【论文阅读】A Performance Measurement and Optimization Mechanism for Blockchain Mining Pool System

地址：link
区块链矿池系统的性能测度与优化机制

矿池机制可以提高获得正确区块的概率，并稳定矿工的奖励，但是目前由于节点之间的算例差异较大、共识算法等因素，面临着越来越多的性能挑战。
在对矿池架构分析的基础上，提出了一种数值模型MENM（Miner Efficiency Numerical Model）来衡量矿机的计算效率，并提出了一种性能调优机制DDCT（动态难度计算和调优），用于根据MENM值动态调整矿池中单个矿工的难度，以提高矿池的效率。所提出的调优机制还针对一个小型实验性PoW矿池进行了测试，以验证其效果。

1、使用矿池

矿池挖矿让许多矿工相互协作，聚合每个人的计算能力，以提高他们在整个网络上的计算能力百分比，这将提高他们获得奖励的可能性。奖励将返还给所有参与此过程的矿工。

如图所示是PoW矿池的经典架构。矿工计算机通过代理服务器proxy serve连接到矿池，接受矿池中分配的计算任务并提交自己的结果。矿池定义和分配计算任务，验证矿工的结果，将其打包成区块并通过本地钱包节点发送到主网，从主网接收奖励，将奖励分配给矿工。

1.1 研究发展

1. ACP框架，研究矿工、矿池和区块链网络的性能调整[7]唐长兵、杨震、郑忠龙等PoW共识算法中博弈困境的分析与优化[J].自动化学报， 2017， 43（9）： 1520 -1531.
2. 使用博弈理论来指导矿工关于矿池选择策略以实现最大效率
3. 为PPLNS奖励模式矿池中的矿工提供了优化的份额报告机制，帮助他们提高奖励。[秦莹， 袁莹， 王福燕. PPLNS矿池中区块链矿工的最优份额报告策略[C]//2018 IEEE系统、人与控制论国际会议（SMC）.IEEE，2018：3367-3372。]
4. 建立了一个机器学习模型，以二进制分类方式预测比特币网络中的交易费用。[Tedeschi E， Nordmo T A S， Johansen D， et al. Predicting Transaction Latency with Deep Learning in Proof-of-Work Blockchains[C]//2019 IEEE大数据国际会议（Big Data）.IEEE，2019：4223-4231。]
5. 定义了一个基于最大似然准则的池选择模型。[区块链矿池选择策略研究[J].IEEE计算社会系统学报， 2018， 5（3）： 748-757.]
6. 改进了矿工的客户端软件，对不同挖矿算法之间的奖励预测进行模拟，选择最佳挖矿算法，并保持与矿池的稳定连接。[袁明明， 刘国明， 吴家芳提高加密货币挖矿效率的自动化解决方案[C]//2020 通信系统和网络工作国际会议 （COMSNETS）。IEEE， 2020： 1-5.]
7. 通过在不同位置部署专用的转发节点来降低消息传播延迟（节点在全球不同位置），并增加新区块附加到最长区块链的概率。
8. 提出了一种软硬件协同设计的代理服务器架构，以加速周期性作业的广播，以第 2 层广播取代 TCP 机制。

对矿池效率的研究，主要是：
（1）优化矿池选择或矿池接入矿池的挖矿算法选择
（2）调优矿工到矿池再到区块链网络的网络连接效率
在实践中，矿池本身的稳定性和性能调优是每个矿池管理者需要关注的非常根本和关键的问题，对其他决策以及矿工和矿池管理者的整体收入都有很大影响。然而，矿池性能调优并未引起研究者的足够关注，尤其是如何从工程角度调优矿池的聚合算力利用率。本文将从这个角度出发，定义一个特定的计算能力效率模型，并以自适应的方式微调矿工的难度级别。

2、研究内容

在大多数开源矿池实现中，通常默认使用全局配置的计算难度。然而不同的矿工和矿机的计算能力不同，负载能力不一样会导致稳定性不一样，计算能力过小的矿机如果处于不稳定状态并崩溃，这将影响整个池的聚合算力水平。因此需要能够测量每台矿机的计算效率水平，并分别调整计算难度水平。

2.1 MENM

矿机的芯片组的温度作为负载水平的参考，每分钟提交量相对于矿机的算力是其有效算力的良好参考。将这两个参数与公共 PoW 矿池历史数据相结合，我们得出了以下 MENM 定义。
T：设备芯片组温度
F：提交频率（每分钟）
D：设备功率利用率
从定义中很容易看出，MENM值越大，矿机的利用率就越高。

2.2 DDCT

下图是 DDCT难度查询表。假设时间窗口 t 为 2 分钟。类别 1 启动难度为 100000，设备连接池后的平均提交频率为 90 次/分钟，平均芯片组温度为 85–;，设备功耗率为 95%，我们可以得到 MENM 值为 （90/85） × 0.95 ≈ 1.005。查看表 ，我们知道我们需要在 2 分钟后将类别 2 难度级别 150000 分配给设备。

3、实验

在一个小规模的PoW矿池中进行了实验，将全局固定难度水平与DDCT调整后的难度水平进行比较，并了解哪种方法在保持矿池的聚合计算能力水平高和低波动水平方面具有更好的性能。实验配置如下表所示。

实验主要对比使用固定难度和DDCT机制的矿池的聚合计算能力、奖励区块总数、平均矿机MENM值、矿池服务器的资源利用率、连接的矿机数量
从两个角度分析了矿池的整体效率：矿池中的聚合计算能力、平均矿工 MENM 值。

3.1聚合计算能力

固定难度的矿池的聚合计算能力如下所示：

DDCT矿池的聚合计算能力如下图：

在这两种情况下，聚合计算能力都在不断增加，但基于DDCT的池在这个过程中显示出更平坦的趋势线。很明显，在设备相同的连接速率下，基于DDCT的池具有更高的平均数量和更小的标准差。

3.2平均MENM

固定难度的矿池的平均MENM如下：

使用DDCT矿池的平均MENM如下：

在这两种情况下，平均 MENM 值都随着连接设备数量的增加而变为平稳。但与固定难度池相比，基于DDCT的池显示出更平坦的趋势线。很明显，DDCT矿池具有更高的平均MENM，波动较小（较小的标准差值）。