ADD:金色觀察｜PaddleDTX：分布式機器學習解決方案_ATOR

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。

金色熱搜榜：HC居于榜首:根據金色財經排行榜數據顯示，過去24小時內，HC搜索量高居榜首。具體前五名單如下：HC、MXC、MANA、QKC、QTUM。[2020/8/15]

多方計算網絡

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。

金色晨訊｜7月8日隔夜重要動態一覽:21:00-7:00關鍵詞：肖鋼、FATF、美股收跌、勞斯萊斯

1.肖鋼：虛擬資產交易所將來勢必是會發生的。

2.FATF計劃加強加密交易所全球監管框架。

3.南昌市將大力發展區塊鏈等新興產業。

4.CME比特幣期貨7月合約收跌0.69%。

5.美股三大指數集體收跌。

6.勞斯萊斯推出攜帶加密信息的汽車WraithKryptos。

7.CFTC主席：正等待SEC確定數字資產是否為證券。

8.比特幣小幅震蕩，日內最低報9205美元，最高報9283.87美元。[2020/7/8]

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。

金色財經挖礦數據播報 | BCH今日全網算力下降11.30%:金色財經報道，據蜘蛛礦池數據顯示：

ETH全網算力180.773TH/s，挖礦難度2317.17T，目前區塊高度10061416，理論收益0.00853403/100MH/天。

BTC全網算力114.554EH/s，挖礦難度16.10T，目前區塊高度630292，理論收益0.00000780/T/天。

BSV全網算力2.146EH/s，挖礦難度0.27T，目前區塊高度634806，理論收益0.00041940/T/天。

BCH全網算力2.496EH/s，挖礦難度0.35T，目前區塊高度635024，理論收益0.00036055/T/天。[2020/5/14]

去中心化存儲網絡

行情 | 金色盤面：未來3小時市場處于中等危險:比特幣風險測定儀顯示，未來3小時市場處于中等危險，出現大幅波動的可能性為39.5%，而趨勢偏向多頭。[2018/10/5]

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。

區塊鏈網絡

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。

垂直聯邦學習

PaddleDTX的開源版本支持垂直聯邦學習算法，包括兩方線性回歸、兩方邏輯回歸和三方DNN。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算法。

訓練和預測步驟如下所示：

運作原理

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中。在執行任務之前，執行者需要從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：TORUTOADDDATAATORutopia幣價格ZADDYPDATA價格

比特幣