TOR:金色观察｜PaddleDTX：分布式机器学习解决方案_区块链证据保全怎么操作

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。

金色晨讯 | 10月5日隔夜重要动态一览:21:00-7:00关键词：灰度、新冠肺炎、锚定币、Uniswap

1.比特币波动率触及23个月低点。

2.美国新冠肺炎确诊病例超740万。

3.灰度以太坊经典信托ETCG两年来首次出现折价。

4.CME BTC期货本周形成“10597-10700美元”缺口。

5.BitMEX比特币永续期货未平仓合约减少近24％。

6.以太坊链上锚定BTC的代币总量已超12.7万枚。

7.莱特币MimbleWimble协议已在测试网启用。

8.Uniswap月度交易量首次超过Coinbase。

9.比特币小幅上涨，日内最低报10582.56美元，最高报10697美元。[2020/10/5]

多方计算网络

金色晚报 | 1月2日晚间重要动态一览:12:00-21:00关键词：反、蚂蚁金服、南京市委、以太坊升级、加密征税法案

1.“区块链行业应用反标准”起草小组正式成立。

2.蚂蚁金服已申请新加坡数字银行牌照。

3.南京市委一号文件：推动产业协同发展强链。

4.广东上线中小企业融资平台，发放全国首笔无抵押区块链贷款。

5.腾讯发布白皮书指出区块链、数字货币成A股炙手可热概念。

6.陈纯院士：中国区块链赋能各行业亟需解决四项核心技术。

7.韩国加密征税法案有望在2020年上半年出台。

8.国际货币基金组织建议菲律宾央行收集跨境加密货币交易数据。

9.以太坊主网已激活缪尔冰川升级，继续推迟难度炸弹600天。[2020/1/2]

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。

金色相对论 | 赵英广：7nm矿机相比16nm矿机短期内难以在经济效益上占有优势:本期金色相对论中，在关于“7nm矿机生产及对市场会有什么影响”这一问题上，龙池创始人、首席执行官赵英广表示：7nm矿机代表的是未来，不过在当前还有较大优化空间，现在优化后16nm芯片在功耗上已经可以做到7nm的水平，价格也更有优势，但7nm矿机短期内难以经济效益上占有优势。从长期来看，7nm一定是占优势，不是说现在的功耗水平，而是动态的看待技术发展，16nm取得的进步，7nm也一定做得更好，也同样会有30%以上的能耗节省空间，功耗、成本也将进一步降低。针对矿机市场，7nm技术成熟后其更低功耗对现有矿机一定会产生冲击，但从挖矿角度看，当我们等来了更先进的机型，全网算力已经大幅增长，单位产出降低很多，所以挖矿什么时候都不晚，没必要过于担心新机型更迭。[2018/8/24]

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。

分析 | 金色盘面：EOS短期内以震荡为主:金色盘面综合分析：EOS短期内再创新低，上方重压力位6.9到7.1，短期内以震荡为主。[2018/8/8]

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。

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DDLTAOTor Cabala区块链证据保全怎么操作DDL价格MEME TAO

以太坊价格热门资讯