區塊鏈:金色觀察｜PaddleDTX：分布式機器學習解決方案_NER

PaddleDTX 是一個基于分布式存儲的分布式機器學習技術解決方案。可以解決海量私有數據需要的安全存儲和交換難題，可惡意幫助各方突破數據孤島，實現數據價值最大化。

PaddleDTX的計算層是一個由三種節點組成的網絡：Requester、Executor和DataOwner。訓練樣本和預測數據集存儲在由 DataOwner 和Storage節點組成的去中心化存儲網絡中。這種去中心化的存儲網絡和計算層由底層區塊鏈網絡支持。

金色財經行情播報丨BTC下探回升 局部震蕩持續:據火幣行情顯示，今日BTC行情下探回升，凌晨時最低探至8909USDT后反彈，下午快速拉升最高探至9239USDT，隨后開始小幅震蕩。整體價格徘徊在9200USDT附近。日線圖今日上漲K線吞噬此前下跌后震蕩整理平臺，并站上均線MA10。周線圖MA5構成局部壓力。4小時圖局部上行通道加速完成，局部有回調需求，1小時圖開始局部震蕩，后市或將持續節奏收攏均線。截至18:30，主流幣的具體表現如下：[2020/7/6]

Requester 是有預測需求的一方，Executor 是 DataOwner 授權獲得樣本數據訪問許可的一方，用于可能的模型訓練和結果預測。多個 Executor 節點組成一個 SMPC（安全多方計算）網絡。Requester 節點將任務發布到區塊鏈網絡，Executor 節點授權后執行任務。Executor節點通過DataOwner獲取樣本數據，后者為數據的信任背書。

金色獨家 EOS Asia聯合創始人郭達峰：交易所內鎖住的大票倉是影響排名的最大未知數:EOS Asia聯合創始人郭達峰對金色財經表示，EOS節點排名不斷變化是EOS設計的巧妙之處，持幣者每分鐘都可以換選票結合權重半衰期，促使著節點必須能夠持續為社區做貢獻。目前交易所內鎖住的大票倉是影響排名的最大未知數，隨著交易所慢慢開放投票和提取功能，排名會更能體現出節點對社區的貢獻。[2018/6/20]

SMPC 網絡是支持并行運行的多個分布式學習過程的框架。未來將支持垂直聯邦學習和水平聯邦學習算法。

一個DataOwner節點處理自己的私有數據，在這個過程中使用了加密、分段和復制相關的算法，最后將加密的分片分發到多個Storage節點。Storage 節點通過回答 DataOwner 產生的挑戰來證明它誠實地持有數據片段。通過這些機制，可以在不侵犯任何數據隱私的情況下安全地維護存儲資源。

金色財經現場報道?中國政法大學金融系教授胡繼曄：區塊鏈金融監管要有最優區域:金色財經6月14日現場報道，在青藤鏈盟-中國政法大學節點啟動儀式暨青藤鏈盟研究院-區塊鏈金融法治研究中心成立儀式上，中國政法大學金融系教授胡繼曄指出，區塊鏈行業不應是加強監管，應該是實現有效監管，要實現全面覆蓋、智能分析、精準有效。并非是更強的監管，應該要選取一個最優的監管區域。[2018/6/14]

訓練任務和預測任務將通過區塊鏈網絡廣播到 Executor 節點。然后所涉及的 Executor 節點將執行這些任務。DataOwner節點和Storage節點在監控文件和節點健康狀態時，以及副本持有證明的challenge-answer-verify過程中，通過區塊鏈網絡交換信息。

金色財經現場報道 區塊鏈創業學院院長沈大海：好的區塊鏈項目一定能落地:金色財經現場報道，在4月3日舉辦的2018年世界區塊鏈峰會現場，區塊鏈創業學院院長沈大海表示：“現在的項目如果認為是好項目，有這樣幾點：第一點，項目本身有團隊、有目標，這個項目確實有應用場景，而不是硬要去使用區塊鏈，因為很多行業它是不適合區塊鏈的也要去建立聯系。所以第一個是要有應用場景。另外一點，區塊鏈參與的多方能夠產生交易。也就是說如果區塊鏈沒有頻繁的交易，就不是好的項目。還有就是這個區塊鏈有大量的社群，有用戶。這幾點如果不具備的話，肯定就不是一個好的項目，甚至都不是一個區塊鏈項目。因此在今天來看，好的區塊鏈項目一定是能夠落地，能夠應用。”[2018/4/3]

目前，XuperChain 是 PaddleDTX 支持的唯一區塊鏈框架。

PaddleDTX 的開源版本支持垂直聯邦學習（VFL）算法，包括兩方線性回歸、兩方邏輯回歸和三方 DNN（深度神經網絡）。DNN的實現依賴于PaddleFL框架，PaddleFL 提供的所有神經網絡模型都可以在 PaddleDTX 中使用。未來更多算法會開源，包括多方 VFL 和多方 HFL（水平聯邦學習）算法。

訓練和預測步驟如下所示：

樣品準備

FL 任務需要指定將用于計算或預測的示例文件，這些文件存儲在去中心化存儲系統（XuperDB）中。在執行任務之前，執行者（通常是數據所有者）需要從 XuperDB 中獲取自己的示例文件。

樣品對齊

VFL 訓練和預測任務都需要樣本對齊過程。即使用所有參與者的 ID 列表查找樣本交叉點。訓練和預測是在相交的樣本上進行的。該項目實施了 PSI（Private Set Intersection）來進行樣本對齊，而不會泄露任何參與者的 ID。

訓練過程

模型訓練是一個迭代過程，它依賴于兩個奇偶校驗樣本的協同計算。參與者需要在許多訓練時期交換中間參數，以便為每一方獲得適當的局部模型。

為確保每個參與者數據的機密性，Paillier 密碼系統用于參數加密和解密。Paillier 是一種加法同態算法，它使我們能夠直接對密文進行加法或標量乘法。

預測過程

預測任務需要模型，因此需要在預測任務開始前完成相關的訓練任務。模型單獨存儲在參與者的本地存儲中。參與者使用自己的模型計算局部預測結果，然后收集所有部分預測結果以推導出最終結果。

對于線性回歸，可以在收集所有部分結果后執行去標準化過程。這個過程只有有標簽的一方才能完成。所以所有的部分結果都會被發送給有標簽的一方，它會推導出最終結果并將其作為文件存儲在 XuperDB 中供請求者使用。

Tags：區塊鏈TORNERATA區塊鏈存證的特征有TorqueNERF幣Pinata

非小號