Geschäftskontext
Im Marketing-Team wurde versehentlich eine CSV-Textdatei statt der erwarteten ONNX-Modelldatei für die Churn-Vorhersage in das System geladen. Die Pipeline muss diesen Fehler robust abfangen und darf das 'falsche' Modell nicht für das Scoring freigeben.
Datenaufbereitung
Erstellung einer Textdatei, die fälschlicherweise als Binärdatei importiert wird.
Kopiert!
| 1 | filename bad_file temp; |
| 2 | DATA _null_; |
| 3 | file bad_file; |
| 4 | put 'Dies ist eine CSV, kein ONNX Modell. Header: ID, Value'; |
| 5 | RUN; |
| 6 | |
| 7 | PROC CAS; |
| 8 | upload path=fileref(bad_file) |
| 9 | casout={name='corrupt_model', caslib='casuser', replace=true} |
| 10 | importOptions={fileType='binary'}; |
| 11 | RUN; QUIT; |
Étapes de réalisation
1
Abrufen der korrupten Daten.
Kopiert!
| 1 | PROC CAS; |
| 2 | TABLE.fetch / TABLE={caslib='casuser', name='corrupt_model'} to=1 fetchVars={'_blob_'} RESULT=r; |
| 3 | corrupt_blob = r.Fetch.Rows[1][1]; |
| 4 | RUN; |
2
Versuch, die invaliden Daten als ONNX zu validieren.
Kopiert!
| 1 | PROC CAS; |
| 2 | aStore.check RESULT=res / onnx=corrupt_blob; |
| 3 | /* Überprüfung des Logs auf spezifische Fehlermeldungen */ |
| 4 | RUN; QUIT; |
Erwartetes Ergebnis
Die Aktion 'aStore.check' muss fehlschlagen und eine eindeutige Fehlermeldung im Log ausgeben (z.B. 'Invalid ONNX format' oder ähnlich). Dies bestätigt, dass das System ungültige Eingaben korrekt identifiziert und ablehnt.