区块链应用

Iagon(IAG)基于区块链技术的分散式云服务

字号+ Iagon 来源:区块网 2018-06-08 09:00 收藏成功收藏本文

IAGON 是一个通过去中心化的区块链和缠结网格来利用多个智能设备的存储容量和处理能力的平台。IAGON 利用并支持存储大数据文件和存储库,以及更小规模的文件,并执行复杂的计算过程, 如人工智能和机器学习操作所需的过程,IAGON 是一个完全安全的和加密的平台,它整合了区块链、加密技术和人工智能技术为一体,用户十分容易掌握。
云服务市场的规模大约为每年 450 亿美元,为公司提供存储能力和计算机处理能力,并且这个规模在稳步增长。该市场主要由四大供应商主宰:亚马逊网络服务(AWS),谷歌云(Google Cloud),微软(Microsoft)和国际商业机器公司(IBM),均利用中心化的和不太可信的存储和计算设备。由于其寡头垄断优势,这四家提供商的云服务设定了高定价水平。由于其业务范围广泛,并对数据中心、服务器、储存设备的大量投资,这些提供商也有能力阻碍任何竞争,也有能力阻止市场新进入者与他们竞争。
然而有趣的是,由于商业和计算领域的两大趋势:大数据和人工智能(AI),在不久的将来,对计算处理能力和存储的需求预计将来会急剧增加。大数据是对从外部来源或内部来源(如公司的 IT 系统、社交网络、传感器等)获得的大量信息进行收集、管理和存储。公司的数据管理也带动了公司对于运营、客户和竞争对手相关数据的收集和储存,是否有必要对数据进行分析是不言而喻的。另一个主要趋势是人工智能方法的出现,该方法从过去的操作中“学习”数据,找到模式和业务规则,并预测未来的行为。基于人工智能的处理过程会消耗 CPU 和 GPU进程中大量的计算量,并且消耗的显著的处理能力。随着人工智能应用在新领域的引入和广泛采用多渠道(如传感器、社交网络、数据提供商等)的数据收集方式以及之后的更广泛应用,存储和处理能力的需求将呈指数增长。
IAGON 的主要目标是通过提供去中心化的存储和处理网格来彻底改变云和网络服务市场。通过加入一些服务器和私人电脑中未使用的存储容量及其处理能力,我们可以创建一个超级计算机和超级数据中心,可以与任何当前的云计算巨头竞争。

IAGON 基于人工智能的运算过程

就像人脑一样,人工智能和机器学习算法都需要输入数据来演绎推论。数据挖掘是从大数据集发现模式的计算过程,有助于减少数据架构的大的数集,以便机器学习算法能够做出决策和推理。因此,随着组织和公司用积累大数据集作为其日常运营的一部分,实际上在执行、供应商和客户的的方方面面积累大数据集,他们寻求新方法来应用人工智能和机器学习方法,从持续获得的数据中总结出新的管理见地。

尽管如此,用于分析大量数据的人工智能和机器学习工具需要大量的计算能力,这是一些公司普遍缺乏的,因此他们需要订购商业云服务并将敏感数据文件上传到其他公司的服务器上。由于数据的机密性和商业价值,许多公司都会避免这样做,因此不能从用先进的人工智能方法分析数据库的潜在价值中受益。

区块链技术为处理、存储和分发数据以及保持数据的一致性和完整性的用例提供了独特且完全安全的解决方案,例如去中心化的处理过程。区块链只是将数据区块散列在一起,并使用之前的散列和当前的区块进行链接,以保持整个链条的一致性(Vijayan,2017)。区块链使用 SHA 256 算法创建散列。散列的独特性使得它的资源密集型化从而 难以破解,因为当今SHA256 散列只能通过拥有强大的计算能力的暴风算法(Brute force)才能打破,但是暴风算法迄今还未在商业硬件市场上使用(Vijayan,2017)。

地外文明研究所(SETI)通过其 BOINC 计划(Estrada et al.,2009)介绍了大数据集的分布式数据挖掘。引入“比特币”和工作机制证明创立了一种框架,这种框架能激励数据挖掘工投入工作和精力来完成一系列通过去中心化的网络进行的从运算扩展到数据处理的过程(Nakamoto, 2008)。

通过去中心化的网络提供安全存储,有很多这样的项目正在进行中。去中心化的存储网络被定义为云平台,其中节点将数据或文件的一部分或整个数据链存储在区块链中。其中比较知名的如 FileCoin,IPFS,SiaCoin,Storj,NextCloud 和 NEM’s Mijin 项目 (详见例如 Protocol Labs, 2017)。去中心化的网络的可靠性和隐私性是一个主要问题。如果主机节点遇到硬件崩溃或某些节点上有蓄意配置的文件,目的是为了黑客攻击文件接收者(一种常见的瘟疫种子),则大多数去中心化的网络都无法恢复丢失的数据。

IAGON 不仅为去中心化的网络提供服务,还与当前的数据存储设备(如结构化查询语言(SQL)和非关系型数据库(NoSQL 数据库))一起运作。IAGON 采用的方法独特之处在于,IAGON 采用的是机器学习算法,通过去中心化的网络分配工作量进行处理,然后加密/解密流经其系统的数据。

有许多 IAGON 可以服务的用例。IAGON 可以通过中心化的、群集式的或去中心化的网络提供安全存储,在数据挖掘工人网络上分配数据处理的量进行数据分析,这种方式为通过区块链创建智能合同提供安全解决方案,或者用于识别系统中的诚信节点和攻击性节点。

IAGON 的多重区块链支持

用户和矿工在选择提供和消费去中心化的云服务时,IAGON 致力于为他们提供完全灵活的和自由的选择权。因此,IAGON 将提供多重区块链解决方案。在以太坊区块链和缠结上运行其云存储和处理操作。

用户和矿工可以选择以太坊或缠结来完全安全地存储他们的文件,处理计算任务,为云服务支付或收取 IAGON 代币,主要为了接触到市场突出和先进的技术而从中收益。

IAGON 的“安全湖”技术

大数据市场的特点是大型公司最近采用了数据湖架构,例如基于 Hadoop 框架的信息系统。数据湖架构基于 NoSQL 中心数据库(如 MongoDB、HBase 或 Cassandra)的实施,在这个中心数据库上可以存储和检索任何类型的文件。对公司自己的那些不取决于内容和文件类型的信息和数据文件,公司可以将其定义一个中心存储库,并为所有在中小型企业、中型公司或大型企业管理的文件提供用户操作简便且可访问的来源。

尽管如此,数据湖体系结构表明,一旦黑客入侵,入侵者可以在数据库系统中“游泳”,探索文件并获取一些宝贵数据,这些数据描述了被黑客攻击的组织运营的方方面面。IAGON 的“安全湖”技术在加密、分割和分发数据湖文件方面的主要用途之一是“冷冻”湖泊,即通过加密和去中心化文件的方式禁止任何一方在获得访问权后在数据湖中导航它(下图)。

对任何组织的数据湖进行黑客攻击,无论是通过使用和出售供应商和商业敏感数据的方式在网上发布客户的私人信息,还是交易商业秘密、内部通信和数字产品(如源代码和新产品设计),都可能导致无限数量的安全、隐私和财务风险。

网上发布了大数据和数据湖基础架构数据库的漏洞以及黑客入侵的可能性,主要是警告组织机构针对因使用这些平台而可能出现的安全漏洞进行防范。

近年来的几个例子说明了黑客攻击他们的 IT 系统和数据库对组织(以及他们的客户和供应商)造成的广泛威胁和风险:

 2017 年 1 月,Camarda(2017)报告说:“对 Hadoop 的攻击是在对 MongoDB,ElasticSearch 和 Apache CouchDB 进行持续攻击之后发生的。在某些情况下,犯罪分子已经知道要克隆和抹掉数据库,并持有原有数据库要求兑换赎金。在其他攻击中,他们只是删除数据库而不要求付款。

 在同一时期,Constantin(2017)报告说:“勒索软件组可以从数千个 MongoDB 数据库和 Elasticsearch 集群中抹除数据,这些勒索软件开始瞄准其他数据存储技术,这只是一个时间问题......到目前为止,已经有 126 个 Hadoop 的用例被抹掉。受害者数量可能会增加,因为从互联网上可以访问到数千个 Hadoop 这样的部署,尽管很难确定受攻击的容易程度。对 MongoDB 和 Elasticsearch 的攻击也遵循类似的模式。MongoDB受害者的数量在几小时内从几百上升到了几千,并在一周内增加到了数万人。最新的统计数据显示,被抹去的 MongoDB 数据库的数量已经超过了 34000 个,而被删除的Elasticsearch 集群的数量已经超过了 4600 个。”

 Cliburn(2017)指出,攻击者在基于 Hadoop 的系统上的行为“可能包括在数秒内破坏数据节点、数据卷或使用 TB 字节的数据快照。”

 早期的报告解释了如何破解 Hadoop 系统并利用其漏洞破坏和复制大量数据(参见例子 Gothard,2015)。鉴于已暴露的漏洞的性质,以及尚未被攻击者利用但可能存在于系统中的漏洞的性质,以及许多组织中缺乏运营网络安全审计的政策,如果它们采用这些入侵技术,数据库一般都会暴露给第三方。这对任何组织来说结果都可能是灾难性的,对其运营将产生巨大影响。举例来说,据报道,Equifax2017 年 9 月被黑客攻击,暴露了 1.43 亿客户的个人数据,导致 Equifax 的市场价值大幅下降 19%。

IAGON 的“安全湖”基于区块链不可破解的加密技术,基于对原始文件的小型切片、匿名切片和高度加密切片进行文件分割和存储,确保这些数据文件、其他类型文件(如扫描件、照片和视频)以及任何大小的数据库受到完全保护,并确保任何存储文件的快速检索和更新。除了安全地上传文件并使用密码(密钥)检索和加密文件的用户之外,没有人能够读取小文件切片的内容,对其进行加密、删除、更改、检索、识别其来源,甚至也不能与其他来源于
原始上传的文件生成的文件切片相关联。IAGON 的技术确保即使信息系统以任何方式遭到破坏,他们所使用的数据和文件也无法以任何方式被访问、删除或修改。

IAGON 的智能计算网格平台和人工智能追踪技术

对于处理能力的需求明显增加,一个很好的例子就是 NVIDIA 系统的销售不断增长,因为NVIDIA 系统能完成机器学习和深度学习以及其他需要大量计算和处理功能的高级人工智能操作。基于人工智能的创新需要大容量的处理能力(主要由具有大容量的 CPU 和 GPU 服务器的电池提供),该技术领域包括人脸识别、视频处理、语音分析、文本分析、模式识别,运用在大型数据库、数字文档储存库、无人驾驶、基于物联网的决策支持系统和其他方面。人工智能技术和应用程序预计将呈指数型增长,因此也带动了对处理能力的需求,以支持研究和日常运作。

IAGON 的智能计算网格相当于其他任何电网(如太阳能发电):

 它将多个生产商连接到客户
 智能计算网格满足对必要资源的需求
 它将未使用的资源传输给有需求的用户(对 CPU 和 GPU 处理能力和存储空间的需求),以及
 它有利于矿工在他们的服务器和计算机不使用时向网格提供处理能力和存储空间,这个过程不需要矿工做出什么努力。

智能计算网格基于先进的人工智能组件,包括 100 多种机器学习算法、方法和技术,这些算法、方法和技术集成在一起形成我们的人工智能追踪系统。 人工智能追踪系统是 IAGON 智能计算网格背后的“大脑”。它将加密的文件切片优化分配给矿工闲置的存储空间,将计算任务优化分配给矿工闲置的(在空闲的时候)CPUs 和 GPUs,这构成了智能计算网格。

人工智能追踪是一个动态学习系统,不断分析过去的和当前的数据流,这些数据流能反映矿工存储空间和处理能力的可用性。人工智能追踪执行的任务包括:优化分配和传输加密文件切片到指定存储空间;分配处理任务以实现网格的快速和最佳性能;以及识别应该被封闭并从网格中移除的恶意节点;随时不断微调网格的属性以优化其性能(见下图 )。

个案研究

IAGON 计划将去中心化概念引入主流企业和消费者市场。为了实现这一目标,IAGON 最初的设计和构建都是为了无缝集成到现有的 IT 基础架构中,不需要再部署昂贵的资源。

IAGON 采用典型的服务器数据库架构和前端后端架构

上图是用图形展示了 IAGON 作为服务器-数据库和前端后端之间的中间件,用于现有的 IT基础架构。IAGON 可以使用目前常用的 SQL 和 NoSQL 数据库结构,无需昂贵的迁移过程或专门的资源来实施和部署。IAGON 提供了一个安全层,因为它识别特定数字指纹,该指纹与通过服务器的请求相关联,以确定请求是否是诚信节点。

IAGON 在公链和私链上的结构

上图提供了 IAGON 在私链和公链网络中的概况。它使用分层技术使得数据安全地存储在私链和公链之中。运用机器学习算法和加密/解密协议,IAGON 能够提供跨平台存储数据的安全方法。

IAGON 可以的设定是不仅作为一个安全的平台与现有的区块链相结合,还可以利用其数据挖掘功能来处理数据。IAGON 通过去中心化的网络分配处理的量进行扩容或减小容量,并安全地将数据存储在不同的去中心化的平台上。这是通过 IAGON 机器学习算法完成的,该算法可以根据需要进行的任务分配数据。IAGON 使用既有监督的也有无监督机器学习方法(被称为半监督式学习),通过去中心化的网络处理和分配数据。
构架

IAGON 的开放源平台的架构可以分为三个独特的部分。这些部分是机器学习算法、区块链以及矿工和加密/解密协议。当向 IAGON 发送请求时,机器学习算法将数据块发送给矿工进行处理并找到匹配的签名。然后将这些数据块发送回到区块链中验证,同时机器学习算法将这些数据的输出用于识别节点。如果不处理多个区块中的数据将无法识别节点,也无法识别数据关联性,因此为使用 IAGON 平台的用户提供一定程度的匿名性和隐私性。个人矿工除非能够访问足够多的区块,否则就无法识别某个请求或节点。区块利用方差证明均匀地分布给矿工,并且不会将任何数据存储在其本地系统中。这保证了数据的匿名处理,除了通过机器学习算法以外,不能单独识别任何单个节点。另外,矿工们被激励快速处理数据以获得奖励,因此对于矿工为了储存和处理数据而实际花费的时间、精力和金钱而言,这种模式并不理想。

区块链将数据分解成区块并通过节点发送。散列算法利用 SHA256 并将每个区块与其之前的散列打乱以创建一个链。当从单个节点接收到数据时,数据输出将与其相应区块的散列相匹配,并根据其标头进行验证,以确定输出数据是否有效。这种处理方式为分布式处理提供了一种独特的方法,因为它为正在处理的数据提供了一层完整性,这种处理方式也提供了一种独特方法来确定输出是否以任何方式被放缓。假设任一矿工无论以何种方式操纵了数据,返回的区块将被拒绝,并且该区块将被发送到不同的节点进行重新处理。矿工们根据他们处理的次数获得奖励——简而言之,他们处理的数据越多,奖励就越大。

加密和解密协议允许数据安全储存在任何外部或内部平台中。这为去中心化提供了一种独特的方法,因为任何具有 API 接口的外部平台都可以简单地连接到 IAGON 的平台来利用 IAGON 的服务。IAGON 独一无二的原因是,IAGON 能够与当前数据库架构(包括 SQL、NoSQL、大数据数据库、私链、hyperledger 或任何公链或去中心化的网络)无缝连接。

强化学习

AGON 是一个人工智能系统,可以随时学习。为了达到这个目标,IAGON 通过一种被称为强化学习的方法来学习。强化学习用来处理动态环境的决策制定的科学。这意味着IAGON 通过了一个积极的学习过程,以优化其决策过程以确定行动方针。这为 IAGON如何处理其投入创造了无与伦比的范例。使用基于概率论的称为马尔克夫(Markov)决策过程的方法,IAGON 试图确定采用一种优化的奖励系统形式,该系统即兴地采取行动以最大化其奖励系统性能。
如图所示,强化学习是科学中的各种范例的交集:

马尔可夫决策过程(Markov Decision Process)可以用下面的算法来描述:
•S,一组世界的状态
•A,一组行动
•R, 从状态和行动中的预期回报
•T,行动转移的预期回报
•用来描述观察智能体(Agent)的规则

最终目标是挑选能使将来回报最大化的行为。
马尔可夫(Markov)状态在他的方法中是独一无二的,因为它以现在为出发点,将未来的决策独立于过去状态 (David Silver)。这是由信息状态(也称马尔可夫状态)来表示的,当且仅当:

信息状态证明,如果一个系统的现状是已知的,那么不需要考虑历史行为,因为未来的结果将独立于历史状态。

数据挖掘

IAGON 采用非常不同的数据挖掘方法。IAGON 通过在 API 网络上使用私链,结合公共网络协议实现数据挖掘。矿工不需要存储任何数据以便挖掘,矿工的唯一职责就是诚实地处理数据并将其输出发送回 IAGON 的机器供学习算法进行分析。

IAGON 平台上的数据流挖掘

在 IAGON 平台上的数据挖掘不需要执行复杂的算法来求解方程。相反,IAGON 使用去中心化的计算网络来分配任务量并提高大众数据处理任务的速度。使用方差证明的方法将区块任务分配给矿工。矿工需要匹配来自数据输入的数据签名,并在区块中找到其对应的数据对象并以数据输出的方式发回。矿工不需要存储它处理的任何数据,并且一旦数据被验证属于特定的区块,矿工就被认为已经开采了该区块。矿工根据其开采的数据点数获得奖励,如果区块内没有数据,矿工将不会收到任何奖励。这将激励矿工完成整个区块的开采并增加他们开采的区块数量。直到成功获得第一个数据输出,否则激励机制不鼓励矿工仅仅开采一个区块,因为与网络连接的限速证明这样的做法是不划算的,因此矿工将被鼓励为他们自己的利益而完全挖掘整个区块以找到所有可能的与数据输入相匹配的数据点。

区块以一定的有界率产生,矿工的客户之间没有沟通。服务器将矿工连接到 IAGON 平台,它使用多线路服务器来分发和接收结果。区块通过基于 HTTP 的协议发送,以便防火墙内的客户端可以连接到它。目前有两种方法可以实现矿工单元的区块存储和移除。包括只在电脑的内存(由随机访问的内存单元提供的内存)中进行处理,或者引入垃圾收集器程序,从而有效地从磁盘中删除该区块。挖掘客户端体系结构应该允许该区块作为后台进程或 GUI 应用程序运行。为了支持不同的体系结构,最好的方法是创建多个线路,其中一个线路进行通信和数据处理,而另一个线路处理 GUI 交互(Anderson, 2002)。方差证明使 IAGON 能够识别矿工处理一个区块的典型速度。如果矿工断开连接、脱机或没有完成对其区块的计算,该区块将被重新发送给网络中的其他节点。

区块链

IAGON 区块链协议

IAGON 利用区块链技术在 IAGON 分布式数据挖掘算法中保持节点的诚信度。区块链使用以前区块的 SHA256 算法来保持该链与历史状态(在这种情况下的数据)相关联。这使得 IAGON能够激励其平台上的矿工真诚地处理数据并防止数据输出的故意操纵。使用区块链,IAGON的机器学习算法可以快速识别从区块中挖掘的数据输出是否是该区块的有效部分。这可以在一个简单的区块链框架内实现,类似于“比特币”使用的区块链,通过用前一个区块的散列对输入进行打散。创世块是在私链内部创建的。区块链为去中心化的网络之间跨网络共享数据提供了独特的方法。数据可以通过节点网络进行存储、处理和验证,也可以在内部设施内进行存储和验证,其中处理外包给去中心化的节点网络。区块链保持了整个数据结构的一致性。

区块链保持私密的主要原因之一是在数量、品种和速度方面与市场上的大数据数据库竞争。私链的研究、开发和设施成本由 IAGON 的团队承担,费用是来自各利益相关方的投入,反对进行重大改变以改进系统之前让多方达成足够大的共识。为了跟上私链中的大量读写操作,IAGON 未来可能会推出多个私有区块链,以减少单点故障的可能性,单点故障可能会用无人操控的结构使整个系统都崩溃。

缠结技术

IAGON 将扩大其业务范围,以支持在缠结平台上使用其智能计算网格和“安全湖”技术,以及在一台坊区块链上操作它们。缠结技术基于有向非循环图(DAG)的应用。

在数学上,缠结在有向无环图(DAG)的空间上生成随机过程,该过程根据泊松时钟将新顶点附加到图上而及时“增长”。至今为止,没有顶点(边)被删除过。当该时钟向系统发出信号时,会出现一个新的顶点将自身关联到一定位置,这个位置是在先前的状态图根据随机游走选定的(Popovetal, 2017)。

缠结技术的应用有助于解决与区块链技术在大规模运营中实施相关的一些问题,包括难以扩展区块链,当新区块不断增加时对区块的有效性达成共识。通过应用缠结技术,IAGON 可为拥有大数据存储库的企业提供备选解决方案,以支持这些企业大规模的处理和存储管理任务。

采矿算法

AGON 不像其他使用区块链的加密货币那样。它的使用案例采用更传统的方法来处理数据,因此使用 POW(工作量证明)或 POS(权益证明)机制来奖励特定矿工发现特定区块并不是一个可行的解决方案。因此,IAGON 使用自己的机制来确定矿工的贡献和处理速度,这种方法被称为方差证明。方差证明根据矿工对矿池的贡献对每个矿工进行分类。同一个矿池内的矿工们互相竞争。来自较低级别矿池的矿工会因为几个因素升级或降级,但两个主要因素是速度和矿工能够找到的数据量。方差证明使用代数理论和概率函数的组合来计算矿工的贡献以及矿工可以归入哪个矿池。这使得新矿工能够从挖掘数据中获利,并以指数形式增加他们的加工资产,而矿工们投资更多的资产可以立即获得投资回报。概率论利用离散函数、连续函数和随着时间推移挖掘变化的结果。

区块成像:区块成像是将区块链的某个子集成像或复制为随机分布在节点上的方法。发送到节点的区块的图像将意味着区块链不会经历任何排列并保持不变。理论上,随机选择的区块被分支并分配给节点进行处理。成像算法是一种适合的方法,可通过使用分布式节点来扩展从而解决任意大的问题。为了创建区块成像算法,我们假定区块是可分离的:

假设变量 A 作为一个区块:

如果,被当作区块行索引和区块列索引时,函数可以表示为:

因此,一旦所有子向量的大小为 0 时,它们是完全可分的。完全可分的区块对分区没有限制,最终目标是允许每个区块由单独的进程来处理,并且不涉及进程间区块矩阵的传输 (Parikh and Boyd, 2012)。
二项分布: 为了确定集合内区块的分布(区块被假定包括 0 作为创世块),对于自然数 n 和 k,其中 n≥k≥0,二项式系数被排列成 n 个连续值的行,并且 K 的取值范围为 0≤k≤n。由于区块是用自然数定义的,并且可以定义为扩张中单项式的系数。该系数允许使用二项式定理来缩放数据块分布:

求解哪里是非负整数提供了 k 组合的数量(Molenaar, 1970; Fog, 2008)。

随着区块数量的增长,该方法考虑到可扩展性,并且一旦获得足够的区块的量,依赖性算法不再需要从整个区块链中解析数据。

连续时间:鉴于时间维度呈线性增长,IAGON 使用一种称为连续时间的特定数学动态作为执行其计算的框架。连续时间解释了在处理连续模拟时的潜在限制,这种潜在限制在使用离散时间模型时也存在。

方差证明:IAGON 使用概率密度函数来确定数据分布和矿工分类。它利用连续随机变量的函数,在样本空间中任何给定点的值被定义为矿工在 n 个区块内找到数据输出的相对可能性。区块以这种方式分配给整个系统中的矿工,一般而言,可能性较高的矿工能以较高的速度处理数据。由于函数随时间变化使用连续变量,因此它可以根据性能对矿工进行分类,而不是通过彩票系统或在特定系统中拥有股份。

由于区块是连续生成的,处理过程是异步进行的,所以概率函数的使用允许一个更公平的矿工奖励系统,这个系统是基于矿工所参与的组别。方差证明允许新矿工随着时间的推移提高他们的计算能力,而具有更高的计算能力和连接速度的现有矿工可以获得与其贡献成正比的奖励。

解决方案协议

像所有自治系统一样,在处理异常时总是需要某种形式的人工干预。解决方案协议在处理异常时有一套规则,以自动解决或通过对请求进行 sandbox 处理并允许手动干预来解决冲突从而执行进一步处理。

加密/解密

加密/解密协议用于内部存储的数据。存储在 IAGON 平台内的所有数据都会在一定程度上进行加密,以便在发生违规时保护数据。IAGON 有多种选项可以在其平台上存储数据,包括符合法规要求的 SQL、NoSQL、私链和其他第三方存储提供商。IAGON 的核心是使用 AES-256 来加密和解密数据。AES-256 是 NIST(美国国家标准与技术研究所)推荐的加密标准,采用对称密钥算法。

IAGON 团队
IAGON 的管理团队由加密货币投资和金融业务领域经验丰富的 Navjit Dhaliwal 博士领导。

关于更多Iagon信息:https://www.iagon.com/

文章来源:http://www.qukuaiwang.com.cn/news/9741.html
原文作者:Iagon
特别申明:区块链行业ICO项目鱼龙混杂,投资风险极高;各种数字货币真假难辨,需用户谨慎投资。blockvalue.com只负责分享信息,不构成任何投资建议,用户一切投资行为与本站无关。

1.价值区块链(blockvalue.com)遵循行业规范,任何转载的稿件都会明确标注作者和来源;2.价值区块链的原创文章,请转载时务必注明文章作者和"来源:价值区块链(blockvalue.com)",不尊重原创的行为本站或将追究责任;3.作者投稿可能会经价值区块链编辑修改或补充。

网友点评