操作XuperDB 操作Distributed AI 案例应用-线性回归算法测试 案例简介 测试脚本说明 上传样本文件 训练任务 预测任务 模型评估 案例应用-逻辑回归算法测试 案例简介 测试脚本说明 上传样本文件 训练任务 预测任务 模型评估 系统详解 部署架构 计算需求方(Requester) 任务执行节点(Executor Node) 数据持有节点(DataOwner Node) Node) 存储节点(Storage Node) 区块链节点(Blockchain Node) Distributed AI 服务组件 多方安全计算框架 可信联邦学习 模型评估 动态模型评估 接口与消息定义 配置说明 命令行工具 XuperDB 背景和目标 特点和优势 架构设计 功能介绍 如何使用 Crypto 数据隐私保护 机器学习算法 纵向联邦学习 团队 我们的团队 参与开发 参与开发&测试 保证多方数据联合建模的全链路可信 架构概览 PaddleDTX由多方安全计算网络、去中心化存储网络、区块链网络构建而成。 1.1 多方安全计算网络 有预测需求的一方为计算需求节点。可获取样本数据进行模型训练和预测的一 方为任务执行节点，多个任务执行节点组成一个SMPC（多方安全计算）网 络。计算需求节点将任务发布到区块链网络，任务执行节点确认后执行任务。 数据持有节点对任务执行节点的计算数据做信任背书。

由多方安全计算网络、去中心化存储网络、区块链网络构建而成。 1 PaddleDTX Documentation 1.2.1 1.1 多方安全计算网络 有预测需求的一方为计算需求节点。可获取样本数据进行模型训练和预测的一方为任务执行节点，多个任务 执行节点组成一个 SMPC（多方安全计算）网络。计算需求节点将任务发布到区块链网络，任务执行节点确 认后执行任务。数据持有节点对任务执行节点的计算数据做信任背书。 的相关概念，帮助您初步认识系统，了解其基本运行机制，方便后续进一步阅读。 2.1 节点和网络 PaddleDTX 中有五类节点： • 计算需求节点（Requester）有训练模型和预测需求。 • 任务执行节点（Executor）拥有使用数据的权限，参与多方安全计算，进行模型训练和数据预测。 • 数据持有节点（DataOwner）是数据的归属方，有存储数据的需求。 • 存储节点（Storage Nodes）有丰富的闲置的存储资源，可以提供存储服务。 的任务广播、节点的去中心化治理、副本保持证明机制都基于智能合约。 2.3 任务 任务，是您使用 PaddleDTX 时用到的最基本概念。 PaddleDTX 中有两类任务： • 训练任务以通过训练得到模型为目标； • 预测任务以预测数据的目标值为目标。 任务由计算需求节点发布到区块链网络，由数据持有节点确认数据使用权，由任务执行节点最终执行。 2.4 算法 PaddleDTX 中的算法，一般

操作XuperDB 操作Distributed AI 案例应用-线性回归算法测试 案例简介 测试脚本说明 上传样本文件 训练任务 预测任务 模型评估 案例应用-逻辑回归算法测试 案例简介 测试脚本说明 上传样本文件 训练任务 预测任务 模型评估 系统详解 部署架构 计算需求方(Requester) 任务执行节点(Executor Node) 数据持有节点(DataOwner Node) 保证多方数据联合建模的全链路可信 架构概览 PaddleDTX由多方安全计算网络、去中心化存储网络、区块链网络构建而成。 1.1 多方安全计算网络 有预测需求的一方为计算需求节点。可获取样本数据进行模型训练和预测的一 方为任务执行节点，多个任务执行节点组成一个SMPC（多方安全计算）网 络。计算需求节点将任务发布到区块链网络，任务执行节点确认后执行任务。 数据持有节点对任务执行节点的计算数据做信任背书。 初步认识系统，了解其基本运行 机制，方便后续进一步阅读。 节点和网络 PaddleDTX中有五类节点： 计算需求节点（Requester）有训练模型和预测需求。 任务执行节点（Executor）拥有使用数据的权限，参与多方安全计算，进 行模型训练和数据预测。 数据持有节点（DataOwner）是数据的归属方，有存储数据的需求。 存储节点（Storage Nodes）有丰富的闲置的存储资源，可以提供存储服

由多方安全计算网络、去中心化存储网络、区块链网络构建而成。 1 PaddleDTX Documentation 1.2.1 1.1 多方安全计算网络 有预测需求的一方为计算需求节点。可获取样本数据进行模型训练和预测的一方为任务执行节点，多个任务 执行节点组成一个 SMPC（多方安全计算）网络。计算需求节点将任务发布到区块链网络，任务执行节点确 认后执行任务。数据持有节点对任务执行节点的计算数据做信任背书。 的相关概念，帮助您初步认识系统，了解其基本运行机制，方便后续进一步阅读。 2.1 节点和网络 PaddleDTX 中有五类节点： • 计算需求节点（Requester）有训练模型和预测需求。 • 任务执行节点（Executor）拥有使用数据的权限，参与多方安全计算，进行模型训练和数据预测。 • 数据持有节点（DataOwner）是数据的归属方，有存储数据的需求。 • 存储节点（Storage Nodes）有丰富的闲置的存储资源，可以提供存储服务。 的任务广播、节点的去中心化治理、副本保持证明机制都基于智能合约。 2.3 任务 任务，是您使用 PaddleDTX 时用到的最基本概念。 PaddleDTX 中有两类任务： • 训练任务以通过训练得到模型为目标； • 预测任务以预测数据的目标值为目标。 任务由计算需求节点发布到区块链网络，由数据持有节点确认数据使用权，由任务执行节点最终执行。 2.4 算法 PaddleDTX 中的算法，一般

从证书撤销列表删除指定节点证书 ca.json 中status置为0 babel-node tool.js CAAction remove ca.json 权限管理合约 权限管理合约是对区块链权限模型的实现。 一个外部账户只属于一个角色，一个角色拥有一个权限项列表。 一个权限项由合约地址加上合约接口来唯一标识。 源码路径：systemcontract/AuthorityFilter.sol Service)服务 性能 应用于区块链的多节点并行拜占庭容错共识算法 并行计算和热点账户解决方案 UTXO账户模型 易用性 浅谈FISCO BCOS的易用性 链上信使协议AMOP使用指南 弹性联盟链共识框架方案 可扩展的虚拟机指令ethcall 安全 FISCO BCOS权限模型 机构证书准入 群签名&&环签名 可监管的零知识证明说明 FISCO BCOS系统合约介绍 作者：fisco-dev sol、 TransactionFilterBase.sol、AuthorityFilter.sol、Group.sol四个合约来实现。 TransactionFilterChain是对Filter模型的实现框架。它在内部维护了一个实现继 承于TransactionFilterBase的Filter合约地址列表。它对区块链核心提供了统一的 权限检查接口process。process执行过程中会对Filter合约地址列表中的所有

建链像建聊天群一样便利。根据业务场景和业务 关系，企业可选择不同群组，形成多个不同账本的数据共享和共识，从而快速丰富业务场景、扩大业务 规模，且大幅简化链的部署和运维成本。 两翼指的是支持并行计算模型和分布式存储，二者为群组架构带来更好的扩展性。前者改变了区块中按 交易顺序串行执行的做法，基于DAG（有向无环图）并行执行交易，大幅提升性能；后者支持企业（节 点）将数据存储在远端分布式系统中，克服了本地化数据存储的诸多限制。 0版本的本地存储模式。更多关于存储介绍，请参考 分布式存储操作手册 2.1.3 并行计算模型 2.0版本中新增了合约交易的并行处理机制，进一步提升了合约的并发吞吐量。 1.0版本以及大部分业界传统区块链平台，交易是被打包成一个区块，在一个区块中交易顺序串行执行 的。 2.0版本基于预编译合约，实现一套并行交易处理模型，基于这个模型可以自定义交易互斥变量。 在区块执行过程中，系统将会根据交易互斥变量自动构建 交易依赖关系图——DAG，基于DAG并行执行 交易，最好情况下性能可提升数倍（取决于CPU核数）。 更多并行计算模型的介绍，请参考并行交易的 设计文档 和 使用手册。 2.1.4 预编译合约 FISCO BCOS 2.0提供预编译合约框架，支持采用C++编写合约，其优势是合约调用响应更快，运行速度 更高，消耗资源更少，更易于并行计算，极大提升整个系统的效率。FISCO BCOS内置了多个系统级的

建链像建聊天群一样便利。根据业务场景和业务 关系，企业可选择不同群组，形成多个不同账本的数据共享和共识，从而快速丰富业务场景、扩大业务 规模，且大幅简化链的部署和运维成本。 两翼指的是支持并行计算模型和分布式存储，二者为群组架构带来更好的扩展性。前者改变了区块中按 交易顺序串行执行的做法，基于DAG（有向无环图）并行执行交易，大幅提升性能；后者支持企业（节 点）将数据存储在远端分布式系统中，克服了本地化数据存储的诸多限制。 0版本的本地存储模式。更多关于存储介绍，请参考 分布式存储操作手册 2.1.3 并行计算模型 2.0版本中新增了合约交易的并行处理机制，进一步提升了合约的并发吞吐量。 1.0版本以及大部分业界传统区块链平台，交易是被打包成一个区块，在一个区块中交易顺序串行执行 的。 2.0版本基于预编译合约，实现一套并行交易处理模型，基于这个模型可以自定义交易互斥变量。 在区块执行过程中，系统将会根据交易互斥变量自动构建 交易依赖关系图——DAG，基于DAG并行执行 交易，最好情况下性能可提升数倍（取决于CPU核数）。 更多并行计算模型的介绍，请参考并行交易的 设计文档 和 使用手册。 2.1.4 预编译合约 FISCO BCOS 2.0提供预编译合约框架，支持采用C++编写合约，其优势是合约调用响应更快，运行速度 更高，消耗资源更少，更易于并行计算，极大提升整个系统的效率。FISCO BCOS内置了多个系统级的

建链像建聊天群一样便利。根据业务场景和业务 关系，企业可选择不同群组，形成多个不同账本的数据共享和共识，从而快速丰富业务场景、扩大业务 规模，且大幅简化链的部署和运维成本。 两翼指的是支持并行计算模型和分布式存储，二者为群组架构带来更好的扩展性。前者改变了区块中按 交易顺序串行执行的做法，基于DAG（有向无环图）并行执行交易，大幅提升性能；后者支持企业（节 点）将数据存储在远端分布式系统中，克服了本地化数据存储的诸多限制。 0版本的本地存储模式。更多关于存储介绍，请参考 分布式存储操作手册 2.1.3 并行计算模型 2.0版本中新增了合约交易的并行处理机制，进一步提升了合约的并发吞吐量。 1.0版本以及大部分业界传统区块链平台，交易是被打包成一个区块，在一个区块中交易顺序串行执行 的。 2.0版本基于预编译合约，实现一套并行交易处理模型，基于这个模型可以自定义交易互斥变量。 在区块执行过程中，系统将会根据交易互斥变量自动构建 交易依赖关系图——DAG，基于DAG并行执行 交易，最好情况下性能可提升数倍（取决于CPU核数）。 更多并行计算模型的介绍，请参考并行交易的 设计文档 和 使用手册。 2.1.4 预编译合约 FISCO BCOS 2.0提供预编译合约框架，支持采用C++编写合约，其优势是合约调用响应更快，运行速度 更高，消耗资源更少，更易于并行计算，极大提升整个系统的效率。FISCO BCOS内置了多个系统级的

整体架构 架构模型 一体两翼多引擎 群组架构 支持链内动态扩展多群组 分布式存储 支持海量数据存储 并行计算 支持块内交易并行执行 节点类型 共识节点、观察节点 计算模型 排序-执行-验证 系统性能 峰值TPS 2万+ TPS（PBFT） 交易确认时延 秒级 硬件推荐配置 CPU 2.4GHz * 8核 内存 8GB 存储 4TB 网络带宽 10Mb 账本模型 数据结构 链式结构，区块通过哈希链相连 链式结构，区块通过哈希链相连 是否分叉 不分叉 记账类型 账户模型（非UTXO） 共识算法 共识框架 可插拔设计 共识算法 PBFT、Raft、rPBFT 存储引擎 存储设计 支持KV和SQL 引擎类型 支持leveldb、rocksdb、mysql CRUD接口 提供CRUD接口访问链上数据 网络协议 节点间通信 P2P协议 客户端与节点通 信 JsonRPC，Channel协议 链像建聊天群一样 便利。根据业务场景和业务关系，企业可选择不同群组，形成多个不同账本 的数据共享和共识，从而快速丰富业务场景、扩大业务规模，且大幅简化链 的部署和运维成本。 两翼指的是支持并行计算模型和分布式存储，二者为群组架构带来更好的扩 展性。前者改变了区块中按交易顺序串行执行的做法，基于DAG（有向无环 图）并行执行交易，大幅提升性能；后者支持企业（节点）将数据存储在远 端分布式系统中，克服了本地化数据存储的诸多限制。

整体架构 架构模型 一体两翼多引擎 群组架构 支持链内动态扩展多群组 分布式存储 支持海量数据存储 并行计算 支持块内交易并行执行 节点类型 共识节点、观察节点 计算模型 排序-执行-验证 系统性能 峰值TPS 2万+ TPS（PBFT） 交易确认时延 秒级 硬件推荐配置 CPU 2.4GHz * 8核 内存 8GB 存储 4TB 网络带宽 10Mb 账本模型 数据结构 链式结构，区块通过哈希链相连 链式结构，区块通过哈希链相连 是否分叉 不分叉 记账类型 账户模型（非UTXO） 共识算法 共识框架 可插拔设计 共识算法 PBFT、Raft、rPBFT 存储引擎 存储设计 支持KV和SQL 引擎类型 支持leveldb、rocksdb、mysql CRUD接口 提供CRUD接口访问链上数据 网络协议 节点间通信 P2P协议 客户端与节点通 信 JsonRPC，Channel协议 链像建聊天群一样 便利。根据业务场景和业务关系，企业可选择不同群组，形成多个不同账本 的数据共享和共识，从而快速丰富业务场景、扩大业务规模，且大幅简化链 的部署和运维成本。 两翼指的是支持并行计算模型和分布式存储，二者为群组架构带来更好的扩 展性。前者改变了区块中按交易顺序串行执行的做法，基于DAG（有向无环 图）并行执行交易，大幅提升性能；后者支持企业（节点）将数据存储在远 端分布式系统中，克服了本地化数据存储的诸多限制。