活动介绍

忽略额外零值:方差最优的挖矿池

立即解锁
发布时间: 2025-08-31 01:12:51 阅读量: 12 订阅数: 25 AIGC
# 忽略额外零值:方差最优的挖矿池 ## 1 引言 在比特币和许多其他加密货币中,矿工通过产生工作量证明来授权交易区块,从而获得奖励。对于控制整体哈希率较小部分的个体矿工而言,他们可能长时间得不到任何奖励。为了使收益分配更加均匀,许多矿工选择加入挖矿池,多个矿工联合起来共同授权一个区块。 当挖矿池成功授权一个区块后,池主收集的奖励必须分配给参与的矿工,以激励他们继续贡献算力。在奖励分配过程中,主要涉及两个设计决策: - **设计决策 #1**:应以矿工的哪些信息作为奖励依据?通常,奖励基于每个矿工在一段时间内提交的份额,“份额”是指难度低于区块授权要求的工作量证明。不过,没有明显理由将设计局限于简单统一的份额概念,更复杂的方法可以使用多类份额,并为不同类别的份额分配不同的奖励。 - **设计决策 #2**:矿工提交的信息应如何决定他们的奖励?例如,对于单类份额,常见的方法有按份额支付(PPS)和按最后 N 个份额支付(PPLNS)。是否有理由偏好其中一种方法?是否有其他更好的奖励分配方式? 本文的目标是确定在精确意义上“最优”的挖矿池奖励共享方案。 ## 2 主要贡献 ### 2.1 识别方差最优奖励共享方案的模型 由于挖矿池的主要目的是降低矿工奖励的方差,我们专注于最小化方差这一目标。我们定义了一个正式模型,将每个奖励共享方案与一个统计估计器(矿工哈希率分布)相关联,并正式比较不同方案的方差特性。我们重点研究无偏方案,即从长期来看,矿工的奖励与其控制的整体哈希率的比例成正比。 ### 2.2 单类份额是最优的 在某些情况下,多类份额可能导致比单类份额更高的收益方差。例如,在只有一个矿工且拥有 100% 哈希率的极端情况下,标准(单类)PPS 下该矿工的奖励方差为零,因为所有消息都由该矿工生成且每份奖励相同。而多类份额由于不同消息的零值数量不同,会导致该矿工的收益出现正方差。 研究表明,多类份额导致的方差恶化是一个基本现象,而非特殊情况。对于任何可能的矿工哈希率向量,偏离主流的单类模型只会增加每个矿工奖励的方差。例如,根据哈希中前导零数量来确定奖励的 PPLNS 或 PPS 版本,对所有矿工来说都比同等对待所有份额的 PPLNS 或 PPS 更差。 ### 2.3 按份额支付是最优的 按份额支付方法在方差方面是最优的:对于任何可能的矿工哈希率向量,它能同时最小化所有矿工在所有无偏奖励共享方案中的方差。这意味着从方差最小化的角度来看,所有矿工都偏好按份额支付,无需在不同矿工之间进行权衡。此外,按份额支付方法还对应于矿工哈希率分布的最大似然估计器,为其提供了第二个统计依据。 ### 2.4 按最后 N 个份额支付在受限类中是最优的 PPS 方案的一个缺点是,在短期内,它可能需要向矿工支付超过当前实际赚取的奖励。这促使我们研究具有实际动机的奖励共享方案子类,例如那些从不出现赤字且必须立即分配任何区块奖励的方案。我们证明,按最后 N 个份额支付方法在一个自然子类的奖励共享方案中是方差最优的,但如果放宽子类限制,它就不是方差最优的。 ## 3 相关工作 ### 3.1 与 Fisch 等人工作的比较 本文的目标与 Fisch 等人的工作密切相关,但模型和结论有所不同。Fisch 等人通过凹效用函数建模矿工的风险厌恶,定义“最优性”为最大化所有矿工的总贴现效用。而我们假设每个矿工的偏好是最小化奖励方差,且我们的最优性结果适用于所有矿工,无需选择聚合矿工利益的方法。此外,Fisch 等人只考虑“纯”池策略,PPS 方案不在他们的模型范围内。他们的主要结果提倡几何奖励方案,而我们的理论则指出按份额支付方案是方差最优的。 ### 3.2 其他相关研究 - **激励方面的研究**:以往关于挖矿池的理论工作大多集中在激励方面,例如不同池之间的激励问题(如池跳跃)和单个池内的激励问题(如矿工困境或份额延迟报告)。还有研究分析了挖矿池攻击彼此的动机,表明在某些情况下池可以从这种攻击中受益。 - **中心化相关研究**:一些研究考虑了挖矿池内外中心化的原因和后果。实证研究表明,池内存在中心化趋势,少数矿工获得大部分奖励,这引发了激励和安全方面的担忧。也有研究表明,比特币协议在一定
corwn 最低0.47元/天 解锁专栏
赠100次下载
继续阅读 点击查看下一篇
profit 400次 会员资源下载次数
profit 300万+ 优质博客文章
profit 1000万+ 优质下载资源
profit 1000万+ 优质文库回答
复制全文

相关推荐

史东来

安全技术专家
复旦大学计算机硕士,资深安全技术专家,曾在知名的大型科技公司担任安全技术工程师,负责公司整体安全架构设计和实施。
最低0.47元/天 解锁专栏
赠100次下载
百万级 高质量VIP文章无限畅学
千万级 优质资源任意下载
千万级 优质文库回答免费看
立即解锁

专栏目录

最新推荐

强化学习与合成数据生成:UnityML-Agents深度解析

# 强化学习与合成数据生成:Unity ML - Agents 深度解析 ## 1. 好奇心奖励与超参数设置 在强化学习中,为了激发智能体的好奇心,可以传递与外在奖励相同的超参数。具体如下: - **好奇心奖励信号超参数**: - `reward_signals->curiosity->strength`:用于平衡好奇心奖励与其他奖励(如外在奖励)的缩放系数,取值范围在 0.0 到 1.0 之间。 - `reward_signals->curiosity->gamma`:根据奖励实现所需的时间来调整奖励感知价值的第二个缩放系数,与外在奖励的 `gamma` 类似,取值范围也在

利用Kaen实现PyTorch分布式训练及超参数优化

### 利用Kaen实现PyTorch分布式训练及超参数优化 #### 1. 启用PyTorch分布式训练支持 在进行模型训练时,我们可以使用Kaen框架来支持PyTorch的分布式训练。以下是相关代码示例: ```python train_glob = os.environ['KAEN_OSDS_TRAIN_GLOB'] if 'KAEN_OSDS_TRAIN_GLOB' in os.environ else 'https://raw.githubusercontent.com/osipov/smlbook/master/train.csv' val_glob = os.environ['

模型生产化:从本地部署到云端容器化

# 模型生产化:从本地部署到云端容器化 ## 1. 引入 FastAPI 在将模型投入生产的过程中,我们首先要安装 FastAPI。由于 FastAPI 是一个 Python 模块,我们可以使用 pip 进行安装。打开一个新的终端,运行以下命令: ```bash $ pip install fastapi uvicorn aiofiles jinja2 ``` 这里我们安装了一些 FastAPI 所需的额外依赖项。uvicorn 是一个用于设置 API 的底层服务器/应用程序接口,而 aiofiles 则使服务器能够异步处理请求,例如同时接受和响应多个独立的并行请求。这两个模块是 FastA

利用PyTorch进行快速原型开发

### 利用 PyTorch 进行快速原型开发 在深度学习领域,快速搭建和验证模型是非常重要的。本文将介绍两个基于 PyTorch 的高级库:fast.ai 和 PyTorch Lightning,它们可以帮助我们更高效地进行模型的训练和评估。 #### 1. 使用 fast.ai 进行模型训练和评估 fast.ai 是一个基于 PyTorch 的高级库,它可以让我们在几分钟内完成模型的训练设置。下面是使用 fast.ai 训练和评估手写数字分类模型的步骤: ##### 1.1 模型训练日志分析 在训练过程中,我们可以看到冻结网络的第一个训练周期,然后是解冻网络的两个后续训练周期。日志中

使用PyTorch构建电影推荐系统

### 使用 PyTorch 构建电影推荐系统 在当今数字化时代,推荐系统在各个领域都发挥着至关重要的作用,尤其是在电影推荐领域。本文将详细介绍如何使用 PyTorch 构建一个电影推荐系统,从数据处理到模型训练,再到最终的推荐生成,为你呈现一个完整的推荐系统构建流程。 #### 1. 数据探索与处理 首先,我们需要对 MovieLens 数据集进行探索和处理。该数据集包含用户对电影的评分信息,其中存在一些缺失的评分值,用 NaN 表示。我们的目标是利用非空评分训练推荐系统,并预测这些缺失的评分,从而为每个用户生成电影推荐。 以下是处理数据集的代码: ```python import p

性能调优必看:快速定位并解决塔防游戏FPS下降难题

![性能调优必看:快速定位并解决塔防游戏FPS下降难题](https://cxl.com/wp-content/uploads/2014/09/sync-async-loading.png) # 1. 塔防游戏性能调优概述 在移动和网页游戏日益普及的今天,塔防类游戏因其策略性强、玩法多样而广受玩家喜爱。然而,随着单位数量、特效层级和场景复杂度的提升,性能问题逐渐成为影响玩家体验的关键因素。本章将从整体角度出发,介绍塔防游戏中常见的性能瓶颈,如大量单位绘制、AI路径计算、粒子特效消耗等,并引出后续章节将深入探讨的性能调优策略与工具分析方法。性能优化不仅是技术挑战,更是提升用户体验的核心环节。

多视图检测与多模态数据融合实验研究

# 多视图检测与多模态数据融合实验研究 ## 1. 多视图检测实验 ### 1.1 实验数据集 实验参考了Wildtrack数据集和MultiviewX数据集,这两个数据集的特点如下表所示: | 数据集 | 相机数量 | 分辨率 | 帧数 | 区域面积 | | ---- | ---- | ---- | ---- | ---- | | Wildtrack | 7 | 1080×1920 | 400 | 12×36 m² | | MultiviewX | 6 | 1080×1920 | 400 | 16×25 m² | ### 1.2 评估指标 为了评估算法,使用了精度(Precision)、

电力电子中的Simulink应用:锁相环、静止无功补偿器与变流器建模

# 电力电子中的Simulink应用:锁相环、静止无功补偿器与变流器建模 ## 1. 锁相环(PLL) ### 1.1 锁相环原理 锁相环(PLL)是一种控制算法,用于确定正弦输入的频率和相位角。它主要用于两个系统之间的频率匹配,匹配完成后会存在一个恒定的相位差,从而实现相位“锁定”。PLL由相位检测机制、PID控制器和用于生成相位角信息的振荡器组成。此外,系统中还包含一个低通滤波器,用于获取正弦输入的频率信息。在柔性交流输电系统(FACTS)设备中,PLL增益对稳定系统性能起着至关重要的作用。 ### 1.2 Simulink环境下的PLL设置 为了直观展示PLL如何反映频率和相位的变化

二维和三维偏微分方程耦合求解及生命科学中常微分方程问题的解决

### 二维和三维偏微分方程耦合求解及生命科学中常微分方程问题的解决 #### 1. 二维和三维偏微分方程耦合求解 在求解二维和三维偏微分方程时,有几个具体的问题和解决方法值得探讨。 ##### 1.1 获取相同网格点的 v 值 要在与 u 相同的网格点上获取 v 值,可以输入以下命令: ```matlab >> T_table=tri2grid(p,t,u(length(p)+1:end,end),x,y) ``` 示例结果如下: ``` T_table = 0.6579 0.5915 0.5968 0.6582 0 0.6042 0.4892 0.5073 0.6234 0 0.543

模糊推理系统对象介绍

# 模糊推理系统对象介绍 ## 1. fistree 对象 ### 1.1 概述 fistree 对象用于表示相互连接的模糊推理系统树。通过它可以创建一个相互关联的模糊推理系统网络。 ### 1.2 创建方法 可以使用以下语法创建 fistree 对象: ```matlab fisTree = fistree(fis,connections) fisTree = fistree( ___ ,'DisableStructuralChecks',disableChecks) ``` - `fisTree = fistree(fis,connections)`:创建一个相互连接的模糊推理系统对象