创建中性协议,PPkPub要架设区块链与网络通信的桥梁

PPkPub是一个由陈晖发起的开放技术小组,致力于将区块链与网络通信结合,开发新型网络基础协议。他们关注区块链的中性协议角色,目前主要项目包括ODIN(开放数据索引命名标识)和AP,旨在推动对等、可信的价值传递网络。陈晖强调,PPkPub的愿景是融合区块链和网络通信,为未来网络提供技术支持。
摘要由CSDN通过智能技术生成

Sherlock

渡鸦区块链专栏记者



内容预读


当前互联网基于IP网络,那么IP体系结构有哪些问题?


1)可扩展性问题

网络流量激增的速度远远超过摩尔定律与路由器性能提升速度。


2)安全性问题

目前互联网针对安全问题不是一个系统性的解决方案,基本处于被动应对状态。

端到端的通信模式注定了只能提供数据安全通道,无法实现针对服务及内容的个性化安全服务


3)动态性问题

互联网终端形态发生了很大变化,动态性显著增加。

IP地址既表征身份又表征位置,导致对移动性支持能力不强。


未来,互联网基于IP网络的运输通道可能会被改变。未来网络将不再是一种运输通道,而是一个大的数据库和数据处理中心。


NDN(Name Data Network,命名数据网络)将启引下一个互联网时代,基于区块链技术特性和NDN的融合,未来网络通信将发生革命性变革。


那么PPkPub基于上述着手开发ODIN开源项目的原型,做一种新型的融合多区块链的新型DNS,PPkPub希望让更多应用自由采用 ODIN 和 AP 协议, 共同来构建自主、对等、开放、可信的下一代 WEB。目前PPKPub已经预见操作了两个可预见场景一个是物联网,一个是数字资产市场。




随着区块链的不断发展,它与越来越多的领域有着越来越紧密的联系。在大家大多还沉浸在区块链本身技术的研发时,有一个专注探究如何用好区块链的极客技术小组已经脱颖而出,尝试将区块链与网络通信紧密地结合起来发展出新型的网络基础协议,陈晖就是这个开放小组的成员之一。陈晖毕业于北京邮电大学的信息工程专业,是PPk开放小组的发起人和主要开发者。


深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值