di collaborazione o rivolgiti a un revisore esterno affidabile per esaminarlo. AWS Clean Rooms garantisce che gli hash SHA-256 del codice elencato nel modello di PySpark analisi corrispondano al codice in esecuzione nell'ambiente di analisi. PySpark AWS Clean Rooms non esegue alcuna verifica o analisi di sicurezza delle librerie aggiuntive introdotte nell'ambiente. Nel modello di sicurezza condiviso: Tu (il cliente) sei responsabile della sicurezza del codice in esecuzione nell'ambiente. L'utente (il cliente) è responsabile dell'impostazione della configurazione appropriata dei messaggi di errore per l'ambiente. AWS Clean Rooms è responsabile della sicurezza dell'ambiente, garantendo che viene eseguito solo il codice approvato sono accessibili solo le tabelle configurate specificate l'unica destinazione di uscita è il bucket S3 del ricevitore dei risultati. AWS Clean Rooms genera hash SHA-256 dello script utente e dell'ambiente virtuale da esaminare. Tuttavia, lo script utente e le librerie effettivi non sono direttamente accessibili all'interno. AWS Clean Rooms Per verificare che lo script utente e le librerie condivise siano gli stessi a cui si fa riferimento nel modello di analisi, è possibile creare un hash SHA-256 dei file condivisi e confrontarlo con l'hash del modello di analisi creato da. AWS Clean Rooms Gli hash del codice eseguito saranno presenti anche nei log dei processi. **Prerequisiti** + Sistema operativo Linux/Unix o sottosistema Windows per Linux (WSL) + File di script utente di cui desideri eseguire l'hash + Richiedi che il creatore del modello di analisi condivida il file tramite un canale sicuro. + L'hash del modello di analisi creato da AWS Clean Rooms **Per rivedere un modello di PySpark analisi utilizzando la console AWS Clean Rooms** 1. Accedi Console di gestione AWS e apri la [AWS Clean Rooms console](https://console.aws.amazon.com/cleanrooms/home) con il programma Account AWS che fungerà da creatore della collaborazione. 1. Nel riquadro di navigazione a sinistra, scegli **Collaborazioni.** 1. Scegli la collaborazione. 1. Nella scheda **Modelli**, vai alla sezione **Modelli di analisi creati da altri membri**. 1. La scelta del modello di analisi con **lo stato Può essere eseguito** su **No richiede la tua revisione**. 1. Scegli **Rivedi**. 1. Esamina la **panoramica**, la **definizione** e **i parametri** della regola di analisi (se presenti). **Nota** I parametri consentono ai responsabili dell'analisi di inviare valori diversi al momento dell'invio. Se un modello di analisi supporta i parametri, esaminate come i valori dei parametri vengono utilizzati nel codice del vostro partner di collaborazione per assicurarvi che soddisfi i vostri requisiti. 1. Verifica che lo script utente e le librerie condivisi siano gli stessi a cui si fa riferimento nel modello di analisi. 1. Crea un hash SHA-256 dei file condivisi e confrontalo con l'hash del modello di analisi creato da. AWS Clean Rooms È possibile generare un hash accedendo alla directory contenente il file di script utente e quindi eseguendo il comando seguente: ``` sha256sum your_script_filename.py ``` Output di esempio: ``` e3b0c44298fc1c149afbf4c8996fb92427ae41e4649b934ca495991b7852b855 my_analysis.py ``` 1. In alternativa, puoi utilizzare le funzionalità di checksum di Amazon S3. Per ulteriori informazioni, consulta [https://docs.aws.amazon.com/AmazonS3/latest/userguide/checking-object-integrity.html](https://docs.aws.amazon.com/AmazonS3/latest/userguide/checking-object-integrity.html) *User Guide*. 1. Un'altra alternativa è visualizzare gli hash del codice eseguito nei log dei lavori. 1. Esamina le tabelle configurate elencate in Tabelle a cui si **fa riferimento** nella definizione. Lo **stato** accanto a ciascuna tabella riporterà la dicitura **Modello non consentito**. 1. Scegliere una tabella . 1. Per approvare il modello di analisi, scegli **Consenti modello sulla tabella.** Conferma l'approvazione selezionando **Consenti**. 1. Per rifiutare l'approvazione, scegli **Non consentire**. Se hai scelto di approvare il modello di analisi, il membro che può eseguire i job può ora eseguire un PySpark job su una tabella configurata utilizzando un modello di PySpark analisi. Per ulteriori informazioni, consulta [PySpark Lavori in corso](run-jobs.md).