如何设计对ASIC芯片不友好的挖矿算法？探索Memory Hard Mining Puzzle的改进点

ASIC芯片的特性

ASIC 芯片在当今算力领域很受关注，它的主要优势是具有强大的计算能力，比主流计算机的计算能力强很多。例如在专业的挖矿场景里，ASIC 芯片可以快速地进行复杂运算。不过，它在内存访问性能方面表现得较为普通，和在算力上的突出优势相比，内存访问的效率是它的短板之一。

科技在不断发展，对芯片的性能要求也在逐渐提高。ASIC 芯片虽然具有惊人的算力，但是其内存访问存在性能瓶颈，这就限制了它在某些特定场景中的应用，无法全面满足在多任务并发情况下对内存进行快速读写的需求。

伪随机顺序机制

在挖矿的计算过程里，存在一种伪随机顺序的实现方式。有一个种子节点以及 seed 值，通过运算把得数放置在第一个位置，接着后面每个位置的值是由前一个位置取哈希而得到的。比如读取 A 位置的数，依据取值运算就能得出下一次要读取的 B 位置。

这种方式模拟出了随机顺序，使得计算过程变得更难以预测。然而，这种方法存在一些问题，要是没有保存数组的话，每次读取不同位置的数都得从开头开始进行计算，这就增加了计算的复杂度以及时间成本。

矿工的内存策略

部分矿工会留存部分内存区域的内容，这与比特币主要进行哈希运算存在差异。他们借助 ASIC 芯片以及内存访问的特性，尝试依照类似普通计算机对资源的配对比例的方式来进行优化。例如依据实际的运算状况，有针对性地保存关键数据。

这种策略是矿工为了提高效率而采取的，在一定程度上对计算和验证的流程进行了改善。但是，它存在弊端，因为验证的区域和求解的区域几乎是一样大的，如果不保存数组，计算的复杂度就会急剧增加，从而影响到挖矿的整体效率。

以太坊的数据集设计

以太坊使用了两个不同大小的数据集，其中一个是 16M 的 cache，另一个是 1G 的 DAG。这种设计有助于轻节点进行验证，因为轻节点只需保留 16M 的 cache 即可，而矿工则需要保存 1G 的大数据集。轻节点只有在需要时才会临时计算元素，而矿工则可以直接访问内存。

这种设计把不同参与方的需求充分考虑到了。轻节点因为资源有限，所以保存小数据集就能降低存储压力；而矿工拥有专业硬件，能够承担起保存大数据集所带来的存储和访问需求，从而保证了整个系统的运行效率。

数据读取与运算过程

以太坊求解时，先依据 block 及 nonce 算出初始哈希值，接着将其映射到大数据集中去读取数。之后按照伪随机顺序，从大数据集中读取 128 个数，在读取过程中，不仅要计算当前位置的元素，还要读取相邻元素。最后算出哈希值，并与挖矿难度目标阈值进行比较。

def mkcache(cache_size, seed):
    o = [hash(seed)]
    for i in range(1, cache_size):
        o.append(hash(o[-1]))
    return o

每次 nonce 进行更替时，第一次映射的位置会发生改变。这个改变需要反复循环 64 次，通过这样的循环可以得到哈希值并与阈值进行比较。这样的过程保证了挖矿的难度，同时也体现了随机性，避免了单一手段对挖矿机制进行破解。

def calc_dataset_item(cache, i):
    cache_size = cache.size
    mix = hash(cache[i % cache_size] ^ i)  
    for j in range(256):
        cache_index = get_int_from_item(mix)  # 自定义函数，原代码是没有的
        mix = make_item(mix, cache[cache_index % cache_size])  # 自定义函数，原代码是没有的
    return hash(mix)

轻节点与矿工的差异

def calc_dataset(full_size, cache):
	return [calc_dataset_item(cache, i) for i in range(full_size)]

轻节点与矿工在内存使用以及运算方式方面存在明显差异。轻节点并未保存大数据集，它需要从 cache 中重新生成所用到的元素，通过临时计算来满足验证的需求。然而，矿工则必须在内存中存储 1G 的大数据集，通过直接访存来提升运算速度。

以太坊进行这样的设计，其目的是要平衡整个网络在资源利用和安全验证这两方面的情况。然而，对于这样的设计所产生的效果到底怎样，以及能否在长期内满足不断增长的挖矿以及验证方面的需求，还需要进行更进一步的观察以及研究。

def hashimoto_full(header, nonce, full_size, dataset):
	mix = hash(header, nonce)
	for i in range(64):
		dataset_index = get_int_from_item(mix) % full_size
		mix = make_item(mix, dataset[dataset_index])
		mix = make_item(mix, dataset[dataset_index + 1])
	return hash(mix)
	
def hashimoto_light(header, nonce, full_size, cache):
	mix = hash(header, nonce)
	for i in range(64):
		dataset_index = get_int_from_item(mix) % full_size
		mix = make_item(mix, calc_dataset_item(cache, dataset_index))
		mix = make_item(mix, calc_dataset_item(cache, dataset_index + 1))
	return hash(mix)