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 结 果。 模型评估 PaddleDTX中的模型评估同样经过分布式改造。如果用户指定执行模型评估， 并设置评估方式和参数，任务执行节点本地实例化评估器，评估器会划分训练 样本、创建并运行训练任务、创建并运行预测任务，最后计算评估指标。任务 执行节点各自持有部分训练集和验证集，在训练和预测过程中，任务执行节点 之间会进行多轮复杂交互。 此外，PaddleDTX还支持动态模型评估。训练任务进行计算的过程中，可指定

2.7 模型评估 PaddleDTX 中的模型评估同样经过分布式改造。如果用户指定执行模型评估，并设置评估方式和参数，任务 执行节点本地实例化评估器，评估器会划分训练样本、创建并运行训练任务、创建并运行预测任务，最后计 算评估指标。任务执行节点各自持有部分训练集和验证集，在训练和预测过程中，任务执行节点之间会进行 多轮复杂交互。 此外，PaddleDTX 还支持动态模型评估。训练任务进行 还支持动态模型评估。训练任务进行计算的过程中，可指定轮次触发模型评估，并获得当 前轮次训练结束后的评估指标。训练过程中，可以获取每个阶段模型的评估结果，以此判断是否停止训练； 当训练任务结束时，可获得一系列评估指标，展示训练效果变化趋势。 2.7. 模型评估 5 PaddleDTX Documentation 6 Chapter 2. 基本概念 CHAPTER3 正在进行中 我们即将支持的主要功能如下: 1. �→72a682a46fc1" -e "executor1,executor2" # 命 令 行 返 回 TaskID: fdc5b7e1-fc87-4e4b-86ee-b139a7721391 如果希望执行模型评估，增加‘–ev’、’–evRule’等参数： $ ./requester-cli task publish -a "linear-vl" -l "MEDV" --keyPath './keys' -t

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) 支持更多的机器学习算法和对应的分布式改造，主要包括神经网络、决策 树等； 2. 支持横向联邦学习算法，计划先对多元线性回归和多元逻辑回归进行改 造； 3. 提供联邦学习训练参数的评估能力，通过交叉验证等方式评估训练参数的 优劣； 4. 优化目前使用的加法同态算法Paillier的性能； 5. 去中心化存储服务支持负载均衡策略，根据存储节点剩余资源和以往表现 情况，在文件分发时找到最优节点列表。 计算需求方启动任务 4. 为计算需求方下载预测结果 5. 计算模型的均方根误差 每个步骤对应的客户端命令详情参考 操作 Distributed AI 。 模型评估 通过预测任务，获得了模型的预测结果，我们通过计算预测值与真实值的均方 根误差来评估模型优劣。 预测任务执行完成后，同时输出了波士顿房价预测模型的均方根误差，为 4.568173732971698。 案例应用-逻辑回归算法测试 在本节中，我们使用

1. 支持更多的机器学习算法和对应的分布式改造，主要包括神经网络、决策树等； 2. 支持横向联邦学习算法，计划先对多元线性回归和多元逻辑回归进行改造； 3. 提供联邦学习训练参数的评估能力，通过交叉验证等方式评估训练参数的优劣； 4. 优化目前使用的加法同态算法 Paillier 的性能； 5. 去中心化存储服务支持负载均衡策略，根据存储节点剩余资源和以往表现情况，在文件分发时找到最 优节点列表。 计算需求方启动任务 4. 为计算需求方下载预测结果 5. 计算模型的均方根误差 每个步骤对应的客户端命令详情参考 操作 Distributed AI 。 7.6 模型评估 通过预测任务，获得了模型的预测结果，我们通过计算预测值与真实值的均方根误差来评估模型优劣。 预测任务执行完成后，同时输出了波士顿房价预测模型的均方根误差，为 4.568173732971698。 7.5. 预测任务 31 PaddleDTX 5. 计算模型的均方根误差 6. 计算预测的准确率 每个步骤对应的客户端命令详情参考 操作 Distributed AI 。 8.6 模型评估 通过预测任务，获得了模型的预测结果，我们将置信度设置为 0.5，通过计算预测值与真实值的分类准确率 来评估模型优劣。 预测任务执行完成后，同时输出了鸢尾花品种分类模型的预测结果，在测试集上准确率为 100%。 36 Chapter 8. 案例应用-逻辑回归算法测试

计多个并行的交易链，首先将用户按照一定的性能模型分组，每个针对用户的 分组而构建的独立的区块链组件，我们称为“用户交易链”。举例：预估为每个 分组100万用户，5个分组能容纳500万用户（实际的每组能容纳的用户数需要 根据业务场景实测评估），这样我们构建了5个“用户交易链”。 然后，热点帐户本身可以集中在一个热点账户的链上（也可以分配在某一个分 组里），热点账户链主要用于准实时的汇总各“用户交易链”的账务，以管理热 点账户的总分帐，如总收入，总支出，帐户准实时余额等。 程的，则不用state存储，因为state状态读写过程较繁琐且因维护状态树会 占用较大磁盘空间。 尽可能的把每个处理环节的处理次数，处理时间（平均时间，最大时间） 打印到统计和监控日志里，采用监控检测工具进行监测和评估，预测和检 测瓶颈。平台已经对关键处理环节埋点输出到日志，更细和更丰富的业务 数据埋点需要开发者自行开发。 根据业务场景的交易频度估算带宽，建议至少保证5M以上带宽，且注意 网络延时，断连等QoS指标。 maxBlockHeadGas和maxTranscationGas进行配置（参见使用说明的 systemcontract/ConfigAction.sol），默认取值较大，开发者依旧可以用以 太坊类似的方法对合约消耗的gas进行评估，以计算每个block里最多能包 含多少个交易。最后，由于去除了代币，Gas的消耗不和代币挂钩。 共识算法：FISCO-BCOS不再采用ethash等挖矿算法，没有“矿工”的角 色，不需要挖矿。FISCO

停进程、查看运行日志、排 查故障等权限，但不参与到业务交易中，也不能直接查看具有较高安全隐私等级的用户数据，交易数 据。 系统运行过程中，可通过监控系统对各种运行指标进行监控，对系统的健康程度进行评估，当出现故障 时发出告警通知，便于运维快速反应，进行处理。 监控的维度包括基础环境监控,如CPU占比、系统内存占比和增长、磁盘IO情况、网络连接数和流量等。 区块链系统监控包括如区块高度、交易量 在可持续发展的背景下，ESG评估成为了企业可持续性的重要指标。然而，当前市场上缺乏统一、 透明且高效的ESG评估平台。现有的评估工具往往面临着评分标准不一、数据不透明、易篡改、流 程冗余等问题，这不仅影响了评估的公正性，也增加了企业的运营成本。因此，开发基于区块链 的ESG评分系统，旨在为企业提供可靠、透明且易于操作的ESG评估解决方案，本系统在成本效率 方面具有显著优势，适合各种规模的企业及评估机构、相关监管机构使用。 上能限制或拓宽区块链业务的适用 场景，愈高的吞吐量，意味着区块链能够支持愈广的适用范围和愈大的用户规模。当前，反映交易吞吐 量的TPS（Transaction per Second，每秒交易数量）是评估性能的热点指标。为了提高TPS，业界提出了 层出不穷的优化方案，殊途同归，各种优化手段的最终聚焦点，均是尽可能提高交易的并行处理能力， 降低交易全流程的处理时间。 在多核处理器架构已经成为主流的今

停进程、查看运行日志、排 查故障等权限，但不参与到业务交易中，也不能直接查看具有较高安全隐私等级的用户数据，交易数 据。 系统运行过程中，可通过监控系统对各种运行指标进行监控，对系统的健康程度进行评估，当出现故障 时发出告警通知，便于运维快速反应，进行处理。 监控的维度包括基础环境监控,如CPU占比、系统内存占比和增长、磁盘IO情况、网络连接数和流量等。 区块链系统监控包括如区块高度、交易量 在可持续发展的背景下，ESG评估成为了企业可持续性的重要指标。然而，当前市场上缺乏统一、 透明且高效的ESG评估平台。现有的评估工具往往面临着评分标准不一、数据不透明、易篡改、流 程冗余等问题，这不仅影响了评估的公正性，也增加了企业的运营成本。因此，开发基于区块链 的ESG评分系统，旨在为企业提供可靠、透明且易于操作的ESG评估解决方案，本系统在成本效率 方面具有显著优势，适合各种规模的企业及评估机构、相关监管机构使用。 上能限制或拓宽区块链业务的适用 场景，愈高的吞吐量，意味着区块链能够支持愈广的适用范围和愈大的用户规模。当前，反映交易吞吐 量的TPS（Transaction per Second，每秒交易数量）是评估性能的热点指标。为了提高TPS，业界提出了 层出不穷的优化方案，殊途同归，各种优化手段的最终聚焦点，均是尽可能提高交易的并行处理能力， 降低交易全流程的处理时间。 在多核处理器架构已经成为主流的今

停进程、查看运行日志、排 查故障等权限，但不参与到业务交易中，也不能直接查看具有较高安全隐私等级的用户数据，交易数 据。 系统运行过程中，可通过监控系统对各种运行指标进行监控，对系统的健康程度进行评估，当出现故障 时发出告警通知，便于运维快速反应，进行处理。 监控的维度包括基础环境监控,如CPU占比、系统内存占比和增长、磁盘IO情况、网络连接数和流量等。 区块链系统监控包括如区块高度、交易量 在可持续发展的背景下，ESG评估成为了企业可持续性的重要指标。然而，当前市场上缺乏统一、 透明且高效的ESG评估平台。现有的评估工具往往面临着评分标准不一、数据不透明、易篡改、流 程冗余等问题，这不仅影响了评估的公正性，也增加了企业的运营成本。因此，开发基于区块链 的ESG评分系统，旨在为企业提供可靠、透明且易于操作的ESG评估解决方案，本系统在成本效率 方面具有显著优势，适合各种规模的企业及评估机构、相关监管机构使用。 上能限制或拓宽区块链业务的适用 场景，愈高的吞吐量，意味着区块链能够支持愈广的适用范围和愈大的用户规模。当前，反映交易吞吐 量的TPS（Transaction per Second，每秒交易数量）是评估性能的热点指标。为了提高TPS，业界提出了 层出不穷的优化方案，殊途同归，各种优化手段的最终聚焦点，均是尽可能提高交易的并行处理能力， 降低交易全流程的处理时间。 在多核处理器架构已经成为主流的今

停进程、查看运行日志、排查故障等权限，但不参与到业务交易中，也不能 直接查看具有较高安全隐私等级的用户数据，交易数据。 系统运行过程中，可通过监控系统对各种运行指标进行监控，对系统的健康 程度进行评估，当出现故障时发出告警通知，便于运维快速反应，进行处 理。 监控的维度包括基础环境监控,如CPU占比、系统内存占比和增长、磁盘IO情 况、网络连接数和流量等。 区块链系统监控包括如区块高度、交易量和虚拟机计算量，共识节点出块投 在可持续发展的背景下，ESG评估成为了企业可持续性的重要指标。然而， 当前市场上缺乏统一、透明且高效的ESG评估平台。现有的评估工具往往面 临着评分标准不一、数据不透明、易篡改、流程冗余等问题，这不仅影响了 评估的公正性，也增加了企业的运营成本。因此，开发基于区块链的ESG评 分系统，旨在为企业提供可靠、透明且易于操作的ESG评估解决方案，本系 统在成本效率方面具有显著优势，适合各种规模的企业及评估机构、相关监 管机构使用。 上能限 制或拓宽区块链业务的适用场景，愈高的吞吐量，意味着区块链能够支持愈 广的适用范围和愈大的用户规模。当前，反映交易吞吐量的TPS（Transaction per Second，每秒交易数量）是评估性能的热点指标。为了提高TPS，业界提 出了层出不穷的优化方案，殊途同归，各种优化手段的最终聚焦点，均是尽 可能提高交易的并行处理能力，降低交易全流程的处理时间。 在多核处理器架构已经成为主流的今天，利用并行化技术充分挖掘CPU潜力

停进程、查看运行日志、排查故障等权限，但不参与到业务交易中，也不能 直接查看具有较高安全隐私等级的用户数据，交易数据。 系统运行过程中，可通过监控系统对各种运行指标进行监控，对系统的健康 程度进行评估，当出现故障时发出告警通知，便于运维快速反应，进行处 理。 监控的维度包括基础环境监控,如CPU占比、系统内存占比和增长、磁盘IO情 况、网络连接数和流量等。 区块链系统监控包括如区块高度、交易量和虚拟机计算量，共识节点出块投 在可持续发展的背景下，ESG评估成为了企业可持续性的重要指标。然而， 当前市场上缺乏统一、透明且高效的ESG评估平台。现有的评估工具往往面 临着评分标准不一、数据不透明、易篡改、流程冗余等问题，这不仅影响了 评估的公正性，也增加了企业的运营成本。因此，开发基于区块链的ESG评 分系统，旨在为企业提供可靠、透明且易于操作的ESG评估解决方案，本系 统在成本效率方面具有显著优势，适合各种规模的企业及评估机构、相关监 管机构使用。 上能限 制或拓宽区块链业务的适用场景，愈高的吞吐量，意味着区块链能够支持愈 广的适用范围和愈大的用户规模。当前，反映交易吞吐量的TPS（Transaction per Second，每秒交易数量）是评估性能的热点指标。为了提高TPS，业界提 出了层出不穷的优化方案，殊途同归，各种优化手段的最终聚焦点，均是尽 可能提高交易的并行处理能力，降低交易全流程的处理时间。 在多核处理器架构已经成为主流的今天，利用并行化技术充分挖掘CPU潜力