GOPHER CHINA 2020 中国 上海 / 2020-11.21-22 如何用go module构建模块化跨链平台 汪小益 趣链科技 ’ alt=‘OCR图片’/> 什么是区块链 跨链的重难点分析 跨链平台架构设计 Go module和plugin 的应用实践 GOPHER CHINA 2020 中国 上海 / 2020-11.21-22 1 什么是区块链 GOPHER alt=‘OCR图片’/> 中继链模块与流程 ’ alt=‘OCR图片’/> 为什么需要模块化 1 中继链和网关有大量公共组件 网络模块 执行模块 验证模块 协议处理模块 加密模块 2 灵活适配不同需求和版本 应用链访问模块 以太坊 Fabric 趣链区块链 天平链 共识模块 PBFT RAFT POS POA HOTSTUFF Golang提供了两种模块化工具，一个是go module，一个是go / 2020-11.21-22 4 GO module和plugin实践 GOPHER CHINA 2020 中国 上海 / 2020-11.21-22 4 GO modules实践：无处不在的模块 工具库（存储、加密、网络、日志等） https://github.com/meshplus/bitxhub-kit 验证引擎&IBTP协议库 https://github.com/meshplus/bitxhub-core

CMake # 现代 CMake 模块化项目管理指南 彭于斌 (@archibate) 课件 & 源码：https://github.com/parallel101/course 往期录播：https://space.bilibili.com/263032155 ## 第一章：文件 / 目录组织规范 基于 CMake 的 C/C++ 项目，如何优雅地、模块化地组织大量源文件？ ## 推荐的目录组织方式 目录组织格式： • 项目名 /include/ 项目名 / 模块名 .h • 项目名 /src/ 模块名 .cpp • CMakeLists.txt 中写： • target include directories(项目名 PUBLIC include) • 源码文件中写： • #include < 项目名 / 模块名 .h> • 项目名:: 函数名 (); ## 推荐的目录组织方式 推荐的目录组织方式 - 头文件（项目名 /include/ 项目名 / 模块名 .h）中写： • #pragma once • namespace 项目名 { • void 函数名(); • } • 实现文件（项目名 /src/ 模块名 .cpp）中写： • #include < 项目名 / 模块名 .h> • namespace 项目名 { • void 函数名 () {

语法已被废弃 - 可以通过 Rule.parser.requireInclude 将行为改为允许、废弃或禁用。 ### 功能清除：不再为 Node.js 模块引入 polyfill 之前的版本是：如果某个模块依赖 Node.js 里面的核心模块，那么这个模块被引入的时候会把 Node.js 整个 polyfill 顺带引入。 ## ● ● ● import CryptoJS from 'crypto-js'; PM Asset Size Chunks Chunk Names bundle.js 716 KiB 0 [emitted] [big] main ### 功能清除：不再为 Node.js 模块引入 polyfill ## ☀️ ☀️ ☁️ 'dependencies': { "@webassemblyjs/ast": "1.9.0" require.resolve('vm-browserify'); = require.resolve('browserify-zlib'); ## 长期缓存：确定的模块 Id、chunk 和导出名称 在生产模式下，默认的 chunklds: “deterministic”, modulelds: “deterministic”。设置成 deterministic

111 1.17. 为生产环境配置 SERVICE MESH 113 1.18. 连接服务网格 115 1.19. 扩展 144 1.20. 使用 3SCALE WEBASSEMBLY 模块 154 1.21. 使用 3SCALE ISTIO 适配器 173 1.22. 服务网格故障排除 183 1.23. ENVOY 代理故障排除 191 1.24. SERVICE MESH OpenShift Service Mesh 通过在应用程序中创建集中控制点来解决微服务架构中的各种问题。它在现有分布式应用上添加一个透明层，而无需对应用代码进行任何更改。 微服务架构将企业应用的工作分成模块化服务，从而简化扩展和维护。但是，随着微服务架构上构建的企业应用的规模和复杂性不断增长，理解和管理变得困难。Service Mesh 可以通过捕获或截获服务间的流量来解决这些架构问题，并可修改、重定向或创建新请求到其他服务。 ServiceMeshExtension API。 ####### 1.2.2.4.3. ROSA 支持 此发行版本引进了对 AWS(ROSA)上的 Red Hat OpenShift 的服务网格支持，包括多集群联邦。 ####### 1.2.2.4.4. istio-node DaemonSet 重命名 在此发行版本中，istio-node DaemonSet 被重命名为 istio-cni-node，以匹配上游

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 建模，联合发挥数据的最大价值。 ## 主要特征 PaddleDTX的主要特征如下： 支持多个学习过程并行运行的多方安全计算框架，集成多种横向联邦学习和纵向联邦学习算法 - 支持多个学习过程并行运行的多方安全计算框架，集成多种横向联邦学习和纵向联邦学习算法 • 安全存储高敏感数据，防止隐私泄漏，支持故障容错，抵御存储作弊 - 去中心化管理存储节点，支持无上限数据纳管 • 保证多方数据联合建模的全链路可信 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。 SMPC是一个支持多个学习过程并行运行的框架，会陆续集成更多纵向联邦学习、横向联邦学习算法。 ### 1.2 去中心化存储网络 数据持有节点将自己的隐私数据进行加密、切分、副本复制后分发到存储节点，存储节点通过应答数据持有节点的挑战证明自己持有数据分片。通过这些机制，实

交换，助其突破数据孤岛，共同建模，联合发挥数据的最大价值。 ### 1.1 主要特征 PaddleDTX 的主要特征如下： - 支持多个学习过程并行运行的多方安全计算框架，集成多种横向联邦学习和纵向联邦学习算法 · 安全存储高敏感数据，防止隐私泄漏，支持故障容错，抵御存储作弊 - 去中心化管理存储节点，支持无上限数据纳管 • 保证多方数据联合建模的全链路可信 ### 1.2 架构概览 ）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。 SMPC 是一个支持多个学习过程并行运行的框架，会陆续集成更多纵向联邦学习、横向联邦学习算法。 ##### 1.2.2 1.2 去中心化存储网络 数据持有节点将自己的隐私数据进行加密、切分、副本复制后分发到存储节点，存储节点通过应答数据持有节点的挑战证明自己持有数据分片。 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，一般指的是经过分布式改造的机器学习算法，即联邦学习算法。 目前开源了纵向联邦学习算法，包括多元线性回归和多元逻辑回归。 ### 2.5 训练样本和预测数据集 PaddleDTX 中的训练样本和预测数据集都是以文件的形式存储于中心化存储网络，在发布训练任务

50 Agent ..... 50 APM ..... 50 Tracing ..... 50 Metrics ..... 50 Logging ..... 50 8.11 联邦查询 ..... 50 8.11.1 背景 ..... 50 8.11.2 挑战 ..... 51 8.11.3 目标 ..... 51 8.11.4 应用场景 ..... 51 451 全限定类名 ..... 451 定义 ..... 452 已知实现 ..... 452 1 测试手册 ..... 453 11.1 整合测试 ..... 453 11.2 模块测试 ..... 453 11.3 性能测试 ..... 453 11.4 集成测试 ..... 453 11.4.1 设计 ..... 453 测试用例 ..... 454 测试环境 测试工具微调 ..... 462 压测环境或参数建议 ..... 463 附录 …… 464 BenchmarkSQL 5.0 PostgreSQL 语句列表 …… 467 11.6 模块测试 …… 475 11.6.1 SQL 解析测试 …… 475 数据准备 …… 475 11.6.2 SQL 改写测试 …… 477 目标 …… 477 11.7 Pipeline

协议，并且使用标准 SQL。 支持丰富的数据模型，可满足多种数据更新方式，支持部分列更新。 - 支持对 Hive、Iceberg、Hudi 等数据湖和 MySQL、Elasticsearch 等数据库的联邦查询分析。 - 导入方式多样，支持从 HDFS/S3 等远端存储批量导入，也支持读取 MySQL Binlog 以及订阅消息队列 Kafka 中的数据，还可以通过 Flink Connector 实时/批次同步数据源（MySQL 实现进一步的聚合，减轻了 Doris 和 ES 的更新压力）。 - 加速层：该层主要将大宽表拆为小宽表，根据更新频率配置不同的分区策略，减小数据冗余带来的存储压力，提高查询吞吐量。Doris 具备多表查询和联邦查询性能特性，可以利用多表关联特性实现组合查询。 - 应用层：DataSet 统一指向 Doris，Doris 支持外表查询，利用该特性可对 ES 引擎直接查询。 ### 架构 2.0 存在的问题： 高可用和数据的高可靠，自动故障修复，运维起来比较容易； • 高度兼容 MySQL 语法，支持标准 SQL，极大降低开发人员接入使用成本； 支持多种联邦查询方式，支持对 Hive、MySQL、Elasticsearch、Iceberg 等组件的联邦查询分析，降低多数据源查询复杂度。 通过以上的方式，使得存储成本降低 42%，开发与时间成本降低了 40%，成功实现降本提效，后续我们将继续探索！

安全交换，助其突破数据孤岛，共同建模，联合发挥数据的最大价值。 ### 1.1 主要特征 PaddleDTX 的主要特征如下: 支持多个学习过程并行运行的多方安全计算框架，集成多种横向联邦学习和纵向联邦学习算法 • 安全存储高敏感数据，防止隐私泄漏，支持故障容错，抵御存储作弊 - 去中心化管理存储节点，支持无上限数据纳管 • 保证多方数据联合建模的全链路可信 ### 1.2 架构概览 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。 SMPC 是一个支持多个学习过程并行运行的框架，会陆续集成更多纵向联邦学习、横向联邦学习算法。 ##### 1.2.2 1.2 去中心化存储网络 数据持有节点将自己的隐私数据进行加密、切分、副本复制后分发到存储节点，存储节点通过应答数据持有节点的挑战证明自己持有数据分片。 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，一般指的是经过分布式改造的机器学习算法，即联邦学习算法。 目前开源了纵向联邦学习算法，包括多元线性回归和多元逻辑回归。 ### 2.5 训练样本和预测数据集 PaddleDTX 中的训练样本和预测数据集都是以文件的形式存储于中心化存储网络，在发布训练任务