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。
金色财经行情播报 | BTC小幅拉升，多头有发力空间:火币行情显示，今日BTC小幅拉升，局部压力位在8990 USDT附近。日线图看，昨日行情收长下影线，但均线MA5对多头构成威慑。从4小时图看，此前三次下探支撑后蓄势上扬，多头尚有发力空间。截至10:00，火币平台的主流币的具体表现如下。[2020/5/13]
多方计算网络
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。
分析 | 金色盘面：BTC期货合约持仓变化:金色盘面综合分析： 据OKEx数据显示，目前做多账户66%，做空账户32%，多头持仓比例26.05%，空头持仓比例18.6%，从数据看，目前做多账户占据明显优势，短线市场做多热情较高。截至发稿时，季度BTC0928合约价格为7229美元，现货价格为7262美元，贴水33美元，请投资者注意做好风控。[2018/9/4]
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。
金色财经数据播报 比特币全网未确认交易笔数降为1108笔:根据BTC.com数据显示，目前比特币挖矿全网算力32.96EH/s,目前比特币全网未确认交易笔数为1108笔。[2018/5/27]
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。
金色财经现场报道 STBChain CEO刘海峰：智能合约对于区块链公司是一项非常大的挑战:金色财经现场报道，在4月3日举办的2018年世界区块链峰会现场，STBChain CEO刘海峰表示：“区块链里有一个很重要的概念，就是智能合约。目前来看，在做软件开发的时候很多状况下都无法把逻辑制定的特别完美，可能会存在一定的逻辑问题与bug，然而智能合约再发出之后便无法修改，仿若泼出去的水，无法再收回。而去中心化指的是移除了一个中心化的服务器，在智能合约的影响下可以让数据可以在各节点进行存储。从而确保了信息的安全性与不可篡改性，所以可以说智能合约非常重要，但由于其特性是后续无法更改，所以智能合约对于各区块链公司来讲，都是一个很大的挑战。”[2018/4/3]
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。