49、客户端 - 服务器并发零知识与高效多方计算协议构建

客户端 - 服务器并发零知识与高效多方计算协议构建

1. 客户端 - 服务器并发零知识相关

1.1 计算隐藏性质推导

在模拟过程中,某些元素未在其他部分使用,根据承诺方案(Com)的计算隐藏性质可知,对于每个 (0 \leq \ell \leq \ell_{max}) 和 (0 \leq i \leq n_{\ell}),有 (H_{\ell,i + 1} \approx_c H’ {\ell,i})。整体而言,对于这些取值范围,(H {\ell,i} \approx_c H_{\ell,i + 1})。由于 (\ell \leq \ell_{max}) 为常数,(n_{\ell}) 是多项式,所以对于每个 (0 \leq \ell \leq \ell_{max}),有 (H_{\ell + 1} \approx_c H_{\ell}),并且 (H_{\ell_{max}} \approx_c H_0)。

1.2 降低负载参数

1.2.1 新服务器算法 Server′

为了考虑会话终止情况并相应降低新会话的负载参数,设计了新服务器算法 Server′。在描述该算法前,先引入一些符号:
- (t):新客户端发送会话启动消息时的开放会话数量。
- (\ell_i):第 (i) 个开放会话的负载参数((i \in [t]))。
- (t_i):与第 (i) 个会话并发且负载参数至多为 (i) 的会话总数((i \in [t]))。

如果将新会话的负载参数设为 (\ell),对于 (\ell_i \geq \ell) 的每个会话 (i),(t_i) 的值会增加 1。

根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的一些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)的一个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
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