令牌桶算法广泛应用于控制 API 请求速率、限制资源访问频率、管理任务调度等场景。通过合理设置 limit 和 burst，可以有效平衡系统负载和服务质量。该算法并不会实时去维护令牌桶中的token的数量，而是通过last和lastEvent来巧妙的计算出该段时间内容桶内令牌的状态，同时通过锁来维护了对于令牌桶的访问一致性问题。Allow、Reverse、Wait三个方法底层调用的都是。

根据不同的权重给于不同的概率，权重往往与地域、服务器的性能相关。可以通过random函数来随机选择一个ip。

sync.Map是一种并发安全的map，相较于原生map。sync.Map在并发读写时不会触发panic，它可以减轻程序员的负担。不用再小心翼翼地处理各种锁。

Index PIR 是一种隐私信息检索（Private Information Retrieval, PIR）技术，它允许用户从服务器检索特定数据项而不泄露他们所查询的内容。在基于索引的PIR中，用户可以通过索引值来秘密地获取数据库中的记录，而服务器无法知道用户实际请求的是哪个索引对应的记录。

一致性哈希是指将「存储节点」和「数据」都映射到一个首尾相连的哈希环上，如果增加或者移除一个节点，仅影响该节点在哈希环上顺时针相邻的后继节点，其它数据也不会受到影响。但是一致性哈希算法不能够均匀的分布节点，会出现大量请求都集中在一个节点的情况，在这种情况下进行容灾与扩容时，容易出现雪崩的连锁反应。为了解决一致性哈希算法不能够均匀的分布节点的问题，就需要引入虚拟节点，对一个真实节点做多个副本。不再将真

贡献评估往往需要计算不同参与方组合的数据价值, 然而模型相关的价值度量指标, 比如测试准确率, 需要基于数据重新训练并评测模型, 这导致了高昂的数据价值度量代价. 为了避免重复训练联邦模型的代价, 考虑, 避免在其他参与方子组合下训练模型时各 参与方重复的梯度计算, 大大减少模型训练相关的代价。

【代码】【联邦学习Fate架构讲解】

数据不动的联邦学习框架是多个数据持有方合作训练机器学习模型的新范式. 多个数据持有方参与联邦 学习时的贡献评估是联邦学习的核心问题之一. 参与方贡献评估需要兼顾有效性、公平性和合理性等要素, 在理论方法与实际应用中均面临多项挑战.

目前SCQL只开放API供用户使用/集成。

以notebook的形式呈现，支持多节点代码执行和文件管理，同时执行运行状态追踪功能，极大地提升开发者的效率和工作体验。我们通过docker来启动secretflow，这里我安装的是secretflow/secretflow-lite-anolis8。这里我是用docker来进行集群模式的仿真，所以我需要了解一下docker网络的概念。在这里我采用的是Host网络模式，该模式下容器和docker主