比特幣:金色觀察｜PaddleDTX：分布式機器學習解決方案_ADDC

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：ZIL居于榜首:根據金色財經排行榜數據顯示，過去24小時內，ZIL搜索量高居榜首。具體前五名單如下：ZIL、BHD、NAS、BNB、GRS。[2020/12/20 15:51:58]

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。

金色相對論 | William：減半前的行情不是真正的“減半行情”，應該是“減半預期行情”:在今日舉行的《危機向左，信仰向右》的比特幣減半特輯之行情篇的直播中，針對“BTC減半行情已經結束了還是剛開始”的問題，OKEx研究院首席研究員William表示，既然是“減半行情”，就應該是在減半后開始。減半前的行情不是真正的“減半行情”，因為減半尚未發生，確切地說應該是“減半預期行情”，所以真正的減半行情，現在才開始。前段時間比特幣的暴漲主要與兩點有關，首先是全球流動性危機的消退。今年3月初發生的全球流動性危機，造成了全球各類風險資產的暴跌，即使加密數字貨幣也不例外。隨著全球主要央行實行寬松貨幣政策，疫情的逐步控制，市場信心開始恢復，全球主要的風險資產均迎來反彈，比特幣也不例外，剛剛結束的比特幣減半會抬高比特幣的挖礦成本。根據測算，在減半結束后，比特幣7nm工藝的主力礦機關機價格將達到5,000-6,000美元左右，關機幣價即比特幣的“心理底價”。 3月暴跌后比特幣的價格最低至3,800美元，但正如前面所言，6,000美元以下的幣價是不可持續的，因此比特幣在減半前會迎來一波上漲。暴漲的另一個原因是，前段時間市場對“減半后比特幣價格上漲”的減半預期依然存在。更多詳情見原文鏈接。[2020/5/12]

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。

分析 | 金色盤面：LTC/USD2小時面臨突破:金色盤面綜合分析：LTC/USD2小時K線圖走勢和BTC基本同步，但明顯強于BTC，目前在下降通道上軌壓制下回調，MACD背離反彈，如果突破軌道壓力，有望繼續走高。[2018/8/12]

去中心化存儲網絡

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，TF GUO：隱私協議有著極高的重要性:在2018年世界數字資產峰會（WDAS）暨FBG年會上，來自TAXA公司的TF GUO表示，用戶數據是有經濟價值的，用戶的隱私也會帶來直接的價值，目前很多法律出臺讓消費者更了解自己的權益，所以在區塊鏈中，隱私協議的有著極高的重要性。[2018/5/2]

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：TOR比特幣ADDECUBitTorrent (new)比特幣交易所ADDCGold Secured Currency

DOT