ต่อไปนี้เป็นผลลัพธ์ที่น่าสนใจเกี่ยวกับประสิทธิภาพของคนงานเหมืองที่แตกต่างกันในช่วง 280,000 บล็อกแรกของ Ethereum blockchain สำหรับช่วงเวลานี้ฉันได้รวบรวมรายการที่อยู่บล็อกและลุง Coinbase; ข้อมูลดิบสามารถพบได้ ที่นี่สำหรับบล็อก และ ที่นี่สำหรับลุงและจากนี้เราสามารถรวบรวมข้อมูลที่น่าสนใจมากมายโดยเฉพาะเกี่ยวกับอัตราการค้างและการเชื่อมต่อกับคนงานเหมืองและกลุ่มที่แตกต่างกัน
ก่อนอื่นพล็อตกระจาย:
สิ่งที่เราเห็นอย่างชัดเจนที่นี่คือแนวโน้มหลักบางประการ ก่อนอื่นอัตราลุงค่อนข้างต่ำเมื่อเทียบกับโอลิมปิก ทั้งหมดเราได้เห็นลุง 20750 ที่มี 280000 บล็อกหรืออัตราลุง 7.41% (ถ้าคุณคำนวณสิ่งนี้รวมเช่นลุงเป็นเปอร์เซ็นต์ของบล็อกทั้งหมดมากกว่าลุงต่อบล็อกคุณจะได้รับ 6.89%) – ในระยะสั้น Bitcoin กลับมาอีกครั้งในปี 2554เมื่อระบบนิเวศการขุดมีความคล้ายคลึงกับ Ethereum มากขึ้นด้วย CPU และ GPUs ยังคงโดดเด่นและมีปริมาณการทำธุรกรรมต่ำ โปรดทราบว่านี่ไม่ได้หมายความว่าคนงานเหมืองจะได้รับเพียง 93.11% ของรายได้ที่พวกเขาจะเป็นถ้าพวกเขาเชื่อมต่อกันอย่างดีกับคนอื่น ๆ Mechanic ลุงของ Ethereum ลดความแตกต่างได้อย่างมีประสิทธิภาพ ~ 87% ของความแตกต่างดังนั้น “การสูญเสียเฉลี่ย” ที่เกิดขึ้นจริงจากการเชื่อมต่อที่ไม่ดีเพียง 0.9% ที่กล่าวว่าการสูญเสียเหล่านี้จะเพิ่มขึ้นด้วยเหตุผลสองประการเมื่อเครือข่ายเริ่มเห็นการทำธุรกรรมมากขึ้น: อันดับแรก Mechanic Mechanic จะทำงานร่วมกับ Base Block Rewards เท่านั้นไม่ใช่ค่าธรรมเนียมการทำธุรกรรมและที่สองบล็อกที่ใหญ่กว่านั้นจำเป็นต้องนำไปสู่เวลาการแพร่กระจายที่ยาวนานขึ้น
ประการที่สองเราจะเห็นว่ามีแนวโน้มทั่วไปที่คนงานเหมืองขนาดใหญ่มีอัตราลุงที่ต่ำกว่า แน่นอนว่านี่เป็นสิ่งสำคัญที่จะต้องผ่า (1) ทำไมสิ่งนี้จึงเกิดขึ้นและ (2) สิ่งนี้เป็นผลจริงที่แท้จริงและไม่ใช่แค่สิ่งประดิษฐ์ทางสถิติของความจริงที่ว่าตัวอย่างขนาดเล็กมักจะมีผลลัพธ์ที่รุนแรงมากขึ้น
การแยกตามขนาดของคนงานเหมืองสถิติมีดังนี้:
| จำนวนบล็อกที่ขุด | อัตราลุงเฉลี่ย |
| <= 10 | 0.127 |
| 10-100 | 0.097 |
| 100-1000 | 0.087 |
| 1,000-10000 | 0.089* |
| > = 10,000 | 0.055 |
* ผลลัพธ์นี้มีความเบ้อย่างมากโดยมีค่าใช้จ่ายเพียงครั้งเดียวซึ่งเป็นนักขุดที่เสียซึ่งเป็นจุดบนแผนภูมิที่ 4005 บล็อกที่ขุด, อัตราลุง 0.378; ไม่รวมคนขุดแร่นี้เราจะได้รับอัตราลุงเฉลี่ย 0.071 ซึ่งดูเหมือนจะสอดคล้องกับแนวโน้มทั่วไปมากขึ้น
มีสมมติฐานหลักสี่ประการที่สามารถอธิบายผลลัพธ์เหล่านี้ได้:
- ความไม่เท่าเทียมกันอย่างมืออาชีพ: คนงานเหมืองขนาดใหญ่เป็นการดำเนินงานระดับมืออาชีพและมีทรัพยากรมากขึ้นในการลงทุนในการปรับปรุงการเชื่อมต่อโดยรวมของพวกเขาไปยังเครือข่าย (เช่นการซื้อไร้สายที่ดีขึ้นโดยการดูอย่างระมัดระวังมากขึ้นเพื่อดูว่าอัตราลุงของพวกเขานั้นค่อนข้างสูงเนื่องจากปัญหาเครือข่าย) และมีประสิทธิภาพสูงขึ้น ในทางกลับกันคนงานเหมืองขนาดเล็กมักจะเป็นมือสมัครเล่นบนแล็ปท็อปของพวกเขาและอาจไม่ได้เชื่อมต่อกับอินเทอร์เน็ตเป็นพิเศษ
- เอฟเฟกต์บล็อกสุดท้าย: คนงานเหมืองที่ผลิตบล็อกสุดท้าย “ค้นหา” เกี่ยวกับบล็อกทันทีแทนที่จะรอ ~ 1 วินาทีเพื่อเผยแพร่ผ่านเครือข่ายและทำให้ได้เปรียบในการค้นหาบล็อกถัดไป
- ประสิทธิภาพของสระว่ายน้ำ: คนงานเหมืองที่มีขนาดใหญ่มากคือสระว่ายน้ำและสระว่ายน้ำมีเหตุผลบางอย่างที่เกี่ยวข้องกับการสร้างเครือข่ายที่มีประสิทธิภาพมากกว่านักขุดเดี่ยว
- ช่วงเวลาที่แตกต่างกัน: สระว่ายน้ำและคนงานเหมืองขนาดใหญ่อื่น ๆ ไม่ได้ใช้งานในวันแรกของ blockchain เมื่อเวลาบล็อกเร็วมากและอัตราลุงสูงมาก
เอฟเฟกต์บล็อกสุดท้ายไม่ได้อธิบายเรื่องราวทั้งหมด ถ้าเป็น 100% ของสาเหตุเราจะเห็นประสิทธิภาพลดลงเชิงเส้น: นักขุดที่ขุด 1 บล็อกอาจเห็นอัตราลุง 8% นักขุดที่ขุด 28000 (เช่น 10% ของบล็อกทั้งหมด) จะเห็นอัตราลุง 7.2% นี่เป็นเพราะคนงานเหมืองที่ขุด 20% ของบล็อกจะขุดบล็อกล่าสุด 20% ของเวลาและได้รับประโยชน์จากอัตราลุง 0% ที่คาดว่า 20% ของเวลาจึงลดลง 20% จาก 8% เป็น 6.4% ความแตกต่างระหว่างคนงานเหมืองที่ขุด 1 บล็อกและคนงานเหมืองที่ขุด 100 บล็อกจะเล็กน้อย ในความเป็นจริงแน่นอนว่าการลดลงของอัตราเก่าที่มีขนาดเพิ่มขึ้นดูเหมือนจะเป็นลอการิทึมเกือบสมบูรณ์แบบเส้นโค้งที่ดูเหมือนว่าสอดคล้องกับทฤษฎีความเป็นมืออาชีพมากกว่าสิ่งอื่นใด ทฤษฎีความแตกต่างของช่วงเวลาได้รับการสนับสนุนโดยเส้นโค้งแม้ว่าจะเป็นสิ่งสำคัญที่จะทราบว่ามีเพียง ~ 1600 ลุง (เช่น 8% ของลุงทั้งหมดและ 0.6% ของบล็อกทั้งหมด) ถูกขุดในช่วงที่น่าตื่นเต้นครั้งแรกสองวันเมื่ออัตราลุงสูง
ความจริงที่ว่าความไม่เท่าเทียมกันของความเป็นมืออาชีพดูเหมือนว่าจะเป็นสัญญาณที่ให้กำลังใจโดยเฉพาะอย่างยิ่งเนื่องจาก (i) ปัจจัยมีความสำคัญมากกว่าขนาดเล็กถึงขนาดกลางมากกว่าที่มันในระดับปานกลางถึงขนาดใหญ่และ (ii) คนงานเหมืองแต่ละคนมีแนวโน้มที่จะตอบโต้ปัจจัยทางเศรษฐกิจ
ตอนนี้การกระโดดจาก 7.1% ที่ 1,000-10000 บล็อกเป็น 5.5% สำหรับทุกคนข้างต้น? เอฟเฟกต์บล็อกสุดท้ายสามารถคิดเป็นประมาณ 40% ของเอฟเฟกต์ แต่ไม่ใช่ทั้งหมด (คณิตศาสตร์ด่วน: คนงานเหมืองโดยเฉลี่ยในกลุ่มอดีตมีส่วนแบ่งเครือข่าย 1% ในกลุ่มหลัง 10% และความแตกต่างของ 9% ควรลดลงจาก 7.1 * ถึง 7.1% * 0.93 = 6.4%)
ลักษณะสำคัญของคนงานเหมืองที่สูงกว่า 10,000 บล็อก พวกเขา เป็น สระว่ายน้ำ (หรืออย่างน้อยสามในห้า; อื่น สอง เป็นนักขุดเดี่ยวแม้ว่าจะเป็นคนที่เล็กที่สุด) ที่น่าสนใจพอที่ผู้ที่ไม่ใช่พูลทั้งสองมีอัตราลุง 8.1% และ 3.5% ตามลำดับค่าเฉลี่ยถ่วงน้ำหนัก 6.0% ซึ่งไม่แตกต่างจากอัตราการค้างถัวเฉลี่ยถ่วงน้ำหนัก 5.4% ของสระว่ายน้ำทั้งสาม ดังนั้นโดยทั่วไปดูเหมือนว่าสระว่ายน้ำมีประสิทธิภาพมากกว่านักขุดเดี่ยวเล็กน้อย แต่การค้นพบไม่ควรถูกนำมาใช้อย่างมีนัยสำคัญทางสถิติอีกครั้ง แม้ว่าขนาดตัวอย่างภายในแต่ละสระจะมีขนาดใหญ่มาก แต่ขนาดตัวอย่างของสระว่ายน้ำมีขนาดเล็ก ยิ่งไปกว่านั้นสระว่ายน้ำการขุดที่มีประสิทธิภาพมากขึ้นนั้นไม่ได้เป็นสระว่ายน้ำที่ใหญ่ที่สุด (nanopool) – มันคือ suprnova
สิ่งนี้นำเราไปสู่คำถามที่น่าสนใจ: ประสิทธิภาพและความไร้ประสิทธิภาพของการขุดรวมตัวกันมาจากไหน? ในอีกด้านหนึ่งสระว่ายน้ำมีแนวโน้มที่จะเชื่อมต่อกับเครือข่ายเป็นอย่างดีและทำงานได้ดีในการแพร่กระจายบล็อกของตัวเอง พวกเขายังได้รับประโยชน์จากเอฟเฟกต์บล็อกสุดท้ายที่อ่อนแอกว่า (เวอร์ชันที่อ่อนแอกว่าเนื่องจากยังมีการเดินทางไปกลับรอบเดี่ยวจากคนขุดแร่ไปยังสระว่ายน้ำไปยังเหมือง) ในทางกลับกันความล่าช้าในการทำงานจากสระว่ายน้ำหลังจากสร้างบล็อกควรเพิ่มอัตราการค้างเล็กน้อย: สมมติว่าแฝงเครือข่าย 200ms ประมาณ 1% เป็นไปได้ว่ากองกำลังเหล่านี้จะยกเลิกโดยประมาณ
สิ่งสำคัญที่สามในการวัดคือ: ความไม่เท่าเทียมที่เราเห็นนั้นเป็นเพราะความไม่เท่าเทียมกันอย่างแท้จริงในระยะเวลาของคนงานเหมืองที่เชื่อมต่อกันได้ดีและโอกาสสุ่มมากแค่ไหน? ในการตรวจสอบสิ่งนี้เราสามารถทำการทดสอบทางสถิติได้อย่างง่าย นี่คือความหายนะของอัตราลุงของคนงานเหมืองทั้งหมดที่ผลิตมากกว่า 100 บล็อก (เช่นหมายเลขแรกคืออัตราลุงต่ำสุดจำนวนที่สองคือเปอร์เซ็นไทล์ที่ 10 ที่สามคือเปอร์เซ็นไทล์ที่ 20 และอื่น ๆ จนกว่าจำนวนสุดท้ายจะสูงที่สุด):
(0.01125703564727955, 0.03481012658227848, 0.04812518452908179, 0.0582010582010582, 0.06701030927835051, 0.07642487046632124, 0.0847457627118644, 0.09588299024918744, 0.11538461538461539, 0.14803625377643503, 0.3787765293383271)
นี่คือ deciles ที่สร้างขึ้นโดยแบบจำลองสุ่มที่คนงานเหมืองทุกคนมีอัตราการค้าง 7.41% “ธรรมชาติ” และความไม่เท่าเทียมทั้งหมดเกิดจากบางคนโชคดีหรือโชคร้าย:
(0.03, 0.052980132450331126, 0.06140350877192982, 0.06594885598923284, 0.06948640483383686, 0.07207207207207207, 0.07488986784140969, 0.078125, 0.08302752293577982, 0.09230769230769231, 0.12857142857142856)
ดังนั้นเราจึงได้รับผลกระทบครึ่งหนึ่ง อีกครึ่งหนึ่งมาจากความแตกต่างของการเชื่อมต่อที่แท้จริง โดยเฉพาะอย่างยิ่งหากคุณทำแบบจำลองอย่างง่าย ๆ โดยที่อัตราการค้าง “ธรรมชาติ” เป็นตัวแปรสุ่มที่มีการแจกแจงแบบปกติรอบค่าเฉลี่ย 0.09, ค่าเบี่ยงเบนมาตรฐาน 0.06 และขั้นต่ำขั้นต่ำ 0 คุณได้รับ:
(0, 0.025374105400130124, 0.05084745762711865, 0.06557377049180328, 0.07669616519174041, 0.09032875837855091, 0.10062893081761007, 0.11311861743912019, 0.13307984790874525, 0.16252390057361377, 0.21085858585858586)
นี่ค่อนข้างใกล้เคียงแม้ว่าจะเติบโตเร็วเกินไปที่ด้านล่างและช้าๆที่ด้านสูง; ในความเป็นจริงดูเหมือนว่าการจัดแสดง “การกระจายอัตราการค้างธรรมชาติที่ดีที่สุด” จัดแสดงนิทรรศการ ความเบ้ในเชิงบวกซึ่งเราคาดหวังว่าจะได้รับผลตอบแทนที่ลดลงในการใช้จ่ายที่เพิ่มขึ้นในการทำให้ตัวเองเชื่อมต่อกับเครือข่ายมากขึ้นเรื่อย ๆ โดยรวมแล้วเอฟเฟกต์ไม่ใหญ่มาก โดยเฉพาะอย่างยิ่งเมื่อหารด้วย 8 หลังจากกลไกลุงถูกนำมาพิจารณาความไม่เสมอภาคนั้นเล็กกว่าค่าไฟฟ้าที่ไม่เท่าเทียมกันมาก ดังนั้นวิธีการที่ดีที่สุดในการปรับปรุงการกระจายอำนาจก้าวไปข้างหน้ามีความเข้มข้นสูงในการหาทางเลือกการกระจายอำนาจมากขึ้นสำหรับกลุ่มเหมืองแร่ บางทีกลุ่มเหมืองแร่ที่ใช้บางอย่างเช่น Meni Rosenfeld’s หลาย PP อาจเป็นวิธีแก้ปัญหาระยะกลาง
