17 novembre 2018 matin, « que la chaîne originale 2018 Worldwide Developers Conference », le fonctionnaire à Hangzhou International Exhibition Center ouverture (G20 Hall), c'est le premier sommet de la technologie Hangzhou organisé par l'organisation open source, aussi connu comme Hangzhou puisque la ville la plus grande chaîne de bloc d'un bloc de la chaîne concours Developer, 100 + équipe de développement après quatre mois de combats de féroce, 16 équipes commencera la dernière course à la conférence.
Le même jour, le fondateur de Sun Lilin du projet PLATON a publié un « Trustless Computing ère Web3.0 appelé ( » de confiance besoin de l'informatique non « ) la pratique et de la pensée » à partager.
De l'avis Sun Lilin, la transaction exigera de plus en plus de données, mais la façon dont les données de transaction nue pour faire la valeur finale des données ne peut pas être le prix, parce que les gens ne peuvent pas être jugés à partir de la taille, le nombre et les dimensions et d'autres fournisseurs de données vaut à la fin . Il croit que les besoins de données à générer en calculant la valeur, calculée par le prix raisonnable ne. En d'autres termes, le prix calculé sur la prémisse que les données sont soit échangé ou partagé. Mais avec les progrès de l'IA, d'échanger des données pures de plus en plus difficile, le coût devient de plus en plus, ainsi MPC (sécurité de calcul multi-parties) est calculé en tant que représentant de la vie privée, il croit être la prochaine génération de la tarification des données de base et évaluation l'infrastructure et de la méthodologie. « La vie privée est la chaîne de bloc doit calculer le modèle d'affaires, tout le monde peut laisser des données localement, sans exposition à la vie privée des données natives, les données seront toujours en mesure de donner une valeur de jeu complet grâce à l'informatique collaborative. » Il a dit que dans Web3. 0 fois, les gens sont confrontés à deux grands défis techniques sont précisément les problèmes d'évolutivité et de confidentialité.
Sun Lilin son projet PLATON positionnement dans les infrastructures, ce qui est similaire à une des forces du marché des services de données et les opérateurs de marché. phare appelé PLATON Trustless Computing ( « ne pas besoin de confiance en informatique »), ils ont proposé MPC et l'architecture VC pour faire face à la vie privée et l'évolutivité deux défis.
Ce qui suit est le discours Sun Lilin par la finition Babbitt.
Au titre du point de brève PLATON du fond de la perspective partielle des projets publics de la chaîne PLATON. Il a plusieurs caractéristiques. Tout d'abord, nous avons mis des idées nouvelles en trois couches: un consensus, la validation et le calcul. Tous les calculs dans le traitement de la chaîne, le calcul de la chaîne se fait entièrement en dehors du type de circuit de calcul privé. En second lieu, nous Déchirent le processus de vérification pour vérifier le calcul avec VC. Ce sont PLATON à l'échelle mondiale place un peu particulière, le contexte mondial actuel pourrait voir à peine une approche similaire.
Pourquoi faire cela? Pourquoi appelle-t-il nous Web3.0? J'ai récemment passé deux mois aux États-Unis, a trouvé en Amérique du Nord ont tendance à mettre bas à l'époque essentiellement Web3.0, et n'a pas suivi le sens original, il sera considéré comme une version itérative de la chaîne de bloc, aussi difficile à définir qui est 3.0 , qui est de 4,0, il devient un slogan, n'est pas une nouvelle architecture.
Dans ce domaine, nous mettons tous les problèmes se résument à deux catégories du monde: on est Évolutivité (évolutivité), est une vie privée (vie privée). Tout comme les autres projets en cours ou nouveaux projets tentent de passer d'un point de vue d'un consensus Évolutivité. Nous sommes plus équilibrés. Tout d'abord, nous faisons dans la vie privée de relativement lourd, la seconde Évolutivité nous avons pris le calcul d'itinéraire technique vérifiable à faire. Tout en renforçant la protection de la vie privée, d'améliorer l'évolutivité.
MPC (calcul multipartite sécurisé), il est un procédé réalisé par un problème de mot de passe classique. Sa logique de base ou le mode de base de faire des affaires avec la chaîne de bloc est pas le même, il est entendu que ce n'est pas une chaîne de bloc natif de sens.
L'approche fondamentale du MPC n'échange de données, mais le partage des données, de manière interactive pour faire le circuit dans le cas de données non local gauche. Cela peut provoquer relativement grande complexité de calcul et de la complexité de la communication. Mais maintenant, la complexité de calcul peut être un très bon contrôle. la complexité de la communication du problème, avec les progrès de l'ensemble de la bande passante du réseau sera progressivement résolu.
Il est logique de base: nous pouvons être impliqués dans différents nuds de calcul en déployant l'ensemble du processus de calcul, les données restent localement sans exposer la vie privée des données natives en partant du principe d'obtenir les résultats souhaités ensemble.
Pourquoi le faire ou non? J'ai toujours cru que c'est le modèle d'affaires du bloc de la chaîne, tout comme les actifs numériques de la chaîne que la chaîne d'origine, la source des données ou des actifs numériques, comment faire l'évaluation, l'évaluation et la tarification aux données? données commerciales façon nue indigène aujourd'hui pas de prix, parce que les gens ne peuvent pas de la taille des données, et le nombre de ses fournisseurs et d'autres dimensions de déterminer sa valeur à la fin. Les données requises par le calcul de la valeur générée par le calcul fait à un prix raisonnable. Le prix est calculé sur la prémisse que soit les données échangées ou partagées. Mais aujourd'hui, avec les progrès de l'IA, les données pures échangent de plus en plus difficile, le coût devient de plus en plus, donc afin de calculer le MPC en tant que représentant de la vie privée, nous croyons que le noyau de la prochaine génération de données à la tarification et l'infrastructure de notation et méthodologie.
La figure ci-dessus deux flux de travail de base et est calculé à la fois le MPC.
Regardez sous le flux de travail de base, nous pouvons faire des données brutes pré-traitement, car il est pas une panacée, un grand nombre de données parallèles non indigènes à traiter, puis étiqueté circuit booléen, aux processus du compilateur. Sur le réseau échangé sont cryptées confusion du circuit de cryptage ou circuits. Voici trois défis: premièrement, le prétraitement n'est pas facile. Maintenant, avec des solutions sur mesure à base, essentiellement comme algorithme AI AI ou une puce personnalisée, nous essayons de construire un compilateur commun et d'une machine virtuelle, il a terminé la première étape, soit environ 4-5 millions par contrat porte, si elle est inférieure à la valeur théorique, l'environnement réseau idéalement, le sommet peut gérer 1000-20000000. Le deuxième défi est le compilateur, car la complexité du processus et son optimisation de circuit prend du temps et de l'équipe d'investissement à grande échelle, en troisième lieu, appelez le SDK et de soutien pour les services front-end dépend de la scène spécifique.
Et puis parler de calculs vérifiables VC. Nous croyons que la participation future des dizaines de millions de dollars à nud décentralisé ou distribué dans le monde entier calcul. Lorsque vous avez besoin d'envoyer des tâches de calcul à distance, comment savez-vous qu'il est complet et en bon état avez effectué ce calcul? mode natif, à une entrée, lui donner une fonction de calcul, qui renvoie un résultat de calcul, on calcule le résultat du calcul à des noeuds différents, l'ensemble de l'efficacité de la chaîne mâle comparable aux systèmes conventionnels est difficile. Homologable dans des conditions de calcul, en plus de retourner une valeur, mais renvoie également à une courte preuve P vous, juste avant la preuve vérifiée, bien sûr, théoriquement très peu de temps, P est la vérification, renvoie le résultat du Y est le processus de vérification requis le temps est très court. Donc, en théorie, peut grandement améliorer l'efficacité du réseau. Probablement quatre itinéraire technique, en raison des exigences de la complexité des calculs commerciaux plus élevés, à l'exception de l'optimisation technique du monde, mais aussi d'imposer certaines incitations à faire quelques ajustements au niveau de la structure de gouvernance, de sorte que l'algorithme peut bien fonctionner, valeur théorique. Bien sûr, l'émergence précoce de nouvelles choses, et exige également une optimisation itérative d'une certaine période.
Dans l'architecture de l'application, la façon traditionnelle est là pour faire des mineurs de force comptés, mais aussi faire de l'algorithme fournisseur DAPP, mais en fait, nous verrons de plus en plus de fournisseur d'algorithmes AI, plutôt que la DAPP traditionnelle. PLATON plus spécial est qu'il ya un grand nombre de fournisseurs de données à rejoindre notre réseau, des données et des services connexes à réaliser. Bien sûr, la prémisse doit être calculée par la vie privée, à savoir les contrats MPC par le biais de contrats privés pour gérer la transaction. En effet: la première ligne avec le respect de GDPR représenté, en ligne avec le positionnement global de la deuxième plate-forme. Nous sommes plus enclins à coopérer avec plus de profondeur que les partenaires de la chaîne d'origine, du traitement frontal des actifs de données coopération entre les partenaires, nous faisons tout notre travail d'infrastructure.
Voici quelques domaines de l'atterrissage de la solution:
Cas 1: Médical et assurances.
Sur le secteur de l'assurance, par nature, est un risque pour la survie de la tarification, prémisse de la tarification du risque est d'avoir suffisamment de données. Mais aujourd'hui, de plus en plus d'attention que tout le monde sur les données, le coût de l'assurance pour obtenir de plus en plus de données. Ainsi, nous avons récemment travaillé avec un certain nombre de compagnies d'assurance, basées sur MPC pour le partage de données. L'industrie médicale, ses données d'image a besoin de quelques points: le premier est la profondeur de l'apprentissage qui traite les données d'image, le deuxième est une analyse sémantique, en troisième lieu, de partage de données divers hôpitaux, les institutions médicales, entrez lorsque la nécessité d'adapter la protection de la vie privée de lien de prescription, de manière à former un réseau opérationnel, plutôt qu'un seul nud exécutant le même réseau local que les données, de sorte que la taille de l'échantillon est trop petit pour soutenir la nécessité d'apprendre. Nous sommes donc en mesure de fournir l'infrastructure nécessaire pour aider toutes les institutions médicales et les institutions d'assurance pour obtenir les résultats commerciaux correspondants.
Cas n ° 2: Crédit et publicité.
La logique est similaire au crédit est un grand concept, qui comprend le modèle de crédit, y compris les points de crédit. Quel que soit le modèle, dans le secteur réel, la nécessité pour l'utilisateur de faire des portraits, mais elle est dispersée dans différents ensembles de données, jusqu'à présent, seul un calcul de confidentialité de cette architecture peut avoir un moyen de réaliser les données de la cryptographiquement le partage complet et l'informatique collaborative. Donc, en théorie, lorsque l'étiquette est le traitement terminé, comment faire pousser et donner aux utilisateurs portrait précis? Cela dépend de la façon de traiter cette question. MPC ou chaîne de blocs vie privée et informatique est une situation symbiotique, si seule la chaîne de blocs, nous ne mettre sur les données de la chaîne, parce que nous ne sommes pas prêts à être transparents. Donc, la question que nous face aujourd'hui est la suivante: Tout d'abord, la mauvaise performance de la chaîne de bloc, d'autre part, l'absence de contrats de renseignement, en troisième lieu, les questions de protection de la vie privée. PLATON concentré sur les première et troisième questions pour optimiser la première levée de son efficacité en particulier dans l'efficacité informatique à distance, et le troisième est la question de la vie privée.
Cas n ° 3: étude fédérale.
AI vie privée + calculé. Nous avons proposé un partenaire fédéral d'apprendre, beaucoup d'échantillons de données manquantes modèle AI, échantillon pools différents répartis sur plusieurs nuds, jusqu'à présent seulement pour obtenir les données complètes par l'architecture informatique à la cryptographie comme référence (calculé la vie privée) capacité à soutenir l'étude à grande échelle sur la profondeur de la couche, sinon il n'est pas l'apprentissage en profondeur, ne peut être appelé apprentissage peu profonde, parce que l'échantillon ne suffit pas, peut tout simplement pas entraîner.
Cas n ° 4: Les choses + réseau de voiture.
Le plus simple est sans pilote. Aujourd'hui, il existe des données de contrôle de la navigation cartographie dépôt mains Les fournisseurs qualifiés et des données, et les données comportementales correspondantes sont dispersées, il est difficile d'obtenir complète, le MPC aurait besoin de compter sur cette capacité à atteindre.
