Kadabra: 为去中心化网络适配 Kademlia
Serdab 是一个分布式编排框架,用于在多个安全密封实例(例如 Intel SGX)上部署深度神经网络计算的 DNN 分区策略,可以跨多个安全密封设备或安全密封设备和其他硬件加速器分配神经网络的层,以解决保护用户数据隐私的挑战。
May, 2020
Trident 是一种适用于大型知识图谱的存储架构,能够提供高效的数据访问,并且支持 SPARQL 查询,推理和图分析。通过 Trident,我们可以使用廉价的硬件处理具有 10^11 个边缘的图,并获得与传统单一架构相似的性能。
Jan, 2020
该研究提出了一种基于区块链分片技术的安全计算框架 PIRATE,并通过案例研究展示了其在分布式学习中的作用,解决了在 5G 时代分布式学习中可能遭受拜占庭攻击的问题。
Dec, 2019
本文介绍了一种分布式学习算法 —— 去中心化单环梯度上升 / 下降算法(AD-GDA),以解决设备之间数据分布不均导致合作训练模型性能下降的问题,并采用压缩共识方案提高通信效率,并给出了平滑凸和非凸损失函数的收敛性保证。
May, 2022
本文介绍了针对网络中的图形数据处理的分散式学习算法,通过 ADMM 迭代最小化来得到所需的并行程度,并通过案例研究阐明了分散式学习框架对于当代无线通信和网络任务的影响。
Mar, 2015
本文介绍了一种基于资源标识符生成算法(Resource Identifier Generation Algorithms)的机制,扩展了领域生成算法(Domain Generation Algorithms)的功能,介绍了利用星际文件系统(InterPlanetary file system)作为隐秘通信通道的方法,并探讨了其在恶意软件管理中的应用。
May, 2019
本论文调查了下一代数据网络技术,重点介绍了 Interplanetary File System,Swarm,Hypercore Protocol,SAFE,Storj 和 Arweave 等技术,通过对这些技术的概述和比较,展示了 P2P 数据网络的基本概念和未来发展方向。
Feb, 2021
提出了一种区块链辅助的去中心化联邦学习(BLADE-FL)框架,以解决标准 FL 在模型聚合方面存在的问题,并探讨了懒客户对学习性能的影响及优化方法。
Jan, 2021
本文提出了一种利用智能合约系统,从多个节点的本地人工神经网络模型获得中间表示并在主机节点上联合训练的机制,以在已分布的数据上进行深度学习模型训练(以银行贷款预测为例),从而避免共享和连接实际数据值。
Nov, 2020
介绍了 MANET 网络的安全性问题、攻击分类、以及基于 blockchain 技术的安全路由算法 (SRA),并通过 PDR 和吞吐量测试,分析了该算法的性能及与 Q-AODV 和 DSR 算法的比较。
Apr, 2023