博客示例demo已经上传giteeModuleFederation可以实现微前端的效果，只是它是模块级的。即一个应用可以引入另外一个应用的模块。例如在a域名下启动的应用里，可以直接引用b域名应用里的资源。也就是说a应用可以异步获取b应用的组件进行使用。这样就可以将应用分为更小的应用块，头部导航栏、侧边栏、业务逻辑组件都可以分到不同的应用块里开发，同时应用块间间可共享，互相依赖，可实时获取其它应用块构建好的bundle资源。在入门前，先对一些概念达成共识：在ModuleFederation中，每个应用都是一个独立的构建（webpack工程），称为容器。引用远程模块的应用叫作host，被引用模块所
《联邦学习实战》（杨强等著）读书笔记1、基于同态加密的安全机制作为一种不需要将密文解密就可以处理密文的方法，同态加密是目前联邦学习系统里最常用的隐私保护机制，例如横向联邦学习里基于同态加密的安全聚合方法、基于同态加密的纵向联邦学习、基于同态加密的联邦迁移学习。同态加密机制能够在不对密文解密的情况下计算密文（这样计算方就不需要了解明文内容，只要获得密文就可以了），可以很好地保护敏感数据和信息，同时又可以执行计算操作（例如在加密状态下地加减乘除四则运算）。也就是说，其他人可以对加密数据进行处理，但是处理过程不会泄露任何原始内容。同时，拥有解密密钥地参与方解密处理过的数据后，得到的结果正好是处理相应
文章目录一、rabbitmq配置1.1环境变量1.1.1默认内置规则1.1.2Shell环境变量1.1.3常见环境变量1.2配置文件1.2.1rabbitmq.conf文件下载流程1.2.2常用配置项1.2.2.1网络相关1.2.2.2访问策略1.2.2.3虚拟空间设置1.2.2.4网络协议相关1.2.2.5资源流量限制相关1.2.2.6集群相关1.2.2.7数据收集参数1.2.2.8管理相关1.2.2.9配置加密1.3参数策略1.3.1常见Parameter命令用法1.3.1.1设置参数1.3.1.1.1set_parameter设置（绑定vhost）1.3.1.1.2set_global_
概述：FATE(FederatedAITechnologyEnabler)是一个联邦学习框架，能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和建模。但由于其系统的分布式特性，导致使用存在一定门槛。鉴于此，微众银行联合VMware一起开发了KubeFATE项目，致力于降低FATE的使用门槛和系统运维成本。本文将首先分析FATE的整体架构，帮助读者理解各部件的作用；然后将展示如何从一台Linux机器开始，通过KubeFATE一步一步来搭建联邦学习的实验环境。（这些全部都是官方的介绍大家稍微看一下就好）这篇博客详细记录了我如何按照官方文档在一台CentOS7的虚拟机上
分层联邦学习（HFL）在保留联邦学习（FL）隐私保护优势的同时，减轻了通信开销，具有高带宽和丰富计算资源的优点。当FL的工作人员或参数服务器不可信或恶意时，方法是使用分层联邦学习。1.Semi-AsynchronousHierarchicalFederatedLearningoverMobileEdgeNetworksIEEEAccessQIMEICHEN1,(Member,IEEE),ZEHUAYOU1,JINGWU1,YUNPENGLIU1,andHAOJIANG12022（端边云架构 先同步后异步 节点选择不是选择终端节点而是选择边缘节点 无区块链）半异步分层联邦学习（SAHFL）
近年来数据安全事件频发，数据安全威胁日益严峻。随着《中华人民共和国数据安全法》的颁布和实施，对企业合规安全地发挥数据价值提出了更高的要求。如何在保障数据安全的前提下发挥数据价值，平衡效率和风险，是当前面临的重要课题。本文探讨如何将区块链应用于边缘计算、隐私计算联邦学习的场景下的实现数据安全和发挥数据价值效率。什么是边缘计算边缘计算是一种分布式系统模型，它由终端设备、边缘服务器、中心服务器三层网络架构组成。由于边缘服务器位于终端设备和中心服务器之间，相比中心服务器更靠近终端设备，不仅能为终端设备提供更实时的响应，同时也有效减少了在数据传输时带来的通信开销。边缘计算目前已经广泛应用在车联网、无人驾
联邦学习论文阅读三：ChainFLSecureandEfficientFederatedLearningThroughLayeringandShardingBlockchain论文地址：https://arxiv.org/abs/2104.13130本篇文章以课程汇报PPT的形式进行展示，如需获取博主PPT评论区留言。文章目录联邦学习论文阅读三：ChainFL1.Introduction1.1问题来源1.2问题论述1.3本文贡献2.RELATEDWORKS3.OURPROPOSEDCHAINFLSYSTEM4.IMPLEMENTATION5.代码1.Introduction1.1问题来源区块链
联邦学习实战——构建公平的大数据交易市场前言1.大数据交易1.1数据交易定义1.2数据确权1.3数据定价2.基于联邦学习构建新一代大数据交易市场3.联邦学习激励机制助力数据交易4.FedCoin支付系统设计4.1PoSap共识算法4.2支付方案5.FedCoin的安全分析6.实例演示阅读总结前言FATE是微众银行开发的联邦学习平台，是全球首个工业级的联邦学习开源框架，在github上拥有近4000stars，可谓是相当有名气的，该平台为联邦学习提供了完整的生态和社区支持，为联邦学习初学者提供了很好的环境，否则利用python从零开发，那将会是一件非常痛苦的事情。本篇博客内容涉及《联邦学习实战》
背景什么是隐私讲差分隐私前，说一下什么是隐私其实隐私这个定义，各家有各家的说法，而且各人有各人不同的考量。目前普遍比较接受的是：“单个用户的某一些属性”可以被看做是隐私。这个说法里所强调的是：单个用户。也就是说，如果是一群用户的某一些属性，那么可以不看做隐私。举个例子：医院说，抽烟的人有更高的几率会得肺癌。这个不泄露任何隐私。但是如果医院说，张三因为抽烟，所以有了肺癌。那么这个就是隐私泄露了。好，那么进一步，虽然医院发布的是趋势，说抽烟的人更高几率得肺癌。然后大家都知道张三抽烟，那么是不是张三就会有肺癌呢？那么这算不算隐私泄露呢？结论是不算，因为张三不一定有肺癌，大家只是通过一个趋势猜测的。所
kubernetes联邦搭建(kubefed)混合云集群联邦（Federation）的目的是实现单一集群统一管理多个Kubernetes集群的机制，这些集群可能是跨地区（Region），也可能是在不同公有云供应商上，或者是公司内部自行建立的集群。一但集群进行联邦后，就可以利用FederationAPI资源来统一管理多个集群的KubernetesAPI资源，如定义Deployment如何部署到不同集群上，其集群所需的副本数等。通过集群联邦，我们可以：简化管理多个集群的Kubernetes组件，如Deployment,Service等在多个集群之间分散工作负载，以提升应用的可靠性跨集群的资源编排，
