Propensión a la Inflación de Órbitas de Collatz: Una Nueva Prueba de Trabajo para Aplicaciones de Blockchain
Autores: Bocart, Fabian
Idioma: Inglés
Editor: MDPI
Año: 2018
Acceso abierto
Artículo científico
2018
Propensión a la Inflación de Órbitas de Collatz: Una Nueva Prueba de Trabajo para Aplicaciones de Blockchain
Categoría
Gestión y administración
Subcategoría
Gestión de recursos
Palabras clave
Criptomonedas
Prueba de trabajo
Algoritmo de Collatz
Propensión a la inflación
Distribución geométrica
Gráficos congruenciales
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 30
Citaciones: Sin citaciones
Las criptomonedas como Bitcoin se basan en un sistema de prueba de trabajo para validar transacciones y prevenir ataques o doble gasto. Se introduce una nueva prueba de trabajo que parece ser la primera prueba de trabajo teórica de números no relacionada con los primos: se basa en una nueva métrica asociada al algoritmo de Collatz cuya generalización natural es algorítmicamente indecidible: la propensión a la inflación se define como la cardinalidad de nuevos máximos en una órbita de Collatz en desarrollo. Se verifica numéricamente que la distribución de la propensión a la inflación converge lentamente a una distribución geométrica de parámetro a medida que aumenta el tamaño de la muestra. Esta pseudo-aleatoriedad abre la puerta a una nueva clase de pruebas de trabajo basadas en gráficos congruenciales.
Descripción
Las criptomonedas como Bitcoin se basan en un sistema de prueba de trabajo para validar transacciones y prevenir ataques o doble gasto. Se introduce una nueva prueba de trabajo que parece ser la primera prueba de trabajo teórica de números no relacionada con los primos: se basa en una nueva métrica asociada al algoritmo de Collatz cuya generalización natural es algorítmicamente indecidible: la propensión a la inflación se define como la cardinalidad de nuevos máximos en una órbita de Collatz en desarrollo. Se verifica numéricamente que la distribución de la propensión a la inflación converge lentamente a una distribución geométrica de parámetro a medida que aumenta el tamaño de la muestra. Esta pseudo-aleatoriedad abre la puerta a una nueva clase de pruebas de trabajo basadas en gráficos congruenciales.