金色觀察｜PaddleDTX：分布式機器學習解決方案_區塊鏈

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 | 12月1日晚間重要動態一覽:12:00-21:00關鍵詞：Coinbase、以太坊2.0、灰度、以太坊網絡難度

1. Coinbase聲稱MicroStrategy比特幣4.25億美元投資均通過其平臺完成。

2. 以太坊2.0信標鏈主網正式啟動。

3. 比特幣大亨Jonathan Rowland競購陷入困境的英國足球俱樂部Wigan Athletic。

4. 灰度董事總經理：機構資金流入表明比特幣仍處于牛市早期。

5. 前二十名地址貢獻了當前以太坊2.0抵押量的32.89%。

6. 數據：11月份USDT總發行量接近200億美元。

7. YFI正式宣布與Sushiswap合作。

8. 新華社：比特幣炒作風險陡增，回歸區塊鏈技術才是正途。

9. 以太坊網絡難度達3616.42 TH創歷史新高。[2020/12/1 22:46:27]

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。

BTC減半倒計時｜金色財經挖礦收益播報:金色財經報道，據OKEx礦池數據顯示，下一次BTC減半日期預計為2020年5月13日，今天距此還有15天。BTC當前塊高627784，下一次減半塊高630000。

今日全網算力約111.36EH/s，全網難度約15.96T，預測下次難度16.55T（3.73%），距離調整還剩還有8天，今日BTC收益：0.00001576BTC/T/天。[2020/4/27]

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。

金色晨訊 | Facebook將于本月宣布加密貨幣項目:1.巴西總統：不知道比特幣是什么

2.幣安將于兩月內發行其穩定幣

3.Facebook將于本月宣布加密貨幣項目

4.SEC指控區塊鏈概念股Longfin以欺詐手段上市納斯達克

5.Grin計劃于7月中旬進行首次硬分叉

6.本菲卡足球俱樂部在線商店將通過UTRUST支持加密支付

7.法官同意凍結巴西加密公司GBB相關銀行賬戶資金

8.歐盟：馬耳他需要提高應對加密貨幣犯罪的準備

9.荷蘭億萬富翁因欺詐性比特幣廣告起訴Facebook[2019/6/6]

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 Marcin Zietek：很多人投機區塊鏈并不有利于區塊鏈的發展:在今天舉行的2018EOS開發者大會上，Tokenika的 Marcin Zietek發表了演講，他表示，區塊鏈擁有包容，公平和透明等特性，區塊鏈對于廣大用戶來說是友善的。但是目前區塊鏈行業缺乏監管，不少人投身區塊鏈都是為了賺錢，而不是為了區塊鏈的發展。盡管區塊鏈發展已經4年了，但依然處于“嬰兒期”。就目前來說，還沒有任何一款Dapp具有全球影響力，因此區塊鏈的未來依然值得大書特書，但是不能報以投機的心態。[2018/6/10]

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TORECUXEC區塊鏈工程專業學什么課程的CryptorgGold Secured CurrencyXEC幣最近怎么不漲了

世界幣