區塊鏈:金色觀察｜PaddleDTX：分布式機器學習解決方案_Data Vital

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。

金色晚報 | 2月16日晚間重要動態一覽:12:00-21:00關鍵詞：USDT、BCH、交易費、gas

1. 近七日Tether新發行1.57億USDT。

2. 比特幣價格昨日回調或與知名巨鯨Joe007有關。

3. Bitcoin ABC計劃實施基礎設施融資計劃 礦工捐贈比例改為5％。

4. 加密交易所 Bittrex 轉移近 5 萬枚BTC 交易費僅花 1.51 美元。

5. 以太坊gas使用量創年內新高 強勁的基本面因素或繼續推高價格。

6. Chainlink與Offchain Labs以及0x項目合作.

7. 智利比特幣場外交易活動的激增 交易額首次達到3億美元。

8. 印度特倫甘納邦設立區塊鏈孵化器，以支持區塊鏈初創企業。[2020/2/16]

多方計算網絡

金色晨訊| 美國國會議員在新的國會法案中推動“區塊鏈”定義:1、美國國會議員在新的國會法案中推動“區塊鏈”定義

2、IBM新專利使用區塊鏈技術監控安全漏洞

3、巴西反壟斷監管機構向多家數字貨幣交易所發送調查問卷

4、特拉維夫大學和Moshe Hogeg聯手建立區塊鏈研究機構

5、Ripple的合作伙伴TransferGo將提供免費跨境支付

6、TrueDigital宣布推出實物交割的比特幣掉期協議

7、以色列證券管理局開始使用區塊鏈技術提高網絡安全性

8、日本金融廳第六次加密貨幣交易所研討會討論關于加密行業的監管規范

9、外匯經紀公司福匯已將比特幣差價合約添加到金融產品列表中[2018/10/4]

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。

分析 | 金色盤面：BTC突破6700美元 維持多頭趨勢:金色盤面獨家分析：BTC剛剛突破了，6700美元，再次回到上升趨勢，我們最近在金色盤面和發現機會板塊多次提及這個位置不宜過分看空。短線看，這里多頭趨勢形成后，回踩不破6日線應該是進場機會。請投資者理性看待市場波動，做好風險控制。[2018/9/21]

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。

去中心化存儲網絡

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 經濟學家左小蕾：名字是“幣”不代表就是“貨幣”:金色財經現場報道，國務院參事室特約研究員、前銀河證券首席經濟學家左小蕾在區塊鏈教育創新論壇“鏈接大腦——區塊鏈教育機遇與展望”圓桌論壇上指出，加密貨幣正在挑戰權威貨幣，加密貨幣實際上是沒有標的衍生工具，一個交易工具。不是叫“幣”就是“貨幣”，貨幣有諸多職能和國家信用背書，大規模的token實際上已經是在整個市場上“替代”國家貨幣。我們應該思考，不要中央銀行信用擔保而創造“貨幣”的同時，是否能保證不創造危機、通脹和虛擬資產過多的情況，如果沒有解決這些問題，太多的“虛擬價值”將會影響實體經濟。市場的公允價值是交易出來的，而加密貨幣是先創造出來的。要明確，國家的信用沒人能夠替代。[2018/4/21]

區塊鏈網絡

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。

目前，XuperChain是PaddleDTX支持的唯一區塊鏈框架。

垂直聯邦學習

PaddleDTX的開源版本支持垂直聯邦學習算法，包括兩方線性回歸、兩方邏輯回歸和三方DNN。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算法。

訓練和預測步驟如下所示：

運作原理

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中。在執行任務之前，執行者需要從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TORDATPAD區塊鏈工程專業學什么課程比較好TORKData VitalAptoPad

以太坊最新價格