Parte 2: tasas de transacciones, latencia y caminatas aleatorias
En el artículo anterior de la serie, presentamos la tangle como una estructura de datos. También aprendimos sobre las tips, y la importancia de elegir un buen algoritmo de selección de tips. Hoy aprenderemos sobre las tasas de transacción y la latencia de red, y el papel que juegan en la determinación de la forma de la maraña. También aprenderemos sobre la caminata aleatoria no ponderada, que se desarrollará la próxima semana.
En la simulación de la semana pasada, es posible que haya notado que las transacciones no están distribuidas uniformemente a lo largo del tiempo, pero algunos períodos están «ocupados» más que otros. Esta aleatoriedad, que hace que el modelo sea más realista, se logra utilizando un proceso de puntos Poisson para modelar cómo llegan las transacciones. Este modelo es muy común para analizar cuántos clientes entran a una tienda en un período de tiempo determinado, o cuántas llamadas telefónicas se hacen a un centro de llamadas. Podemos ver este comportamiento en el ejemplo siguiente. Las transacciones 4,5 y 6 llegaron casi simultáneamente, y después de la transacción 6 hubo una larga pausa.
Para nuestros propósitos, sólo necesitamos saber una cosa sobre este proceso de punto Poisson: en promedio, el índice de transacciones entrantes es constante, y se establece por un número que llamamos λ. Como ejemplo, si configuramos λ=2 y el número de transacciones es 100, el tiempo total de simulación será de aproximadamente 50 unidades de tiempo. Pruébalo!
Una cosa más interesante que señalar, antes de seguir adelante: si ponemos λ= a una cantidad muy pequeña (digamos 0.1), conseguimos una «cadena». Una cadena es una maraña en la que las operaciones sólo aprueban una operación anterior, en lugar de dos. Esto sucede porque las transacciones están llegando tan lentamente que en cualquier momento dado sólo hay una punta para aprobar.
En el otro extremo, con enormes λ todas las transacciones llegan tan rápido que la única punta que ven es la génesis. Esto es sólo una limitación de la simulación: con grandes λ y un número fijo de transacciones, estamos simulando un período de tiempo muy corto.
Entonces, ¿qué queremos decir con que la transacción no «ve» una anterior? En el modelo, hacemos que cada transacción sea invisible durante un cierto período de tiempo una vez que llega. Marcamos este período de retardo con la letra h. Este retardo representa el tiempo que tarda la transacción en prepararse y propagarse a través de la red. En nuestra simulación, siempre ponemos h=1. Esto significa que sólo podemos aprobar transacciones que son al menos una unidad de tiempo en el pasado. Este retraso no es sólo un detalle menor que se puso para dar mas realismo, sino una propiedad fundamental de la tangle, sin la cual siempre conseguiriamos una cadena muy aburrida. También acerca la maraña al mundo real, donde la gente tarda algún tiempo en informarle a otros de nuevas transacciones.
Finalmente, es el momento de hablar sobre un algoritmo de selección de punta más avanzado: la caminata aleatoria no ponderada. Usando este algoritmo, ponemos un caminante en la transacción génesis, y hacemos que empiece a «caminar» hacia las puntas. En cada paso, salta a una de las transacciones que aprueba directamente la transacción en la que nos encontramos actualmente. Elegimos a qué transacción saltar con igual probabilidad, (de ahí viene el término no ponderado). Naturalmente, hemos hecho una simulación que muestra cómo sucede esto.
Usted puede ver el camino que el caminante sigue está marcado en rojo, y en cada cruce los diferentes caminos posibles están marcados en azul. Las transacciones muy recientes, que son «invisibles» a la marcha aleatoria actual, se muestran como transparentes.
Hoy hemos cubierto mucho, así que por favor tómese su tiempo para revisar el artículo, jugar con la simulación y hacer preguntas. Usted es bienvenido a contactarme directamente en Discord @alongal#3938, o responder en los comentarios a continuación. La próxima semana, aprenderemos sobre los pesos acumulativos, la cadena de Markov Monte Carlo, y los paseos aleatorios ponderados.
Parte 1: Introducción a la tangle.
Parte 2: tasas de transacciones, latencia y caminatas aleatorias.
Parte 3: Pesos acumulados y caminatas aleatorias ponderadas.
Parte 4: Aprobadores, balances, y doble-gastos.
Parte 5: Consenso, intervalo de confianza, y el coordinador.
Traduccion realizada por Deepl
