• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Laboratorio
    • Encuestas: Tamaño de Muestra
    • Lotería: Probabilidad de Ganar
    • Reparto de Escaños (D’Hondt)
    • Tres en Raya con IA
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad
    • Tiendas afiliadas
      • AliExpress
      • Amazon
      • Banggood
      • GeekBuying
      • Lenovo

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • Excel
  • Matlab

Dificultad de minado: creación de una criptomoneda (3º Parte)

mayo 21, 2018 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

Blockchain

En la entrada anterior se ha introducido el concepto de prueba de esfuerzo. Para que un usuario pueda agregar un nuevo bloque a la cadena este ha de resolver un problema, lo que se conoce como minado. De este modo, la dificultad de minado se puede utilizar para fijar el tiempo promedio entre bloques.

Gestionando la prueba de esfuerzo

El tiempo medio necesario para añadir un nuevo bloque a la cadena de bloques es el que se tarda en resolver la prueba de esfuerzo. De este modo, si aumenta la potencia de cálculo se reduce el tiempo, mientras que si se reduce aumentara el tiempo entre bloques. Generalmente interesa que el tiempo entre bloques sea constante. Para conseguir esto, simplemente se ha de medir el entre bloques e ir ajustando la dificultad de minado según sea menor o mayor de lo deseado.

Publicidad


Implementación en la cadena de bloques

En la cadena de bloques se han de incluir dos nuevas propiedades para poder gestionar el tiempo que se desde que transcurran entre la inclusión de dos bloques. La primera es el tiempo deseado (block_interval) y la segunda es cada cúantos bloques se reevaluará la dificultad de la prueba de esfuerzo (difficulty_interval).

Para la tarea de agregar un nuevo bloque a la cadena de bloques y gestionar el intervalo entre bloques se creará el método next_block. Este método se le introducirán los datos, se evaluará la dificultad actualizándola cuando sea necesario, se minará el bloque y se agregara a la cadena. Será necesario comprobar también que la fecha del nuevo bloque es posterior a la del ultimo existente en la cadena de bloques. Este proceso se puede ver en el siguiente código:

Curiosidad: La maldición de la dimensionalidad, o por qué añadir más datos puede empeorar tu modelo
En Analytics Lane
Curiosidad: La maldición de la dimensionalidad, o por qué añadir más datos puede empeorar tu modelo

class BlockChain:
    def __init__(self, block):
        self.block_interval = 120
        self.difficulty_interval = 2
        
        self.chain = [block]

    def add_block(self, block):
        self.chain.append(block)
    
    def next_block(self, data, timestamp, mining = True):
        if self.chain[-1].timestamp > timestamp:
            return
        
        difficulty = self.chain[-1].difficulty
        
        if len(self.chain) > self.difficulty_interval and len(self.chain) % self.difficulty_interval == 0:
            interval = self.chain[-1].timestamp - self.chain[-self.difficulty_interval-1].timestamp
            interval = interval.total_seconds() / self.difficulty_interval

            if interval > self.block_interval:
                difficulty = difficulty - 1
            elif interval < self.block_interval:
                difficulty = difficulty + 1
                
        block = Block(self.chain[-1].index + 1, data, self.chain[-1].hash, timestamp, difficulty)
        
        if mining:
            block.mining()
            
        self.add_block(block)
        
    def is_valid(self):
        if self.chain:
            for step in range(len(self.chain) - 1, 0, -1):
                if not self.chain[step].is_valid():
                    return False
                elif self.chain[step].previous_hash != self.chain[step - 1].hash:
                    return False
                elif self.chain[step].index != self.chain[step - 1].index + 1:
                    return False

            return True

        return False

Para poder probar el código con facilidad se ha utilizado valores bajos para la frecuencia y el tiempo entre evaluaciones. Concretamente se ha indicado que el intervalo promedio en el que se desea que se añada un bloque es de 120 segundos (block_interval = 120) y que la evaluación se realizará cada 2 bloques (difficulty_interval = 2).

El comportamiento se puede ver en la siguiente pieza de código en la que inicialmente se generan los bloques cada minuto, por lo que la dificultad se vera reducida cada dos bloques. Posteriormente los bloques se agregarán cada 3 minutos, de modo que se reducirá cada dos bloques

from datetime import datetime

block = Block(0, None, None, datetime(2000, 1, 1, 0, 0, 0))
block.mining()

blockchain = BlockChain(block)

for minutes in range(1, 10):
    blockchain.next_block(None, datetime(2000, 1, 1, 0, minutes, 0))

for minutes in range(11, 40, 3):
    blockchain.next_block(None, datetime(2000, 1, 1, 0, minutes, 0))
    
print('Increase', blockchain.chain[3].difficulty, 'to', blockchain.chain[4].difficulty)
print('Increase', blockchain.chain[5].difficulty, 'to', blockchain.chain[6].difficulty)
print('Decrease', blockchain.chain[11].difficulty, 'to', blockchain.chain[12].difficulty)
print('Decrease', blockchain.chain[13].difficulty, 'to', blockchain.chain[14].difficulty)

Imágenes: Pixabay (mmi9)

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 5 / 5. Votos emitidos: 1

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • Curiosidad: La maldición de la dimensionalidad, o por qué añadir más datos puede empeorar tu modelo
  • ¿Está concentrado el MSCI World? Un análisis con Gini, Lorenz y leyes de potencia
  • Curiosidad: ¿Por qué usamos p < 0.05? Un umbral que cambió la historia de la ciencia
  • Programador de tareas de Windows: Guía definitiva para automatizar tu trabajo (BAT, PowerShell y Python)
  • La Paradoja del Cumpleaños, o por qué no es tan raro compartir fecha de nacimiento
  • Cómo abrir una ventana de Chrome con tamaño y posición específicos desde la línea de comandos en Windows
  • Curiosidad: El sesgo de supervivencia, o por qué prestar atención sólo a los que “llegaron” puede engañarte
  • Documentar tu API de Express con TypeScript usando OpenAPI (Swagger)
  • Data Lake y Data Warehouse: diferencias, usos y cómo se complementan en la era del dato

Publicado en: Criptografía Etiquetado como: Blockchain, Criptomonedas

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

Data Lake y Data Warehouse: diferencias, usos y cómo se complementan en la era del dato

octubre 23, 2025 Por Daniel Rodríguez

Documentar tu API de Express con TypeScript usando OpenAPI (Swagger)

octubre 21, 2025 Por Daniel Rodríguez

Curiosidad: El sesgo de supervivencia, o por qué prestar atención sólo a los que “llegaron” puede engañarte

octubre 16, 2025 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Método del codo (Elbow method) para seleccionar el número óptimo de clústeres en K-means publicado el junio 9, 2023 | en Ciencia de datos
  • Diferencias entre CPU, GPU, TPU y NPU publicado el abril 19, 2023 | en Herramientas
  • Cuatro libros para aprender Pandas publicado el marzo 31, 2023 | en Reseñas
  • El método de Muller e implementación en Python publicado el marzo 24, 2023 | en Ciencia de datos
  • pandas Pandas: Encontrar la posición y valores de máximos y mínimos en un DataFrame publicado el junio 21, 2021 | en Python

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.5 (10)

Diferencias entre var y let en JavaScript

Publicidad

Comentarios recientes

  • Daniel Rodríguez en Probabilidad básica: cómo entender el azar en nuestra vida diaria
  • Pepe en Probabilidad básica: cómo entender el azar en nuestra vida diaria
  • CARLOS ARETURO BELLO CACERES en Justicio: La herramienta gratuita de IA para consultas legales
  • Piera en Ecuaciones multilínea en Markdown
  • Daniel Rodríguez en Tutorial de Mypy para Principiantes

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2025 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto