區塊鏈:金色觀察｜PaddleDTX：分布式機器學習解決方案

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下跌反彈 保持箱體震蕩:據火幣行情顯示，BTC昨日晚間加速下跌，最低探至9400USDT，今日凌晨3時大幅反彈，最高探至9832.5USDT。日線圖保持箱體震蕩格局，但振幅擴大，均線MA30走平。4小時圖均線聚攏，局部乖離較大，有回調需求，1小時圖拉升后橫盤整理。截至10:00，主流幣的具體表現如下：[2020/6/8]

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。

現場 | 金色財經頒發“2019最具影響力投資機構”獎 共10家企業獲獎:2019年12月27日，由金色財經主辦的“與時共創”頒獎盛典在京舉行。金色財經“與時共創”對2019年最具影響力投資機構進行評選，經評委的評選，BlockVC、創世資本、分布式資本、共識實驗室、火幣資本、節點資本、科銀資本、了得資本、鏈興資本、OK資本獲“2019最具影響力投資機構”獎項。 本次活動邀請到國內外百余家知名區塊鏈企業、300多名行業領袖、眾多產業上下游服務機構代表等業界知名人士共同見證此次頒獎盛典。金色財經“與時共創”活動邀請到40余名資深行業專家作為專業評選團，結合網絡投票進行綜合評審，通過不同的獎項，對各個企業對實現賦能實體創新引領行業未來發展的努力進行表彰，實現與時代共同探索區塊鏈，共創行業美好藍圖。[2019/12/27]

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。

金色晨訊 | 法國財長：需考慮建立公共數字貨幣的做法:1.卡巴斯基：新加密挖掘惡意軟件針對返校學生

2.Facebook再為Libra聘請兩名游說人士

3.行業專家：若美國監管機構提供更多監管透明度，加密貨幣保險市場將以更快的速度增長

4.唐博：可運用區塊鏈構建去中心化的物聯網跨平臺信任協同系統

5.瑞士央行行長：與外匯掛鉤的穩定幣將阻礙瑞士貨幣政策

6.法國財長：需考慮建立公共數字貨幣的做法

7.紐約金融服務部批準Paxos推出與黃金錨定的代幣PAX Gold

8.幣安下月將上線BUSD，其已獲得紐約金融服務局批準

9.中科院專家：利用區塊鏈技術打造“數字圍網”，建設上海自貿試驗區新片區[2019/9/6]

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 德豐杰創新龍脈基金合伙人：資本更加青睞區塊鏈行業應用類:金色財經現場報道，在新金融100人主題論壇上，德豐杰創新龍脈基金合伙人王岳華表示，目前在區塊鏈行業中，資本更加青睞行業應用，占總數一半以上；其中比特幣生態圈最熱門領域包括交易所、錢包、支付處理、金融服務、礦業和“綜合”，綜合公司是指包含各種服務的公司。[2018/4/27]

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。

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：TOR區塊鏈PADNERDefactor區塊鏈dapp開發教程DPAD價格PEPERUNNER

萊特幣