역동적 인 시스템으로서의 토큰 경제
링크 표
초록 및 1. 소개
- 최적의 제어에 대한 프라이머
- 역동적 인 시스템으로서의 토큰 경제
- 제어 설계 방법론
- 전략적 가격 : 게임 이론 분석
- 실험
- 토론과 미래의 작업, 참고 문헌
3 역동적 인 시스템으로서의 토큰 경제
인프라 네트워크의 토큰 경제를 제어 된 동적 시스템으로 모델링하기 위해, 우리는 문제의 상태 XT, UT, 외인성 예측 ST, Dynamics F (XT, UT, ST) 및 비용 함수 J를 정의합니다. 도 1에 도시 된 바와 같이,이 수량은 토큰을 구매하고 사용자 기반에 토큰을 지불함으로써 제어되는 상태 변수를 형성 할 것이다.
\ 우리는 다음과 같은 상호 작용을 포착합니다. 노드는 소비자에게 서비스 (5G 기지국, EV 충전 등)를 제공합니다. 소비자는 이러한 서비스를 사용하기 위해 컨트롤러에 달러를 지불하고 컨트롤러는이 달러를 시장 가격으로 토큰으로 변환하여 서비스에 대한 보상으로 노드로 지불합니다. 이 보상 지불은 마이닝 조치입니다. 또한 소비자로부터받은 달러는 1 달러 예비비에게 배치 된 소득입니다. 이 예비비의 자금은 컨트롤러가 게시 한 가격으로 노드의 토큰을 다시 구매하는 데 사용됩니다. 구입 된 다시 토큰은 순환 공급에서 제거되어 자체 보호 구역에 배치되며, 이는 효과적으로 화상 행동입니다. 우리는 토큰 경제를 폐쇄 시스템으로 모델링합니다. 즉, 순환 공급을 변경할 수있는 힘은 구매 및 지불 메커니즘에만 부여되며 외인성 행위자는 없습니다. 효과적으로 이것은 어떤 노드도 의도적으로 자신의 토큰을 태우고 자산을 잃지 않는다는 것을 의미합니다. 마지막으로, 우리는 토큰 경제를 개별 시간 시스템으로 조사합니다.
\ 진행하기 전에 한 가지 더 의견 : 그림 1에서와 같이 블록 체인 네트워크에는 새로운 토큰을 Mints하고 시장에서 토큰을 다시 구매하는 예비가 있습니다. 당사의 컨트롤러는이 예비비에 있으며 논리적으로 “중앙 집중식”으로 간주 될 수 있습니다. 물론 제어 로직은 스마트 계약을 실행하는 분산 노드에 의해 구현됩니다. 그러나 모든 스마트 계약은 순환 공급, 토큰 가격, 총 소비자 수요 등과 같은 집계 (노드 별이 아님) 수량 인 주요 상태 변수에 대한 합의에 이르게됩니다. 따라서 노드는 탈 중앙화 된 방식으로 지불/구매 할 금액을 결정할 수 있습니다.
\
\
\
\
\
왜 통제합니까? 비고 1의 간단한 전략은 안정적이지만, 토큰 유전학에 필요한 유연성을 제공하지는 않습니다. 예를 들어, 업그레이드 비용을 지불하기 위해 토큰 달러 보호 구역을 늘려야 할 수도 있습니다. 이는 업그레이드 비용을 지불해야합니다. 이는 노드에 직접 지불하는 대신 소득을 절약해야합니다. 또한, 우리는 토큰 가격이 일정한 속도로 꾸준히 성장하기를 원할 수 있으므로 노드는 토큰을 판매하여 자본 투자 비용 (예 : 5G 핫스팟 구매)을 회수 할 수 있습니다. 본질적으로, 우리는 다음에 공식화 된대로 높은 수준의 성능 기준을 달성하기 위해 비고 1의 평형에서 시스템을 유연하게 조종하려는 제어가 필요합니다.
\
상태, 제어 및 비용 변수 : 상태 XT는 시스템을 제어하는 데 필요한 동적 수량을 캡처합니다. 마찬가지로, Control Vector UT는 우리가 적응 적으로 지불하는 금액, 매수 및 인센티브 가격으로 구성됩니다.
\
\ 또한, 우리의 방법과 마찬가지로 예측우리는 미래 소득과 소비자 수요를 예측하는 예측을 사용합니다. 실제로, 이는 과거 거래 데이터를 사용한 데이터 중심 모델링에서 나올 수 있습니다. 시간 t의 예측은 다음과 같습니다.
\
\ 이제 Eqs를 사용하여 시스템의 비선형 역학을 쓸 수 있습니다. 2–4 :
\
\
\ 블록 체인 디자이너는 매개 변수 β1, β2, β3을 유연하게 설정하여 참조 가격과 제어 노력을 얼마나 밀접하게 추적하는지 거래 할 수 있습니다. 우리의 공식은 매우 일반적입니다. 우리는 노드의 수 또는 고정 된 참조 토큰 공급으로 확장되는 참조 토큰 공급을 쉽게 따라갈 수 있기 때문입니다. 실제로, 우리의 제형은 고정 공급 시스템을 포함합니다. 왜냐하면 우리는 토큰 수 (상태 제약 조건)에 상한을 구현할 수 있기 때문입니다. 마찬가지로, 우리는 그라디언트 기반 최적화에 차별화 가능한 비 컨버드 비용 기능을 사용할 수 있습니다.
\
\
::: 정보
저자 :
(1) Oguzhan Akcin, Austin의 텍사스 대학교 ([email protected]);
(2) Robert P. Streit, Austin의 텍사스 대학교 ([email protected]);
(3) Austin ([email protected])의 텍사스 대학교 Benjamin Oommen;
(4) Sriram Vishwanath, Austin의 텍사스 대학교 ([email protected]);
(5) Sandeep Chinchali, Austin의 텍사스 대학교 ([email protected]).
:::
::: 정보이 논문은입니다 Arxiv에서 사용할 수 있습니다 CC에 따라 4.0 증서 라이센스.
:::
\
Post Comment