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。
金色晚报 | 6月7日晚间重要动态一览:12:00-21:00关键词：新冠肺炎、ETH非零地址、市场操纵
1.全球新冠肺炎确诊病例累计超700万例。
2.ETH非零地址数量再次刷新历史新高。
3.2020年因犯罪被盗加密货币总值可能将接近45亿美元。
4.24小时合约市场爆仓超2022万美元。
5.报告：大额比特币转账并不意味着市场操纵。
6.风险投资家：在下一轮牛市中ETH表现将超过BTC。
7.孙宇晨公开信：波场TRON将于7月7日完成TRON4.0升级。
8.比特币小幅下跌，日内最高报9722.47美元，最低报9482美元。[2020/6/7]
多方计算网络
金色晨讯 | Tether将发行锚定离岸人民币的稳定币CNHT 杜均：抵制CNHT 不支持任何非央行的CNY数字化:1.美国证券交易委员会指控VERI代币涉嫌欺诈及操纵市场。
2.杜均：抵制CNHT，不支持任何非央行的CNY数字化。
3.Telegram计划9月1日开启TON网络公测，主网将在10月底前上线。
4.肖磊：Tether发行基于离岸人民币的稳定币，投资者所面临的系统风险也会更大。
5.西非国家塞拉利昂推出基于区块链的全国数字身份平台。
6.赵东：Tether将会发行锚定离岸人民币的稳定币CNHT。
7.印度最高法院要求央行8月22日前提交IMC加密禁令报告所有关联文件。
8.纳斯达克在其新推出的网站中添加XRP指数。
9.人民日报海外版：“数字人民币”不是虚拟货币、不是电子钱包。[2019/8/22]
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。
金色财经数据播报 市值前百币种仅3家上涨:金色财经数据播报，目前市值排名前一百的币种当中，仅有3个币种处在上涨趋势当中，分别是EMC（+4.46%）、MANA（+0.61%）、USDT（+0.13%）。[2018/6/13]
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。
金色财经现场报道 中富资源执行董事张利：中国要夺回区块链主战场:金色财经现场报道，在世界区块链大会·三点钟峰会中，中富资源执行董事张利进行以《金钱永不眠》为题的演讲。他指出：美国的旧金山等地是技术集中地；日本隐然成为全球区块链中心；韩国数字资产交易全球民众参与度最高；俄罗斯是以太坊的发源地；澳大利亚在动态监管和谨慎监管中发展。中国的移动支付至少领先包括美国在内的世界各国十年。中国要夺回区块链的主战场。在国家政策的支持下，资本会作为最重要的催化剂之一。应该抱有以下态度发展区块链行业：法治信仰、中国立场、国际视野、平民情怀。一方面，我们要有资本支持，同时要有共同参与精神，最后还要让眼光更为成熟，对于孵化成熟的项目要学会退出，以帮助行业创业者快速成长。[2018/4/25]
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。