mpc

【隐私计算】Cheetah安全多方计算协议-阿里安全双子座实验室2PC-NN安全推理与实际应用之间仍存在较大性能差距，因此只适用于小数据集或简单模型。Cheetah仔细设计DNN，基于格的同态加密、VOLE类型的不经意传输和秘密共享，提出了一个2PC-NN推理系统Cheetah，比CCS'20的CrypTFlow2开销小的多，计算效率更快，通信效率更高。主要贡献有两点:

电力程序小学童

视频讲解|基于模型预测算法的含储能微网双层能量管理模型【mpc】该讲解视频对应的免费程序链接为【防骗贴】基于模型预测算法的含储能微网双层能量管理模型，主要做的是一个微网双层优化调度模型，微网聚合单元包括风电、光伏、储能以及超级电容器，在微网的运行成本层面考虑了电池的退化成本，对其全寿命周期进行建模，并转换为实时相关的短期成本，采用双层调度模型，上层为EMS系统最小化总运行成本，下层为EMS消除预测误差引起的波动最小，更加创新，而且求解的效果更好。

SecretFlow之SCQL部署（P2P方案）避雷纯享版本文将针对蚂蚁的开源隐私计算平台隐语secretflow，实战部署SCQL系统（基于0.6.0b1版本的P2P非中心化方案），达到两个参与方联合数据分析的目标。

白云千载尽

强化学习&MPC——（二）本篇主要介绍马尔科夫决策（MDP）过程，在介绍MDP之前，还需要对MP，MRP过程进行分析。马尔可夫性是指一个系统，在给定当前状态的情况下，未来的状态仅依赖于当前状态，而不依赖于过去的状态。换句话说，当前状态包含了过去所有状态的信息，因此未来的状态可以完全由当前状态决定。说白了就是带遗忘性质，下一个状态S_t+1仅与当前状态有关，而与之前的状态无关。为什么需要马尔科夫性——简化环境模型。帮助强化学习来学习。这种性质对于建模环境至关重要，因为它简化了问题的复杂性，并且使得我们能够用一个简洁的方式描述系统

基于区块链的隐私计算 - 原理和实践很长一段时间没有更新博客和公众号了，最近做了一个基于区块链的隐私计算项目，主要关于数据安全流通和计算，在一定程度上解决了数据确权、授权使用、数据隐私等问题，保证了数据的可用不可见，可控可计量。项目不久将会对外开源发布，目前项目在收尾阶段。

TinyMPC - CMU （卡耐基梅隆大学）开源的机器人 MPC 控制器CasADi - 最优控制开源 Python/MATLAB 库TinyMPC：资源受限微控制器上的模型预测控制

little_stupid_child

【密码学】【多方安全计算】不经意传输（Oblivious Transfer，OT）不经意传输（oblivious transfer）是一个密码学协议，在这个协议中，消息发送者从一些待发送的消息中发送数据给接收者，但事后对发送了哪一条消息仍然oblivious（不知道），同时接受者对自己想要接受外的数据一无所知，这个协议也叫茫然传输协议。