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。
金色相对论 | BSN副秘书长李慧：区块链主要解决的是数据可追溯、多方互信等问题:在今日举行的金色相对论中，针对“区块链落地的爆发点会在哪儿”的问题，火币区块链研究院副院长区块链服务网络（BSN）副秘书长李慧表示，区块链主要解决的是数据可追溯、多方协同以及多方互信等问题，涉及到多方的问题，通常都是比较复杂的问题，需要大家一起来配合。但在实际落地实施的过程中总会碰到这样那样的问题，如果没有一个强有力的执行方和推动方，很可能一个很好的项目就会搁置起来，难以落地，我们也不难从很多失败的区块链项目看到这样的情景再现。最好的落地场景，我认为在当前阶段如要满足以下几个特点，才有较高的落地成功概率。
1.有真实的业务痛点和需求，除了区块链技术其它技术是很难解决的；
2.应用场景业务复杂度不高，能够快速做试点，并有良好的可复制性；
3.参与各方利益目标一致，可以实现“共赢”；
4.有实际的推动方，有促成项目成功的强烈愿望和需求。[2020/6/3]
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（安全多方计算）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/USD 30分钟中轨遇阻:金色盘面综合分析：BTC/USD 30分钟在上升通道中轨遇到阻力，短线注意控制风险。[2018/8/16]
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。
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。
金色财经独家消息 火币Pro即将推出首款以“火币主力指数”为跟踪标的的数字资产投资组合HB10:金色财经获悉，火币Pro即将推出首款以“火币主力指数”为跟踪标的的数字资产投资组合HB10，该产品预计6月上旬开始认购。[2018/5/25]
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。
金色财经讯:比特币价格突破 ￥140000，创历史新高，数据来自韩国交易所Bithumb。[2017/12/8]
目前，XuperChain 是 PaddleDTX 支持的唯一区块链框架。
PaddleDTX 的开源版本支持垂直联邦学习（VFL）算法，包括两方线性回归、两方逻辑回归和三方 DNN（深度神经网络）。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（水平联邦学习）算法。
训练和预测步骤如下所示：
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（XuperDB）中。在执行任务之前，执行者（通常是数据所有者）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（Private Set Intersection）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。