เครือข่าย Arweave ใช้รูปแบบการมอบทรัพย์การเก็บรักษาใหม่เพื่อให้แน่ใจว่าข้อมูลที่เก็บรักษาไว้มีความยาวนาน ในโพสต์นี้เราจะอธิบายและพูดคุยเกี่ยวกับวิธีการมอบทรัพย์การเก็บรักษาทำงาน จากนั้นศึกษาคุณสมบัติและโปรไฟล์ความเสี่ยงโดยใช้การจำลองลูกโซ่ Markov ของการดำเนินการ โพสต์นี้เข้าสู่รายละเอียดอย่างลึกซึ้ง หากคุณกำลังมองหาเนื้อหาแนะนำคุณอาจต้องเช็คเว็บไซต์ Arweave หลัก

เราเริ่มต้นเข้าไป!

พื้นหลัง: อะไรคือกองทุนมรดก?

ในฉบับร่างกระดาษสีเหลือง Arweave ปี 2019 เราได้อธิบายโครงสร้างของกองทุน Arweave (ดูส่วนที่ 3.2.2) โลจิกส์หลักของกองทุน Arweave คือ

มูลค่าการให้บริการเก็บรักษาข้อมูลลดลงอย่างต่อเนื่องที่อัตราเร็วและเร็วขึ้นตั้งแต่เริ่มต้นของการเข้ารหัสข้อมูล ตั้งแต่กระดาษไพรัส ไปจนถึงเครื่องพิมพ์กูเตนเบิร์ก เครื่องบันทึกแม่เหล็กและแฟลชไดรฟ์ มูลค่าของการเข้ารหัสและการเรียกข้อมูลลดลงในเวลาหลายพันปี ในยุคดิจิตอล เราเรียกว่าอัตรา Kryder

ในขณะที่อัตราการลดต้นทุนที่แน่นอนเป็นตัวแปรแต่แบบแผนเป็นที่เชื่อถือได้และมีโอกาสสำหรับการเติบโตอย่างมีนัยสำคัญ: ขีดจำกัดความหนาแน่นของข้อมูลทฤษฎีเท่านั้นเป็น 10^51 ครั้งมากกว่าความสำเร็จปัจจุบันของเรา นอกจากนี้เราไม่คาดการณ์ว่าจะมีการลดลงในความปรารถนาในการเก็บข้อมูลอย่างมีประสิทธิภาพมากขึ้นเนื่องจากมนุษย์และเครื่องจักรมักจะมีประสิทธิภาพมากขึ้นหากสามารถเข้าถึงและประมวลผลข้อมูลมากขึ้นได้มากขึ้น

จากปัจจัยเหล่านี้เราสังเกตว่าด้วยการคาดการณ์อัตรา Kryder ที่อนุรักษ์นิยมอย่างยิ่งเราสามารถกําหนดราคาพื้นที่เก็บข้อมูลถาวรได้โดยมีค่าธรรมเนียมเพียงครั้งเดียว เราบรรลุเป้าหมายนี้โดยเรียกเก็บค่าธรรมเนียมพื้นฐานจากผู้ใช้ในการจัดเก็บ 200 ปีด้วยต้นทุนปัจจุบันจากนั้นเมื่อต้นทุนการจัดเก็บลดลงกําลังซื้อพื้นที่เก็บข้อมูลของเงินบริจาคนี้จะเพิ่มขึ้น ตราบใดที่อัตรา Kryder ยังคงสูงกว่า 0.5% กําลังซื้อการจัดเก็บในการบริจาคเมื่อสิ้นปีจะมากกว่านั้นในตอนเริ่มต้น

เมื่อโปรโตคอลเข้าสู่ระยะสุดท้ายของชีวิตของมันขนาดและค่าใช้จ่ายของชุดข้อมูลจะลดลงไปสู่ระดับที่สุดต่ำ ด้วยขนาดที่เล็กน้อยของมัน เราคาดหวังว่ามันจะถูกนำเข้าโดยอัลตรูอิสต์ไปยังระบบจัดเก็บข้อมูลถาวรถัดไปเพื่อดำเนินการทำซ้ำของข้อมูล นี่เป็นแบบอย่างเดียวกันที่ส่งผลให้พบเจอบันทึกของ Gopher บนเว็บโมเดิร์นฯ และอื่น ๆ

คุณสามารถตรวจสอบรายละเอียดและคณิตศาสตร์ที่เป็นพื้นฐานของวิธีการนี้ได้ที่นี่

กำหนดอัตรา Kryder+

ในการปฏิบัติจริง ระบบเครือข่าย Arweave ใช้การปรับเปลี่ยนอัตรา Kryder แบบดิบ ๆ ซึ่งเราจะเรียกว่าอัตรา 'Kryder +' ในเอกสารนี้ อัตรา Kryder + รวมถึงไม่เพียงการจัดเก็บข้อมูลแบบดิบเท่านั้น แต่ยังรวมถึงปัจจัยอื่น ๆ ที่จำเป็นต้องใช้เพื่อรักษาเครือข่ายออนไลน์เช่น Arweave : การทำซ้ำ การใช้พลังงาน และค่าใช้จ่ายในการดำเนินงาน โดยเราพบว่าทั้งหมดนี้ได้รับผลกระทบจากการเสื่อมสภาพในต้นทุนการจัดเก็บข้อมูลอย่างเดียว

การทำซ้ำ: แต่ละตัวเรเพลิกของชุดข้อมูลใหม่จะมีต้นทุนการจัดเก็บที่ลดลงเช่นกันกับตัวแรก

การใช้พลังงาน: การเปลี่ยนแปลงในความหนาแน่นของข้อมูลและความเชื่อถือ (ปัจจัยที่มีผลต่ออัตรา Kryder) นานๆ หรือไม่เคยมาพร้อมกับการเพิ่มพลังงานการใช้งาน ดังนั้นเมื่อสื่อจัดเก็บข้อมูลเพิ่มขึ้นในความจุ ค่าพลังงานสัมพันธ์ของการเก็บรักษาปริมาณข้อมูลที่กำหนดไว้ลดลงเช่นกัน

ค่าใช้จ่ายทางปฏิบัติการ: เช่นเดียวกับการใช้พลังงานไฟฟ้า จำนวนอุปกรณ์ที่ต้องใช้เพื่อเก็บข้อมูลลดลงเมื่อประสิทธิภาพของสื่อเก็บข้อมูลดิจิทัลแต่ละตัวเพิ่มขึ้น (และดังนั้น ต้นทุนในการดำเนินงานเพื่อรักษาอุปกรณ์เหล่านี้ลดลง)

ในเวอร์ชันปัจจุบันของเครือข่าย Arweave (2.5.3) มีการเป้าหมายในการสร้างรูปแบบข้อมูล 45 ตัวคูณของ อัตรา Kryder+ (ที่นิยามไว้ที่นี่) พร้อมกับการเพิ่มพื้นที่จัดเก็บ 2 เท่าสำหรับค่าใช้จ่ายด้านปฏิบัติการและพลังงาน (ดูที่นี่)

หลังจากการอัปเกรด Arweave 2.6 เครือข่ายจะสามารถสร้างอัตรา Kryder+ โดยอัตโนมัติโดยตอบสนองกับราคาที่คนขุดพร้อมที่จะให้พื้นที่จัดเก็บ โครงข่ายสามารถเป็นแม่ข่ายที่ไว้วางใจได้สำหรับราคานี้เนื่องจากผู้ขุดได้รับสิ่งตอบแทนในการลดราคานั้นให้มากที่สุดและแข่งขันกัน

ความสำคัญที่สำคัญที่สุดจากการสูญหายของอาร์วีฟในอัตราการของไครเดอร์+ คือค่าแบนด์วิดด์ อาร์วีฟครอบคลุมสิ่งนี้โดยใช้ชุดสิทธิพิเศษที่ขึ้นอยู่กับกรรมการเสริมสร้าง - ดูที่นี่

จำลองการมอบอำนาจ

เมื่อเราได้ทำความเข้าใจพื้นฐานทฤษฎีของกองทุนของ Arweave และการนำมาใช้ในเครือข่ายสด เราสามารถพิจารณาการจำลองกลไกนี้เพื่อสังเกตผลลัพธ์ที่เป็นไปได้ในโลกจริง โดยเราใช้เทคนิคการจำลองที่พื้นฐานอยู่บนโมเดล Markov chain โดยโมเดลนี้จะเรียกใช้การเลียนแบบการเกิดเหตุการณ์ต่างๆ ในอนาคตที่เป็นไปได้มากมายในแต่ละปี แล้วรวบรวมผลลัพธ์จากแต่ละการจำลอง คุณสามารถเข้าถึงรหัสเพื่อดำเนินการและแก้ไขการจำลองนี้ด้วยตนเองได้ที่ลิงก์ที่อยู่ที่ส่วนท้ายของหน้านี้

ปัจจัยการจำลอง

อัตรา Kryder+ เป็นปัจจัยหลักในการจําลองการบริจาคของ Arweave ในรุ่นนี้เราใช้ชุดข้อมูลของฮาร์ดไดรฟ์ค่าใช้จ่ายเมื่อเวลาผ่านไป (พบได้ที่นี่) เป็นฐานของเรา จากข้อมูลนี้เราสังเกตเห็นอัตรา Kryder เฉลี่ย ~ 38% นอกเหนือจากข้อมูลในโลกแห่งความเป็นจริงเราเพิ่มความสามารถในการสร้างชั้นของ 'การมองโลกในแง่ร้าย' เกี่ยวกับอนาคตกับความก้าวหน้าในอดีตเพื่อให้เราสามารถทดสอบความเครียดว่าเอ็นดาวเม้นท์จะดําเนินการอย่างไรในช่วงเวลาที่ด้อยโอกาส เราอธิบายปัจจัย 'มองโลกในแง่ร้าย' นี้เนื่องจาก% ของต้นทุนการจัดเก็บก่อนหน้านี้ลดลงซึ่งเราคาดว่าจะดําเนินต่อไปในอนาคต ตัวอย่างเช่นอัตราการมองโลกในแง่ร้าย 10% หมายความว่าเราคิดว่าอนาคตจะมีประสิทธิภาพเพียง 10% ในการลดต้นทุนการจัดเก็บมากกว่าในอดีต

ปัจจัยสำคัญอีกอย่างหนึ่งในการจำลองการมอบทุนของ Arweave คือความผันแปรของราคาโทเค็นของ Arweave โดย Arweave ใช้โทเค็นราคาลอยเพื่อการมอบทุนของมันเพื่อเหตุผลหลักสองอย่าง

สกุลเงินที่มีความมั่นคงที่เป็นส่วนตัวมีความน่าจะเป็นสูญพันธุ์หรือหยุดการดำเนินการได้ลงก่อนบล็อกสุดท้ายในเครือข่าย Arweave โดยเฉพาะอย่างยิ่งโครงสร้างสกุลเงินที่มีความมั่นคงแบบกระจายที่ซึ่งซึ่งเข้าสู่โครโมโตต้ำแหน่งในกรณีของความต่อเนื่องของตลาดที่สุดขั้ว

อย่างไรก็ตาม โทเคนเกี่ยวกับ Arweave มีข้อเรียกร้องที่แข็งแกร่งต่อการใช้งานและดำเนินการอย่างอิสระจากเครือข่ายหรือบริการภายนอกใด ๆ ความขาดทุกข์นี้ช่วยให้การดำเนินการ Arweave protocol สามารถดำเนินต่อไปโดยไม่ได้รับผลกระทบจากปัจจัยภายนอกเป็นเวลาอันยาวนาน

หนึ่งในผลกระทบของลักษณะการลอยของราคาโทเค็น อย่างไรก็ตาม คือ 'มูลค่าเงินตรา' ของทุนมีความผันผวน โดยเพื่อจำลองสิ่งนี้ในการจำลองของเรา เราสมมติถึงความผันผวนที่เป็นทิศทางและเป็นกลางในมูลค่าของทุน นั่นคือ การเปลี่ยนแปลงที่จำลองไปยังมูลค่าของทุนควรเฉลี่ยเป็นศูนย์ในรวม แต่ในแต่ละรายการจะเคลื่อนไหวราคาขึ้นและลงในระหว่างขณะ

เพื่อให้ทราบว่าการจำลองแต่ละรายการสามารถสิ้นสุดลงในระยะเวลาที่สมเหตุสมผล การดำเนินการจะถูกระงับเมื่อเวลาผ่านไป 10,000 ปี หรือทรัพย์สินสุดท้ายลงเป็นศูนย์

อายุขังชำนาญ

วิธีที่ง่ายที่สุดในการเข้าใจพฤติกรรมของกองทุนทุนสิ่งทอดตลาด (Endowment) คือการดูจำนวนปีเฉลี่ยที่กองทุนสิ่งทอดตลาดรอดตามเงื่อนไขภายนอกต่าง ๆ

ข้างต้นเราเห็นกราฟของชีวิตของกำลังบำรุงด้วยค่าความผันผวนสูงสุดต่อปี (แนวนอน) เทียบกับการเปลี่ยนแปลงในอัตรา Kryder+ ที่มีผล (แนวตั้ง รวมถึงค่า 'ความเศร้า' ของพวกเขาต่อข้อมูลในโลกจริง) สถานการณ์ที่ทุกรายการทำงาน (20 ต่อการผสมผสาน) สิ้นอายุมากกว่า 10,000 ถูกกำหนดด้วยสีเขียวเข้ม

เซลล์ที่สำคัญแรกที่จะต้องโน้ตในการแสดงผลนี้คือที่ 0% ความเสี่ยงโลกร้อนและ 0% ความเป็นศูนย์ลบของ Kryder + นั่นหมายความว่าเราถือว่าต้นทุนการจัดเก็บจะไม่ลดลงอีกต่อไป ในกรณีนี้เครือข่ายก็ยังคงเก็บข้อมูลผู้ใช้ไว้อย่างน้อย 200 ปีโดยมีเศรษฐศาสตร์ที่ดำเนินได้ พารามิเตอร์นี้ถูกเลือกเพื่อให้คนที่เป็นคนสงสัยเกี่ยวกับการก้าวไกลของเทคโนโลยีในอนาคตก็สามารถเชื่อว่าข้อมูลของตนจะมีคุณค่าทางเศรษฐศาสตร์ที่จะเก็บไว้อย่างน้อย ~3 รุ่นก่อนที่จะต้องการจัดเก็บข้อมูลด้วยความเอกราช

ข้อสังเกตที่สําคัญอีกประการหนึ่งจากการเรนเดอร์นี้มาจากความผันผวน 30% และโซน Kryder + 2/4% ในการจําลองของเราความผันผวนสูงสุด 30% ของราคาโทเค็นหมายถึงการเปลี่ยนแปลงราคาโทเค็นเฉลี่ยต่อปีที่ 15% ซึ่งใกล้เคียงกับความผันผวนเฉลี่ยของ S&P500 ที่ 14.4% ต่อปีตั้งแต่ปี 1950 ถึง 2015 สมมติว่าอัตราความผันผวนเฉลี่ยของราคาโทเค็นของเครือข่ายนี้เราจะเห็นว่าอัตรา Kryder + เพียง ~ 2% จะให้ความยาวเกือบ 2,000 ปีและอัตราที่สูงขึ้นเล็กน้อยให้ผลตอบแทนที่ยาวนานกว่า 10,000 ปี

นอกจากนี้หากสมมติว่าความผันผวนเฉลี่ยที่คล้ายกับสินค้า (ประมาณ 2-5% ตามประมาณการของธนาคารโลก) เราพบว่า อัตรา Kryder+ น้อยกว่า 0.76% จะทำให้เวลาการทำงานสิทธิ์ในอนาคตนานกว่า 10,000 ปี

ความน่าจะเป็นของการลดลง

ดังที่เห็นด้านบน ในจำนวนมากของสถานการณ์ยังคงมีโทเค็นในทุกกรณีให้เราสามารถต่อให้กำลังสตอเรจข้อมูลต่อไปหลังจากการจำลองสิ้นสุดลงที่ 10,000 ปี หากเราขุดลึกลงไปในกระบวนการดำเนินงานของแต่ละครั้ง จะเห็นได้ว่าโทเค็นส่วนใหญ่ถูกเอาไปจากสิ่งที่มีอยู่ในรายได้ในช่วงต้นของการจัดเก็บข้อมูล:

จากพฤติกรรมนี้เราสามารถสังเกตได้ว่าเมื่อผู้ใช้วางโทเค็นเข้าไปในกองทุนสนับสนุนข้อมูลที่พวกเขาเก็บรักษา มีโอกาสสูงมากที่บางโทเค็นเหล่านั้นจะไม่ถูกปล่อยอีกต่อไป

ข้างต้นเราเห็นกราฟของปริมาณโทเค็นที่เป็นไปได้ที่ไม่เคยถูกปล่อยจากกองทุนที่ระดับต่าง ๆ ของความเศร้าโศกเกี่ยวกับการลดต้นทุนในการเก็บรักษาในอนาคตเทียบกับปัจจุบัน

เรียกใช้ด้วยตัวคุณเอง

โปรแกรมจำลองที่ใช้ในกรณีนี้พบได้ที่นี่ โปรดตรวจสอบ ศึกษาเกี่ยวกับแบบจำลองและแบ่งปันการจำลองที่ปรับเปลี่ยนของคุณ! มันสามารถทำการเรียกใช้การดำเนินการที่เต็มระยะเวลาประมาณ 10,000 ครั้งในช่วงเวลาไม่กี่นาทีบนเธรดเดียว ดังนั้นสามารถใช้จำลองสถานการณ์ต่าง ๆ ได้อย่างรวดเร็ว

Disclaimer：

1. บทความนี้ถูกพิมพ์ใหม่จาก [ Sam Williams] ลิขสิทธิ์ทั้งหมดเป็นของผู้เขียนต้นฉบับ [Sam Williams]. หากมีการคัดค้านในการพิมพ์ฉพาะนี้ โปรดติดต่อเรียนรู้ Gateทีม และพวกเขาจะจัดการกับมันโดยเร็ว
2. คำประกาศความรับผิด: มุมมองและความคิดเห็นที่แสดงในบทความนี้เป็นเพียงของผู้เขียนเท่านั้น และไม่เป็นการให้คำแนะนำในการลงทุนใด ๆ
3. การแปลบทความเป็นภาษาอื่นๆ โดยทีม Gate Learn ถูกดำเนินการ หากไม่ได้ระบุไว้ การคัดลอก การแจกจ่าย หรือการลอกเลียนแบบบทความที่ถูกแปลนั้นถือเป็นการละเมิดกฎหมาย