IAGON 基於人工智慧的運算過程
就像人腦一樣，人工智慧和機器學習演算法都需要輸入資料來演繹推論。資料探勘是從大資料集發現模式的計算過程，有助於減少資料架構的大的數集，以便機器學習演算法能夠做出決策和推理。因此，隨著組織和公司用積累大資料集作為其日常運營的一部分，實際上在執行、供應商和客戶的的方方面面積累大資料集，他們尋求新方法來應用人工智慧和機器學習方法，從持續獲得的資料中總結出新的管理見地。
儘管如此，用於分析大量資料的人工智慧和機器學習工具需要大量的計算能力，這是一些公司普遍缺乏的，因此他們需要訂購商業雲服務並將敏感資料檔案上傳到其他公司的伺服器上。由於資料的機密性和商業價值，許多公司都會避免這樣做，因此不能從用先進的人工智慧方法分析資料庫的潛在價值中受益。
區塊鏈技術為處理、儲存和分發資料以及保持資料的一致性和完整性的用例提供了獨特且完全安全的解決方案，例如去中心化的處理過程。區塊鏈只是將資料區塊雜湊在一起，並使用之前的雜湊和當前的區塊進行連結，以保持整個鏈條的一致性（Vijayan，2017）。區塊鏈使用 SHA 256 演算法建立雜湊。雜湊的獨特性使得它的資源密集型化從而 難以破解，因為當今SHA256 雜湊只能透過擁有強大的計算能力的暴風演算法（Brute force)才能打破，但是暴風演算法迄今還未在商業硬體市場上使用（Vijayan，2017）。
地外文明研究所（SETI）透過其 BOINC 計劃（Estrada et al.,2009）介紹了大資料集的分散式資料探勘。引入“比特幣”和工作機制證明創立了一種框架，這種框架能激勵資料探勘工投入工作和精力來完成一系列透過去中心化的網路進行的從運算擴充套件到資料處理的過程（Nakamoto, 2008）。
透過去中心化的網路提供安全儲存，有很多這樣的專案正在進行中。去中心化的儲存網路被定義為雲平臺，其中節點將資料或檔案的一部分或整個資料鏈儲存在區塊鏈中。其中比較知名的如 FileCoin，IPFS，SiaCoin，Storj，NextCloud 和 NEM’s Mijin 專案 （詳見例如 Protocol Labs, 2017）。去中心化的網路的可靠性和隱私性是一個主要問題。如果主機節點遇到硬體崩潰或某些節點上有蓄意配置的檔案，目的是為了駭客攻擊檔案接收者（一種常見的瘟疫種子），則大多數去中心化的網路都無法恢復丟失的資料。
IAGON 不僅為去中心化的網路提供服務，還與當前的資料儲存裝置（如結構化查詢語言（SQL）和非關係型資料庫（NoSQL 資料庫））一起運作。IAGON 採用的方法獨特之處在於，IAGON 採用的是機器學習演算法，透過去中心化的網路分配工作量進行處理，然後加密/解密流經其系統的資料。
有許多 IAGON 可以服務的用例。IAGON 可以透過中心化的、群集式的或去中心化的網路提供安全儲存，在資料探勘工人網路上分配資料處理的量進行資料分析，這種方式為透過區塊鏈建立智慧合同提供安全解決方案，或者用於識別系統中的誠信節點和攻擊性節點。
IAGON 的多重區塊鏈支援
使用者和礦工在選擇提供和消費去中心化的雲服務時，IAGON 致力於為他們提供完全靈活的和自由的選擇權。因此，IAGON 將提供多重區塊鏈解決方案。在以太坊區塊鏈和纏結上執行其雲端儲存和處理操作。
使用者和礦工可以選擇以太坊或纏結來完全安全地儲存他們的檔案，處理計算任務，為雲服務支付或收取 IAGON 代幣，主要為了接觸到市場突出和先進的技術而從中收益。
IAGON 的“安全湖”技術
大資料市場的特點是大型公司最近採用了資料湖架構，例如基於 Hadoop 框架的資訊系統。資料湖架構基於 NoSQL 中心資料庫（如 MongoDB、HBase 或 Cassandra）的實施，在這個中心資料庫上可以儲存和檢索任何型別的檔案。對公司自己的那些不取決於內容和檔案型別的資訊和資料檔案，公司可以將其定義一箇中心儲存庫，併為所有在中小型企業、中型公司或大型企業管理的檔案提供使用者操作簡便且可訪問的來源。
儘管如此，資料湖體系結構表明，一旦駭客入侵，入侵者可以在資料庫系統中“游泳”，探索檔案並獲取一些寶貴資料，這些資料描述了被駭客攻擊的組織運營的方方面面。IAGON 的“安全湖”技術在加密、分割和分發資料湖檔案方面的主要用途之一是“冷凍”湖泊，即透過加密和去中心化檔案的方式禁止任何一方在獲得訪問權後在資料湖中導航它（下圖）。
對任何組織的資料湖進行駭客攻擊，無論是透過使用和出售供應商和商業敏感資料的方式在網上釋出客戶的私人資訊，還是交易商業秘密、內部通訊和數字產品（如原始碼和新產品設計），都可能導致無限數量的安全、隱私和財務風險。
網上釋出了大資料和資料湖基礎架構資料庫的漏洞以及駭客入侵的可能性，主要是警告組織機構針對因使用這些平臺而可能出現的安全漏洞進行防範。
近年來的幾個例子說明了駭客攻擊他們的 IT 系統和資料庫對組織（以及他們的客戶和供應商）造成的廣泛威脅和風險：
2017 年 1 月，Camarda（2017）報告說：“對 Hadoop 的攻擊是在對 MongoDB，ElasticSearch 和 Apache CouchDB 進行持續攻擊之後發生的。在某些情況下，犯罪分子已經知道要克隆和抹掉資料庫，並持有原有資料庫要求兌換贖金。在其他攻擊中，他們只是刪除資料庫而不要求付款。
在同一時期，Constantin（2017）報告說：“勒索軟體組可以從數千個 MongoDB 資料庫和 Elasticsearch 叢集中抹除資料，這些勒索軟體開始瞄準其他資料儲存技術，這只是一個時間問題......到目前為止，已經有 126 個 Hadoop 的用例被抹掉。受害者數量可能會增加，因為從網際網路上可以訪問到數千個 Hadoop 這樣的部署，儘管很難確定受攻擊的容易程度。對 MongoDB 和 Elasticsearch 的攻擊也遵循類似的模式。MongoDB受害者的數量在幾小時內從幾百上升到了幾千，並在一週內增加到了數萬人。最新的統計資料顯示，被抹去的 MongoDB 資料庫的數量已經超過了 34000 個，而被刪除的Elasticsearch 叢集的數量已經超過了 4600 個。”
Cliburn（2017）指出，攻擊者在基於 Hadoop 的系統上的行為“可能包括在數秒內破壞資料節點、資料卷或使用 TB 位元組的資料快照。”
早期的報告解釋瞭如何破解 Hadoop 系統並利用其漏洞破壞和複製大量資料（參見例子 Gothard，2015）。鑑於已暴露的漏洞的性質，以及尚未被攻擊者利用但可能存在於系統中的漏洞的性質，以及許多組織中缺乏運營網路安全審計的政策，如果它們採用這些入侵技術，資料庫一般都會暴露給第三方。這對任何組織來說結果都可能是災難性的，對其運營將產生巨大影響。舉例來說，據報道，Equifax2017 年 9 月被駭客攻擊，暴露了 1.43 億客戶的個人資料，導致 Equifax 的市場價值大幅下降 19％。
IAGON 的“安全湖”基於區塊鏈不可破解的加密技術，基於對原始檔案的小型切片、匿名切片和高度加密切片進行檔案分割和儲存，確保這些資料檔案、其他型別檔案（如掃描件、照片和影片）以及任何大小的資料庫受到完全保護，並確保任何儲存檔案的快速檢索和更新。除了安全地上傳檔案並使用密碼（金鑰）檢索和加密檔案的使用者之外，沒有人能夠讀取小檔案切片的內容，對其進行加密、刪除、更改、檢索、識別其來源，甚至也不能與其他來源於
原始上傳的檔案生成的檔案切片相關聯。IAGON 的技術確保即使資訊系統以任何方式遭到破壞，他們所使用的資料和檔案也無法以任何方式被訪問、刪除或修改。
IAGON 的智慧計算網格平臺和人工智慧追蹤技術
對於處理能力的需求明顯增加，一個很好的例子就是 NVIDIA 系統的銷售不斷增長，因為NVIDIA 系統能完成機器學習和深度學習以及其他需要大量計算和處理功能的高階人工智慧操作。基於人工智慧的創新需要大容量的處理能力（主要由具有大容量的 CPU 和 GPU 伺服器的電池提供），該技術領域包括人臉識別、影片處理、語音分析、文字分析、模式識別，運用在大型資料庫、數字文件儲存庫、無人駕駛、基於物聯網的決策支援系統和其他方面。人工智慧技術和應用程式預計將呈指數型增長，因此也帶動了對處理能力的需求，以支援研究和日常運作。
IAGON 的智慧計算網格相當於其他任何電網（如太陽能發電）：
它將多個生產商連線到客戶
智慧計算網格滿足對必要資源的需求
它將未使用的資源傳輸給有需求的使用者（對 CPU 和 GPU 處理能力和儲存空間的需求），以及
它有利於礦工在他們的伺服器和計算機不使用時向網格提供處理能力和儲存空間，這個過程不需要礦工做出什麼努力。
智慧計算網格基於先進的人工智慧元件，包括 100 多種機器學習演算法、方法和技術，這些演算法、方法和技術整合在一起形成我們的人工智慧追蹤系統。 人工智慧追蹤系統是 IAGON 智慧計算網格背後的“大腦”。它將加密的檔案切片最佳化分配給礦工閒置的儲存空間，將計算任務最佳化分配給礦工閒置的（在空閒的時候）CPUs 和 GPUs，這構成了智慧計算網格。
人工智慧追蹤是一個動態學習系統，不斷分析過去的和當前的資料流，這些資料流能反映礦工儲存空間和處理能力的可用性。人工智慧追蹤執行的任務包括：最佳化分配和傳輸加密檔案切片到指定儲存空間；分配處理任務以實現網格的快速和最佳效能；以及識別應該被封閉並從網格中移除的惡意節點；隨時不斷微調網格的屬性以最佳化其效能（見下圖 ）。
個案研究
IAGON 計劃將去中心化概念引入主流企業和消費者市場。為了實現這一目標，IAGON 最初的設計和構建都是為了無縫整合到現有的 IT 基礎架構中，不需要再部署昂貴的資源。
上圖提供了 IAGON 在私鏈和公鏈網路中的概況。它使用分層技術使得資料安全地儲存在私鏈和公鏈之中。運用機器學習演算法和加密/解密協議，IAGON 能夠提供跨平臺儲存資料的安全方法。
IAGON 的開放源平臺的架構可以分為三個獨特的部分。這些部分是機器學習演算法、以及礦工和加密/解密協議。當向 IAGON 傳送請求時，機器學習演算法將資料塊傳送給礦工進行處理並找到匹配的簽名。然後將這些資料塊傳送回到區塊鏈中驗證，同時機器學習演算法將這些資料的輸出用於識別節點。如果不處理多個區塊中的資料將無法識別節點，也無法識別資料關聯性，因此為使用 IAGON 平臺的使用者提供一定程度的匿名性和隱私性。個人礦工除非能夠訪問足夠多的區塊，否則就無法識別某個請求或節點。區塊利用方差證明均勻地分佈給礦工，並且不會將任何資料儲存在其本地系統中。這保證了資料的匿名處理，除了透過機器學習演算法以外，不能單獨識別任何單個節點。另外，礦工們被激勵快速處理資料以獲得獎勵，因此對於礦工為了儲存和處理資料而實際花費的時間、精力和金錢而言，這種模式並不理想。
區塊鏈將資料分解成區塊並透過節點傳送。雜湊演算法利用 SHA256 並將每個區塊與其之前的雜湊打亂以建立一個鏈。當從單個節點接收到資料時，資料輸出將與其相應區塊的雜湊相匹配，並根據其標頭進行驗證，以確定輸出資料是否有效。這種處理方式為分散式處理提供了一種獨特的方法，因為它為正在處理的資料提供了一層完整性，這種處理方式也提供了一種獨特方法來確定輸出是否以任何方式被放緩。假設任一礦工無論以何種方式操縱了資料，返回的區塊將被拒絕，並且該區塊將被髮送到不同的節點進行重新處理。礦工們根據他們處理的次數獲得獎勵——簡而言之，他們處理的資料越多，獎勵就越大。
強化學習
AGON 是一個人工智慧系統，可以隨時學習。為了達到這個目標，IAGON 透過一種被稱為強化學習的方法來學習。強化學習用來處理動態環境的決策制定的科學。這意味著IAGON 透過了一個積極的學習過程，以最佳化其決策過程以確定行動方針。這為 IAGON如何處理其投入創造了無與倫比的範例。使用基於概率論的稱為馬爾剋夫（Markov）決策過程的方法，IAGON 試圖確定採用一種最佳化的獎勵系統形式，該系統即興地採取行動以最大化其獎勵系統效能。
如圖所示，強化學習是科學中的各種範例的交集：
馬爾可夫決策過程(Markov Decision Process)可以用下面的演算法來描述：
•S，一組世界的狀態
•A，一組行動
•R， 從狀態和行動中的預期回報
•T，行動轉移的預期回報
•用來描述觀察智慧體（Agent）的規則
最終目標是挑選能使將來回報最大化的行為。
馬爾可夫(Markov)狀態在他的方法中是獨一無二的，因為它以現在為出發點，將未來的決策獨立於過去狀態 （David Silver）。這是由資訊狀態（也稱馬爾可夫狀態）來表示的，當且僅當：
資訊狀態證明，如果一個系統的現狀是已知的，那麼不需要考慮歷史行為，因為未來的結果將獨立於歷史狀態。
資料探勘
IAGON 採用非常不同的資料探勘方法。IAGON 透過在 API 網路上使用私鏈，結合公共網路協議實現資料探勘。礦工不需要儲存任何資料以便挖掘，礦工的唯一職責就是誠實地處理資料並將其輸出傳送回 IAGON 的機器供學習演算法進行分析。
在 IAGON 平臺上的資料探勘不需要執行復雜的演算法來求解方程。相反，IAGON 使用去中心化的計算網路來分配任務量並提高大眾資料處理任務的速度。使用方差證明的方法將區塊任務分配給礦工。礦工需要匹配來自資料輸入的資料簽名，並在區塊中找到其對應的資料物件並以資料輸出的方式發回。礦工不需要儲存它處理的任何資料，並且一旦資料被驗證屬於特定的區塊，礦工就被認為已經開採了該區塊。礦工根據其開採的資料點數獲得獎勵，如果區塊內沒有資料，礦工將不會收到任何獎勵。這將激勵礦工完成整個區塊的開採並增加他們開採的區塊數量。直到成功獲得第一個資料輸出，否則激勵機制不鼓勵礦工僅僅開採一個區塊，因為與網路連線的限速證明這樣的做法是不划算的，因此礦工將被鼓勵為他們自己的利益而完全挖掘整個區塊以找到所有可能的與資料輸入相匹配的資料點。
區塊鏈
IAGON 利用區塊鏈技術在 IAGON 分散式資料探勘演算法中保持節點的誠信度。區塊鏈使用以前區塊的 SHA256 演算法來保持該鏈與歷史狀態（在這種情況下的資料）相關聯。這使得 IAGON能夠激勵其平臺上的礦工真誠地處理資料並防止資料輸出的故意操縱。使用區塊鏈，IAGON的機器學習演算法可以快速識別從區塊中挖掘的資料輸出是否是該區塊的有效部分。這可以在一個簡單的區塊鏈框架內實現，類似於“比特幣”使用的區塊鏈，透過用前一個區塊的雜湊對輸入進行打散。創世塊是在私鏈內部建立的。區塊鏈為去中心化的網路之間跨網路共享資料提供了獨特的方法。資料可以透過節點網路進行儲存、處理和驗證，也可以在內部設施內進行儲存和驗證，其中處理外包給去中心化的節點網路。區塊鏈保持了整個資料結構的一致性。
區塊鏈保持私密的主要原因之一是在數量、品種和速度方面與市場上的大資料資料庫競爭。私鏈的研究、開發和設施成本由 IAGON 的團隊承擔，費用是來自各利益相關方的投入，反對進行重大改變以改進系統之前讓多方達成足夠大的共識。為了跟上私鏈中的大量讀寫操作，IAGON 未來可能會推出多個私有區塊鏈，以減少單點故障的可能性，單點故障可能會用無人操控的結構使整個系統都崩潰。
纏結技術
IAGON 將擴大其業務範圍，以支援在纏結平臺上使用其智慧計算網格和“安全湖”技術，以及在一臺坊區塊鏈上操作它們。纏結技術基於有向非迴圈圖（DAG）的應用。
在數學上，纏結在有向無環圖（DAG）的空間上生成隨機過程，該過程根據泊松時鐘將新頂點附加到圖上而及時“增長”。至今為止，沒有頂點（邊）被刪除過。當該時鐘向系統發出訊號時，會出現一個新的頂點將自身關聯到一定位置，這個位置是在先前的狀態圖根據隨機遊走選定的（Popovetal, 2017）。
纏結技術的應用有助於解決與區塊鏈技術在大規模運營中實施相關的一些問題，包括難以擴充套件區塊鏈，當新區塊不斷增加時對區塊的有效性達成共識。透過應用纏結技術，IAGON 可為擁有大資料儲存庫的企業提供備選解決方案，以支援這些企業大規模的處理和儲存管理任務。
採礦演算法
AGON 不像其他使用區塊鏈的加密貨幣那樣。它的使用案例採用更傳統的方法來處理資料，因此使用 POW（工作量證明）或 POS（權益證明）機制來獎勵特定礦工發現特定區塊並不是一個可行的解決方案。因此，IAGON 使用自己的機制來確定礦工的貢獻和處理速度，這種方法被稱為方差證明。方差證明根據礦工對礦池的貢獻對每個礦工進行分類。同一個礦池內的礦工們互相競爭。來自較低階別礦池的礦工會因為幾個因素升級或降級，但兩個主要因素是速度和礦工能夠找到的資料量。方差證明使用代數理論和概率函式的組合來計算礦工的貢獻以及礦工可以歸入哪個礦池。這使得新礦工能夠從挖掘資料中獲利，並以指數形式增加他們的加工資產，而礦工們投資更多的資產可以立即獲得投資回報。概率論利用離散函式、連續函式和隨著時間推移挖掘變化的結果。
區塊成像：區塊成像是將區塊鏈的某個子整合像或複製為隨機分佈在節點上的方法。傳送到節點的區塊的影象將意味著區塊鏈不會經歷任何排列並保持不變。理論上，隨機選擇的區塊被分支並分配給節點進行處理。成像演算法是一種適合的方法，可透過使用分散式節點來擴充套件從而解決任意大的問題。為了建立區塊成像演算法，我們假定區塊是可分離的：
假設變數 A 作為一個區塊：
如果，被當作區塊行索引和區塊列索引時，函式可以表示為：
因此，一旦所有子向量的大小為 0 時，它們是完全可分的。完全可分的區塊對分割槽沒有限制，最終目標是允許每個區塊由單獨的程序來處理，並且不涉及程序間區塊矩陣的傳輸 (Parikh and Boyd, 2012)。
二項分佈: 為了確定集合內區塊的分佈（區塊被假定包括 0 作為創世塊），對於自然數 n 和 k，其中 n≥k≥0，二項式係數被排列成 n 個連續值的行，並且 K 的取值範圍為 0≤k≤n。由於區塊是用自然數定義的，並且可以定義為擴張中單項式的係數。該係數允許使用二項式定理來縮放資料塊分佈：
求解哪裡是非負整數提供了 k 組合的數量(Molenaar, 1970; Fog, 2008)。
隨著區塊數量的增長，該方法考慮到可擴充套件性，並且一旦獲得足夠的區塊的量，依賴性演算法不再需要從整個區塊鏈中解析資料。
連續時間：鑑於時間維度呈線性增長，IAGON 使用一種稱為連續時間的特定數學動態作為執行其計算的框架。連續時間解釋了在處理連續模擬時的潛在限制，這種潛在限制在使用離散時間模型時也存在。
方差證明：IAGON 使用概率密度函式來確定資料分佈和礦工分類。它利用連續隨機變數的函式，在樣本空間中任何給定點的值被定義為礦工在 n 個區塊內找到資料輸出的相對可能性。區塊以這種方式分配給整個系統中的礦工，一般而言，可能性較高的礦工能以較高的速度處理資料。由於函式隨時間變化使用連續變數，因此它可以根據效能對礦工進行分類，而不是透過彩票系統或在特定系統中擁有股份。
由於區塊是連續生成的，處理過程是非同步進行的，所以概率函式的使用允許一個更公平的礦工獎勵系統，這個系統是基於礦工所參與的組別。方差證明允許新礦工隨著時間的推移提高他們的計算能力，而具有更高的計算能力和連線速度的現有礦工可以獲得與其貢獻成正比的獎勵。
解決方案協議
像所有自治系統一樣，在處理異常時總是需要某種形式的人工干預。解決方案協議在處理異常時有一套規則，以自動解決或透過對請求進行 sandbox 處理並允許手動干預來解決衝突從而執行進一步處理。
加密/解密
加密/解密協議用於內部儲存的資料。儲存在 IAGON 平臺內的所有資料都會在一定程度上進行加密，以便在發生違規時保護資料。IAGON 有多種選項可以在其平臺上儲存資料，包括符合法規要求的 SQL、NoSQL、私鏈和其他第三方儲存提供商。IAGON 的核心是使用 AES-256 來加密和解密資料。AES-256 是 NIST（美國國家標準與技術研究所）推薦的加密標準，採用對稱金鑰演算法。
關於更多Iagon資訊：
更多區塊鏈專案介紹：http://www.qukuaiwang.com.cn/news/xiangmu
風險提示：區塊鏈投資具有極大的風險，專案披露可能不完整或有欺騙。請在嘗試投資前確定自己承受以上風險的能力。本網站只做專案介紹，專案真假和價值並未做任何稽覈。
