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。
金色午报 | 11月10日午间重要动态一览:7:00-12:00关键词：ETC Thanos、Grin、Filecoin、北京市政府、MakerDAO
1. ETC Thanos升级：恢复3GB和4GB GPU矿工挖矿权限；
2. Grin网络遭受51％攻击，官方提醒用户等待交易的额外确认；
3. Filecoin Slingshot第二阶段将分发至少50万枚FIL；
4. 北京市政府：在供应链金融等领域探索区块链金融场景应用；
5. MakerDAO新提案提出增加DPI作为抵押物；
6. 巴基斯坦国家银行律师称该行从未禁止数字货币；
7. 韩国中小型企业部计划每年提供1500亿韩元资金资助区块链等行业；
8. Zcash将于11月18日启动Canopy升级 区块奖励减半至3.125ZEC；
9. 二层扩容项目Celer Network启动状态守卫者网络主网阶段0。[2020/11/10 12:11:36]
多方计算网络
金色晨讯｜7月6日隔夜重要动态一览:21:00-7:00关键词：深圳、Compound、Augur、勒索软件
1. 深圳市税务局上线“区块链破产事务办理联动云平台”；
2. 安全专家：在美国比特币因勒索软件攻击损失了约14亿美元；
3. Compound社区创建治理提案014创建；
4. 前比特币基金会主管Brock Pierce宣布其正在竞选2020年美国总统；
5. Augur用户预测特朗普有55%的机会赢得连任；
6. ETH非零地址数量再创历史新高 达4283万个；
7. 生态环境部研究员：要积极发展绿色生态环保产业与区块链等产业融合；
8. 郑州不动产登记部门推出‘郑E登’ 利用区块链技术连接不动产登记系统和银行系统。
9. BTC现报9081.33美元，当前加密货币市场总市值为2610.13亿美元。[2020/7/6]
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。
金色财经现场报道 中国软件行业协会常务理事方亚南：区块链在管理上不能去中心化:6月10日，清华数据院区块链产业发展论坛在清华大学召开。中国软件行业协会常务理事方亚南博士作《我国区块链应用面临的问题及对策》主旨演讲。他认为：“区块链在管理上不能去中心化，在数据上实现去中心化。大数据和人工智能都依赖于可信数据，区块链可以制定和保证可信数据的透明规则”。[2018/6/10]
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。
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。
金色财经讯:news.Bitcoin.com报道称，如果比特币区块链分叉在今年11月再次出现，比特币交易所Coinbase将公布其命名Segwit2X硬分叉出现的新加密货币的计划。Coinbase称，“我们将把来硬分叉后的新区块链称为比特币2X，它的符号为B2X。”[2017/10/26]
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。
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。