• Saltar a la navegación principal
  • Saltar al contenido principal
  • Saltar a la barra lateral principal
  • Saltar al pie de página

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Criptografía
  • Python
  • Matlab
  • R
  • Herramientas
  • Tienda

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

mayo 21, 2018 Por Daniel Rodríguez Deja un comentario

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.

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:

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)

No te olvides valorar esta entrada

Sin votos
Por favor espera...

Archivado en: Criptografía Etiquetado como: Blockchain, Criptomonedas

Entrada anterior: « Recuperación de las semillas empleadas en procesos aleatorios
Siguiente entrada: Implementación de una red neuronal desde cero »

Interacciones del lector

Deja un comentario Cancelar la respuesta

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

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

Suscríbete a nuestro boletín

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

Contenido relacionado

Barra lateral primaria

Tiendas afiliadas

Realiza tus compras mediante los enlaces y colabora con la web, todo sin coste adicional para ti. También puedes ver nuestra tienda. ¡Gracias!
Aliexpress Amazon Banggood Gearbest

Seguir a Analytics Lane

  • twitter
  • pinterest
  • youtube
  • telegram
  • github
  • rss

Seguir en Feedly

follow us in feedly

Suscríbete a nuestro boletín

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

Política de Privacidad

Lo mejor valorado

  1. Seleccionar filas y columnas en Pandas con iloc y loc
    Puntuación: 5.0/5. 5 votos.
  2. Unir y combinar dataframes con pandas en Python
    Puntuación: 5.0/5. 5 votos.
  3. Guardar y leer archivos Excel en Python
    Puntuación: 5.0/5. 5 votos.
  4. Eliminar registros duplicados en pandas
    Puntuación: 5.0/5. 5 votos.
  5. Archivos JSON con Python: lectura y escritura
    Puntuación: 4.8/5. 8 votos.

Entradas recientes

  • Truco: ¿cómo se eliminar la salida en una celda de un IPython Notebook? diciembre 13, 2019
  • Numpy básico: como invertir arrays de Numpy diciembre 11, 2019
  • ¿Bajar impuestos para crecer más o crecer más para bajar impuestos? diciembre 9, 2019
  • Copias de seguridad de SQL Server con Microsoft SQL Server Management Studio diciembre 6, 2019
  • Numpy básico: inicializar arrays de Numpy con un valor diciembre 4, 2019

Comentarios recientes

  • Daniel Rodríguez en Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas
  • Axel Caballero en Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas
  • Daniel Rodríguez en Reglas de asociación y market-basket analysis
  • eva en Reglas de asociación y market-basket analysis
  • Daniel Rodríguez en Proteger las funciones escritas en Matlab para su distribución

Etiquetas

Anaconda Analytics Lane App Designer Bases de datos Blockchain CLV Computación cuántica Criptomonedas Deep learning Elecciones Excel Git GUIDE Hash Java Jupyter Libros Machine learning Marketing node numpy pandas Precios RapidMiner scikit-learn seaborn series temporales Small Data Spark SQL Truco Unit testing VirtualBox

Footer

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Noticias
  • Opinión

Programación

  • JavaScript
  • Julia
  • Matlab
  • Python
  • R

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Tienda

Afiliados

  • AliExpress
  • Amazon
  • BangGood
  • GearBest
  • GearVita
  • Geekbuying
  • JoyBuy

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.

2018-2019 Analytics Lane · Términos y condiciones · Política de Cookies · Política de Privacidad · Herramientas de privacidad · Contacto