GOE:金色观察｜PaddleDTX：分布式机器学习解决方案_TER

PaddleDTX是一个基于分布式存储的分布式机器学习技术解决方案。可以解决海量私有数据需要的安全存储和交换难题，可恶意帮助各方突破数据孤岛，实现数据价值最大化。

PaddleDTX的计算层是一个由三种节点组成的网络：Requester、Executor和DataOwner。训练样本和预测数据集存储在由DataOwner和Storage节点组成的去中心化存储网络中。这种去中心化的存储网络和计算层由底层区块链网络支持。

金色财经挖矿数据播报：ETH今日全网算力下跌3.14%:金色财经报道，据蜘蛛矿池数据显示：

BTC全网算力127.532EH/s，挖矿难度19.93T，目前区块高度687878，理论收益0.00000661/T/天。

ETH全网算力575.783 TH/s，挖矿难度7408.04T，目前区块高度12649248，理论收益0.00268540/100MH/天。

BSV全网算力0.708EH/s，挖矿难度0.10T，目前区块高度691990，理论收益0.00127002/T/天。

BCH全网算力2.109 EH/s，挖矿难度0.30T，目前区块高度692506，理论收益0.00042666/T/天。[2021/6/17 23:43:54]

多方计算网络

金色热搜榜：OMG居于榜首:根据金色财经排行榜数据显示，过去24小时内，OMG搜索量高居榜首。具体前五名单如下：OMG、ANT、TRUE、OKB、SEELE。[2020/10/24]

Requester是有预测需求的一方，Executor是DataOwner授权获得样本数据访问许可的一方，用于可能的模型训练和结果预测。多个Executor节点组成一个SMPC网络。Requester节点将任务发布到区块链网络，Executor节点授权后执行任务。Executor节点通过DataOwner获取样本数据，后者为数据的信任背书。

金色算力云运营副总裁Maggie：分布式存储有效的解决了中心化存储的痛点:在7月21日举办的金色微访谈《市场对Filecoin的高期待是否会变成一种伤害》的主题分享中，针对“中心化存储技术已经非常完善，人们为什么要放弃高效高性能的中心化存储，选择IPFS一个崭新的应用场景？”的问题，金色算力云运营副总裁Maggie表示，随着互联网不断发展，全球数据量逐日增多，人们存储文件，照片，视频越来越多，当前中心化存储解决方案开始显现出局限性。

主要表现为，中心化存储价格高昂且更容易受到攻击，一旦服务器出现任何故障都有可能导致数据丢失。此外，服务器的带宽容量有限，集体访问会造成网络拥堵。

而分布式存储有效的解决了中心化存储的痛点，在使用的过程中无需验证发送人身份，只要验证内容的哈希，通过这样可以让网页的速度更快，更安全，更持久。

但若要代替中心化存储，这是要经历一个漫长的过程的，需要IPFS不断发展，希望有一天可以替代中心化存储。[2020/7/22]

SMPC网络是支持并行运行的多个分布式学习过程的框架。未来将支持垂直联邦学习和水平联邦学习算法。

金色财经讯:比特币强势上涨！据CoinDesk比特币价格指数(BPI)显示，比特币价格已攀升至6832.61，顺利突破6800美元大关。[2017/11/2]

去中心化存储网络

一个DataOwner节点处理自己的私有数据，在这个过程中使用了加密、分段和复制相关的算法，最后将加密的分片分发到多个Storage节点。Storage节点通过回答DataOwner产生的挑战来证明它诚实地持有数据片段。通过这些机制，可以在不侵犯任何数据隐私的情况下安全地维护存储资源。

区块链网络

训练任务和预测任务将通过区块链网络广播到Executor节点。然后所涉及的Executor节点将执行这些任务。DataOwner节点和Storage节点在监控文件和节点健康状态时，以及副本持有证明的challenge-answer-verify过程中，通过区块链网络交换信息。

目前，XuperChain是PaddleDTX支持的唯一区块链框架。

垂直联邦学习

PaddleDTX的开源版本支持垂直联邦学习算法，包括两方线性回归、两方逻辑回归和三方DNN。DNN的实现依赖于PaddleFL框架，PaddleFL提供的所有神经网络模型都可以在PaddleDTX中使用。未来更多算法会开源，包括多方VFL和多方HFL算法。

训练和预测步骤如下所示：

运作原理

样品准备

FL任务需要指定将用于计算或预测的示例文件，这些文件存储在去中心化存储系统中。在执行任务之前，执行者需要从XuperDB中获取自己的示例文件。

样品对齐

VFL训练和预测任务都需要样本对齐过程。即使用所有参与者的ID列表查找样本交叉点。训练和预测是在相交的样本上进行的。该项目实施了PSI来进行样本对齐，而不会泄露任何参与者的ID。

训练过程

模型训练是一个迭代过程，它依赖于两个奇偶校验样本的协同计算。参与者需要在许多训练时期交换中间参数，以便为每一方获得适当的局部模型。

为确保每个参与者数据的机密性，Paillier密码系统用于参数加密和解密。Paillier是一种加法同态算法，它使我们能够直接对密文进行加法或标量乘法。

预测过程

预测任务需要模型，因此需要在预测任务开始前完成相关的训练任务。模型单独存储在参与者的本地存储中。参与者使用自己的模型计算局部预测结果，然后收集所有部分预测结果以推导出最终结果。

对于线性回归，可以在收集所有部分结果后执行去标准化过程。这个过程只有有标签的一方才能完成。所以所有的部分结果都会被发送给有标签的一方，它会推导出最终结果并将其作为文件存储在XuperDB中供请求者使用。

标签：GOETERPRASTAGoes Up HigherMasterNodesMEPRA币Restaurant DeFi

币安币热门资讯