在Databricks通过MLflow向AzureML注册模型遇403权限错误求助

在Azure Databricks平台训练模型，想要将模型注册到Azure Machine Learning Studio，已创建服务主体用于身份认证，但使用MLflow 2.4和2.5版本时，无法记录实验或注册模型，代码及报错信息如下：

原测试代码 #

from azureml.core.authentication import ServicePrincipalAuthentication
from azureml.core import Workspace, Experiment, RunConfiguration, Environment
from azure.identity import DefaultAzureCredential
from azureml.core.model import Model
subscription_id = ""
resource_group = ""
workspace = ""

srv_prc = ServicePrincipalAuthentication()

ws = Workspace()
       mlflow.set_tracking_uri("azureml://eastus.api.azureml.ms/mlflow/v1.0/subscriptions//resourceGroups/mlopstest/providers/Microsoft.MachineLearningServices/workspaces/")

mlflow.set_experiment(experiment_name='mlopstest1')

报错信息（已翻译） #

MlflowException: 向端点/api/2.0/mlflow/experiments/get-by-name发送API请求失败，错误代码403 != 200。响应体：''

问题分析与解决步骤 #

1. 修正代码中的关键错误 #

你的代码存在多处配置缺失，导致认证和连接失败：

• 服务主体认证未传入必要参数（租户ID、主体ID、密码）
• Workspace实例化缺少必填的资源参数
• MLflow跟踪URI不完整（订阅ID为空）

修正后的代码如下：

import mlflow
from azureml.core.authentication import ServicePrincipalAuthentication
from azureml.core import Workspace

# 填充实际的Azure资源信息
subscription_id = "你的订阅ID"
resource_group = "你的资源组名称"
workspace_name = "你的Azure ML工作区名称"
tenant_id = "服务主体所属租户ID"
sp_id = "服务主体应用ID"
sp_password = "服务主体密码"

# 初始化服务主体认证
srv_prc = ServicePrincipalAuthentication(
    tenant_id=tenant_id,
    service_principal_id=sp_id,
    service_principal_password=sp_password
)

# 连接Azure ML工作区
ws = Workspace(
    subscription_id=subscription_id,
    resource_group=resource_group,
    workspace_name=workspace_name,
    auth=srv_prc
)

# 使用工作区自动生成的MLflow跟踪URI（避免手动拼接出错）
mlflow.set_tracking_uri(ws.get_mlflow_tracking_uri())

# 设置目标实验
mlflow.set_experiment(experiment_name='mlopstest1')

2. 验证服务主体权限 #

• 确保服务主体被分配了Azure ML工作区的参与者角色（或具备Microsoft.MachineLearningServices/workspaces/experiments/write、Microsoft.MachineLearningServices/workspaces/models/write等权限的自定义角色）
• 在Azure门户的工作区**访问控制(IAM)**中检查服务主体的权限配置

3. 其他检查项 #

• 确认Databricks集群网络可访问Azure ML的公共端点（若使用私有网络，需配置VNet对等连接或服务端点）
• 建议使用Azure ML工作区推荐的MLflow版本（可在Azure ML Studio的"管理"->"MLflow"页面查看兼容版本）

内容的提问来源于stack exchange，提问作者Enoch Kranthi