TOR:金色观察｜PaddleDTX：分布式机器学习解决方案

PaddleDTX是一个基于分布式存储的分布式机器学习技术解决方案。可以解决海量私有数据需要的安全存储和交换难题，可恶意帮助各方突破数据孤岛，实现数据价值最大化。

PaddleDTX的计算层是一个由三种节点组成的网络：Requester、Executor和DataOwner。训练样本和预测数据集存储在由DataOwner和Storage节点组成的去中心化存储网络中。这种去中心化的存储网络和计算层由底层区块链网络支持。

金色财经合约行情分析 | BTC突破9000美元并在上方盘整:据火币BTC永续合约行情显示，截至今日16:00（GMT+8），BTC价格暂报9148美元（+3.48%），20:00（GMT+8）结算资金费率为0.010000%。

昨日下午BTC放量突破9000美元，价格最高接近9300美元。根据火币交割合约数据，BTC季度合约成交额大幅增加，持仓量随着价格上升出现大幅上升，并维持震荡，精英多头占比略增，季度合约重新回到正溢价。BTC目前在日K 30日均线附近盘整，持仓量也出现了一定波动，待进一步观察方向。[2020/5/28]

多方计算网络

金色沙龙 | 佟林：区块链的共识系统就基本上解决了传统信息安全难题中拜占庭将军难题:在今日举行的《隐私计算——区块链信息安全守护者》为主题的金色沙龙中，Marvin?Phala CEO佟林表示，不提隐私计算，单单是区块链就对传统信息安全有不少贡献。比如区块链的共识系统就基本上解决了传统信息安全难题中拜占庭将军难题，这里大家都懂，我重点说下对MPC问题的解决。 姚期智院士在 1982 年提出了一个设想，叫做“百万富翁”设想。就是：两个百万富翁在街上相遇，他们都想知道谁更富有，但又不愿意让对方知道自己拥有的真正财富。如何在没有第三方的情况下，让对方知道谁更有钱？在密码学领域，这个问题可以描述成，“一组互不信任的参与方之间在保护隐私信息以及没有可信第三方的前提下的协同计算问题”。解决这类问题，目前有两个主流方法：第一是用密码学+分布式系统的方法来解决，这是比较理想的方法。目前通用的两方计算（2PC）已经具备了商用的条件，多方计算在某些特定场景下也已初步解决性能瓶颈；而通用计算协议在可扩展性层面还需要进一步创新。另一个方法是使用硬件方案，通过实现一个硬件的可信第三方（trusted third party, TTP），实现接收来自多方的隐私数据输入输出，并且诚实的执行既定逻辑再反馈结果。[2020/4/15]

Requester是有预测需求的一方，Executor是DataOwner授权获得样本数据访问许可的一方，用于可能的模型训练和结果预测。多个Executor节点组成一个SMPC网络。Requester节点将任务发布到区块链网络，Executor节点授权后执行任务。Executor节点通过DataOwner获取样本数据，后者为数据的信任背书。

分析 | 金色盘面：分叉币短线注意回调风险:金色盘面分析师表示：市场小幅回暖，分叉币再次集体大幅上涨，短线注意大幅回调风险。[2018/8/6]

SMPC网络是支持并行运行的多个分布式学习过程的框架。未来将支持垂直联邦学习和水平联邦学习算法。

去中心化存储网络

一个DataOwner节点处理自己的私有数据，在这个过程中使用了加密、分段和复制相关的算法，最后将加密的分片分发到多个Storage节点。Storage节点通过回答DataOwner产生的挑战来证明它诚实地持有数据片段。通过这些机制，可以在不侵犯任何数据隐私的情况下安全地维护存储资源。

金色财经现场报道 EOS Store创始人陆海峰：所有社区成员都可以成为开发者:金色财经现场报道，在火币EOS全球超级节点SHOW上，EOS Store创始人陆海峰进行现场演讲，陆海峰指出：我们希望推出EOS Store，并从社区、基金、商店三个层面做事情。EOS商店可以让更多人使用和享受区块链带来的实际商业应用落地，我们会为商店中的所有成员提供支持。在整个生态中，用户、开发者、基金方，我们的所有社区成员都可以成为开发者，是否对于某一个项目进行投资都要由社区成员投票支持，让社区成员有参与感，项目方也将获得更早的资金支持。我们希望让EOS生态更完善，形成正向循环。我们一直秉持“一切以商业应用为核心”的愿景 。[2018/5/14]

区块链网络

训练任务和预测任务将通过区块链网络广播到Executor节点。然后所涉及的Executor节点将执行这些任务。DataOwner节点和Storage节点在监控文件和节点健康状态时，以及副本持有证明的challenge-answer-verify过程中，通过区块链网络交换信息。

目前，XuperChain是PaddleDTX支持的唯一区块链框架。

垂直联邦学习

PaddleDTX的开源版本支持垂直联邦学习算法，包括两方线性回归、两方逻辑回归和三方DNN。DNN的实现依赖于PaddleFL框架，PaddleFL提供的所有神经网络模型都可以在PaddleDTX中使用。未来更多算法会开源，包括多方VFL和多方HFL算法。

训练和预测步骤如下所示：

运作原理

样品准备

FL任务需要指定将用于计算或预测的示例文件，这些文件存储在去中心化存储系统中。在执行任务之前，执行者需要从XuperDB中获取自己的示例文件。

样品对齐

VFL训练和预测任务都需要样本对齐过程。即使用所有参与者的ID列表查找样本交叉点。训练和预测是在相交的样本上进行的。该项目实施了PSI来进行样本对齐，而不会泄露任何参与者的ID。

训练过程

模型训练是一个迭代过程，它依赖于两个奇偶校验样本的协同计算。参与者需要在许多训练时期交换中间参数，以便为每一方获得适当的局部模型。

为确保每个参与者数据的机密性，Paillier密码系统用于参数加密和解密。Paillier是一种加法同态算法，它使我们能够直接对密文进行加法或标量乘法。

预测过程

预测任务需要模型，因此需要在预测任务开始前完成相关的训练任务。模型单独存储在参与者的本地存储中。参与者使用自己的模型计算局部预测结果，然后收集所有部分预测结果以推导出最终结果。

对于线性回归，可以在收集所有部分结果后执行去标准化过程。这个过程只有有标签的一方才能完成。所以所有的部分结果都会被发送给有标签的一方，它会推导出最终结果并将其作为文件存储在XuperDB中供请求者使用。

标签：TOR区块链DDLDATACryptoMotors区块链币在中国合法吗ddlianmagicdatacoin

DOGE热门资讯