PDF:挖掘我这个比特币区块为什么花了二十分钟？_EOS

一图看懂

这听起来耳熟吗？

你刚做完一笔比特币交易并且非常想看到它是否会出现在下一个区块中。你预期比特币的出块时间是10分钟。查询比特币节点的记录，距离上一个区块已经过去7分钟。你想起比特币区块出快符合泊松过程，并且是无记忆性的。虽然上一个区块产生后已过去7分钟，你可能还需要再等待10分钟。

又过去5分钟。新的区块依旧没有出现。这期间你一直紧盯比特币节点的记录。距离上一个区块已过去12分钟。等待期间没有发生任何改变。虽然又等了5分钟，但数学理论告诉你，还需等待10分钟下个区块才会出现，因为泊松过程是无记忆的。

你继续盯着比特币节点的记录，又过去了8分钟，终于新的区块出现了。你对自己说：“在等待自己的交易被确认时，总是需要20分钟才能看到我的区块被矿工挖出，我发誓这种情况经常在我身上发生”。

安全公司：黑客利用恶意Docker镜像挖掘Monero:网络安全公司Palo Alto Networks威胁研究部门Unit 42表示，最近发现的一个加密劫持挖矿方案使用恶意的Docker镜像来隐藏加密货币挖矿代码。

研究人员发现这个Docker镜像六个变体，其中包含XMRig加密挖矿木马，这使得黑客能够从受损的Docker容器中挖掘门罗币（Monero）。这些镜像保存在官方Docker Hub存储库的一个账户中，下载次数超过200万次。报告指出，其中一个与黑客有关的加密钱包里有大约525枚门罗币，价值约3.6万美元。（Data Breach Today）[2020/6/27]

如果这个情况在你身上也发生过，那么你不是孤独的。这种现象是真实存在的。

动态 | HIVE Blockchain称其每日挖掘的ETH增加了超20%:金色财经报道，多伦多交易所上市公司HIVE Blockchain宣布，与2019年12月最后15天相比，该公司现在每天挖出的ETH增加了20%以上。据悉，产能提升主要因为以太坊近日完成了缪尔冰川升级。[2020/1/14]

简化假设，当比特币算力是常数时，我们知道出块的平均时间是10分钟，并且挖矿过程可以用泊松过程建模。因为泊松过程是无记忆的，所以任何时候我们期望产生新区块的时间是10分钟。不论我们等了多长时间，这个期望值都不变。这种无记忆的特性对过去和将来都是适用的，也就是说，如果你随机选择一个时间点，那么之前区块产生的平均时间是10分钟之前。

动态 | 区块链等技术应用进一步挖掘产业内生动能:据新华网消息，4月12日至14日，第五届中国数字阅读大会在杭州举办。大会开幕式上发布的《2018年度中国数字阅读白皮书》。《白皮书》显示，在产业创新方面，以社交化为特征的媒体融合以及线上线下打通的纸电融合等模式带来新的产业增长点，人工智能、区块链等前沿技术的创新应用进一步挖掘出产业内生动能。[2019/4/15]

这一点很清楚，因为如果从泊松过程中抽取一系列事件作为样本，然后再抽取第二个样本，并反转该系列事件的发生情况，那么这两个样本将无法区分。因此，通过对称性我们可以知道，当你随机选择一个时间点，则发生下一个事件时间的期望值和过去事件已经发生时间的期望值是相等的。

美中商业协会网站被恶意挖掘XMR:据thenextweb消息，安全研究员发现美中商业协会（USCAC）正在运行cousve恶意脚本，目前都在窃取流行的匿名加密货币XMR。[2018/6/8]

“等一下，你的意思是，如果我随机选择一个时间点，那么我们预计上一个区块是在10分钟前被挖出的，并且下一个区块将会在10分钟后被挖出。这不就意味着出块时间总共是20分钟吗？”

非常正确，这正是我想说的。如果你随机选择一个时间点，那么前一个区块和下一个区块间的时间平均是20分钟。

“这不可能是真的，因为我们知道平均的出块时间是10分钟，而不是20分钟。”

这个悖论本质上和搭便车悖论是一样的，为了解决这个悖论，我们需要知道，“块与块之间的期望值是什么？”，这个问题本身就没有说清楚。要计算期望值，我们需要知道用什么分布进行计算。

假设我们观察比特币区块链一段时间，然后列出每个连续块之间的时间间隔。当我们对这个数字列表求平均值时，我们将得到一个接近10分钟的数值。这种方法的平均对应于一个分布，其中每个区块的间隔时间以相同的概率从分布中抽取出来。

更准确地说，这种非负数间隔持续时间分布的概率分布函数是一个指数分布pdf1(t)=N1e?λt，其中λ是0.1min-1,也就是比特币的出块速度，N1是一个正态分布常数。这个分布的期望值是∫tpdf1(t)dt=10min。

假设我们观察比特币区块链一段时间，记下跨越每天上午9点这一时间点的两个比特币区块的时间间隔。如果把每天的时间数据平均一下后会发现，区块生成平均时间值其实接近20分钟。用这种方法算出的平均值其实对应的是一个“每个区块间隔都被抽样”的分布，它并不是用均等的概率，而是与间隔持续的时间成比例。举个例子，一次持续14分钟间隔的抽样结果可能会好过两次间隔7分钟的抽样，因为14分钟间隔的抽样时间是7分钟的两倍。

我们可以使用上述指数分布的概率密度函数，将其乘以一个线性影子，再根据间隔时长重新计算概率。归一化之后，随之产生的该分布的概率密度函数就会成为伽马分布：pdf2(t)=N2te?λt。这个分布的预期值将会是∫tpdf2(t)dt=20分钟。

我们可以通过调用上面的时间反转对称性参数来复查这个结果。当我们选取一个随机时间点，可以将下一个区块生成的时间设为一个随机变量x，它的概率密度函数设为pdf1；再把前一个区块生成的时间也设为一个随机变量y，它的概率密度函数也是pdf1。因此，两个区块生成的总时间就是随机值xy，我们可以通过将函数pdf1本身卷积来计算xy这个分布，这样结果就可以得到pdf2。

在计算平均区块生产间隔时间的时候，使用第二种抽样方法可能会产生一些“偏差”，因为第二种抽样方法的区块间隔时间更长，因此两种不同抽样方式产生的结果也会存在差异。不过，“偏差”这个词在这里并不是贬义。因为我们也不能说另一种采样方式就是不正确的，或是存在偏差的，它只是一种不同的抽样方法，仅此而已。你需要使用什么样的时间间隔分布，取决于你要计算什么。如果你想要计算比特币吞吐量，那么可能需要使用指数分布；如果你想知道“为什么包含了我交易的比特币区块要花20分钟来挖掘？”，此时可能需要使用伽马分布了。

金色财经翻译自WhyIsItTaking20MinutestoMineThisBitcoinBlock?

标签：PDFETH以太坊EOS加密的pdf怎么转换成word文档不知道密码Lethean免费挖以太坊币的aPPWeos

DOGE热门资讯