DxChain разрабатывает децентрализованную сеть больших данных и машинного обучения.

Проект базируется на принципе, что данные ценны и то, что создатели смогут владеть и пользоваться своими данными. DxChain также направлена на решение основных проблем данных, таких как конфиденциальность, владение и безопасность, которые поддерживают бизнес-приложений.

Интеллектуальные и самообучающиеся машины (Технология ИИ). Короче говоря, DxChain помогает пользователям реализовать свою мечту о продаже своих данных крупным компаниям, таким как Google или Facebook, а с технологией blockchain стоимость доступа и хранения данных становится чрезвычайно низкой.

DxChain основана на модели "Chain-on-Chain", состоящей из мастер-цепи и двух боковых цепей. Идея этой модели была вдохновлена Hadoop, платформой больших данных.

Эта модель включает:

Master Chain: хранит информацию о владельце и важные события, такие как статус, транзакция, получение и контракт. Master Chain использует технологию Proof of Work для максимальной безопасности и стабильности.
Data Side Chain (DSC): содержит информацию, а не свойство пользователя, метаданные
Computation Side Chain (CSC): содержит вычислительные задачи, выполняемые на платформе DxChain, а боковая цепь отвечает за запись вычислительного процесса, например, может ли задача быть завершена или нет.
Основные технологические достижения:
Контрольная игра: позволяет безопасно выполнять любую расчетную задачу при минимизации требуемого сетевого узла при выполнении расчета.
Provable Data Computation (PDC): позволяет сети проверить точность результатов вычислений. Это сделано Вычислением боковой цепи для проверки подлинности результата и для уменьшения ложного тарифа информации
Proof of Spacetime (PoSt) и Provided Data Possession (PDP): используется в качестве протокола консенсусного хранения. Цепь стороны данных использует PoSt и PDP для проверки процесса и предотвращения сетевых медленных атак.
Data Model обеспечивает сохранение конфиденциальности: обеспечивает гибкость при извлечении файлов данных.

В чем прогресс?
По сравнению с большими проектами данных того же типа, DxChain вложил в свой проект некоторые довольно новые вещи, такие как Proof of Spacetime или модель Chains-on-Chain.

Как используются Токены в проекте?

Токен DX будет являться способом оплаты между участниками сети DxChain
Поставщики вычислительных и архивных ресурсов при запуске приложений и подтверждении различных транзакций будут вознаграждены токеном DX.
Майнеры также получат токены DX по эффективности своей работы

Команда

Аллан Zhang, Co-основатель: с 10 летами опыта обеспеченностью, применения сети и основателя и CEO Trustlook - компании которая обеспечивает разрешения обеспеченностью сети для телефонов, ПК ...

Вэй Ван, соучредитель и главный научный сотрудник: ранее работал исследователем блокчейна в AT & T и учился во многих престижных университетах мира, таких как колумбийский Университет, Университет Питтсбурга и Университет Карнеги-Меллона.

Джеймс ли, соучредитель: опыт построения, проектирования моделей блокчейна. Обладая более чем 10-летним опытом работы в области сетевой безопасности, ранее Trustview Mobile security manager, инженер по безопасности в nCircle Network Security
Про всю команду можете прочитать на сайте.

Преимущества проекта

многие обеспокоены защитой личных данных от недавних утечек Facebook. Европейский Союз только что прошел GDPR, показывающий, насколько важны личные данные
команда успешно работает с Hadoop-проектом по архивированию и вычислительным вопросам
команда имеет хорошую техническую подготовку в областях, связанных с большими данными, blockchain

Социальные сети
Website: https://www.dxchain.com/
Telegram: https://t.me/DxChainBot?start=y5huwn-y5huwn
Telegram ANN: https://t.me/dxchainchannel
Twitter: https://twitter.com/dxchainnetwork
Medium: https://medium.com/dxchainnetwork
YouTube: https://www.youtube.com/channel/UCNIWZiYjMKVjF1LIY9uIslg
Steemit: https://steemit.com/@dxchainnetwork

Обзор ICO DxChain - сеть больших данных и машинного обучения

DxChain разрабатывает децентрализованную сеть больших данных и машинного обучения.