🏠 DIN 架构
最后更新于
最后更新于
在DIN协议中，网络中有三类参与者持续参与数据活动：
数据收集者：聚焦链上和链下数据
我们的数据收集方法弥合了链上数据（交易、钱包地址、智能合约）和链下数据（市场情绪、监管变化、社交媒体趋势）之间的差距，提供全面的洞察。这一策略赋能了广泛的用户群体，从普通爱好者到专业分析师，涵盖加密、医疗、学术和工业等多个领域。通过我们的两款产品——Analytix 和 xData，我们确保用户可以获取可操作的、最新的信息，助力在公共和私有领域做出明智的决策。
数据验证者：确保模型准确性
共享可更新模型的去中心化预测（SUM）框架通过利用区块链的去中心化特性，彻底改变了数据验证的方式。这确保了模型更新的透明性、不可篡改性和集体完善性，从而提高预测准确性并降低数据篡改风险。SUM促进了一个协作生态系统，推动持续的模型改进，承诺开启准确、安全和透明的预测分析新时代。
数据向量化者：简化AI数据准备
向量转换对于AI的准备至关重要。它将原始数据转化为AI模型可以有效处理的结构化格式。这一步对于数据编码、数值标准化、高维数据管理以及优化AI训练和预测至关重要。通过使数据适合AI，向量转换加速了AI应用开发，提高了模型的准确性和可扩展性。
DIN协议通过一系列简洁的步骤优化数据处理，确保数据的完整性和隐私：
数据收集：收集者从多种来源收集链上和链下数据。
验证路由：数据根据各自部署的模型转发给选定的验证者。
验证：验证者利用计算资源预测并确认数据的准确性。
隐私处理（数据集）：经过验证的数据通过零知识处理器进行隐私增强。
模型更新：相关模型根据最新数据进行优化，并在验证者之间更新。
向量转换：计算节点将经过验证的数据转换为向量。
隐私处理（向量）：向量通过零知识处理器进行隐私处理。
数据确认：最终的数据集和向量存储在IPFS上，使第三方可以访问。
如上所示，数据处理将经历三个阶段，如图2所示：收集、验证和计算。所有参与者均采用激励机制，以奖励网络的贡献。更多细节将在后续章节中介绍。
