金色觀察｜PaddleDTX：分布式機器學習解決方案_STO

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。

分析 | 金色盤面：多空博弈激烈 “畫門”行情或將繼續:金色盤面綜合分析：BTC近階段在6200到6600區間內內走出震蕩行情，連續出現“畫門”走勢，說明多空雙方博弈激烈，對該位置都比較重視。數字貨幣總市值與昨日相比無較大變化，山寨幣也并未出現大幅反彈的跡象，投資者的觀望情緒仍在持續，大家都在等待市場選擇方向。[2018/8/22]

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。

分析 | 金色盤面：ZEC/USDT反彈遇阻于144:金色盤面綜合分析:ZEC/USDT反彈遇阻于144，不破將有下行。[2018/8/15]

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。

金色財經現場報道 陳雪濤：區塊鏈之所以火是因為離錢太近:在GBLS全球無眠區塊鏈領袖峰會上，雷神科技執行董事陳雪濤表示：區塊鏈為什么這么火？因為它離錢太近了，我們看成金融的改革或者叫金融的變革，有人說希望它是金融的革命，現在有的投資人以及專家學者覺得是革命，有的人是變革、有的是改革。總之它離錢太近了。[2018/6/6]

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 EosStore發起人陸海峰：以用戶為中心做生態增值:金色財經現場報道，在EosStore競選超級節點暨“柚子資本發布會”上，EosStore發起人陸海峰在現場演講中指出：“EOS本身是商業應用的操作系統，我們認為很多商業化應用都會在EOS生態系統中落地。我們正在以用戶為核心，做生態的增值、參與、貢獻；如果只將資金用于分紅方面，那么這個節點本身可能不能更好的保證技術開發，在社區方面，EosStore正在從咨詢、活動、學院、投票福利、技術開發、投資回報等多個角度著手推進。”[2018/5/13]

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：TORSTOR區塊鏈STOTORONTO價格Restore泰達幣區塊鏈交易查詢HistoryDAO

Pol幣