Los autores: (1) Oguzhan Akcin, Universidad de Texas en Austin (oguzhanakcin@utexas.edu); (2) Robert P. Streit, Universidad de Texas en Austin (rpstreit@utexas.edu); (3) Benjamin Oommen, Universidad de Texas en Austin (baoommen@utexas.edu); (4) Sriram Vishwanath, Universidad de Texas en Austin (sriram@utexas.edu); (5) Sandeep Chinchali, Universidad de Texas en Austin (sandeepc@utexas.edu). Authors: (1) Oguzhan Akcin, Universidad de Texas en Austin (oguzhanakcin@utexas.edu); (2) Robert P. Streit, Universidad de Texas en Austin (rpstreit@utexas.edu); (3) Benjamin Oommen, Universidad de Texas en Austin (baoommen@utexas.edu); (4) Sriram Vishwanath, Universidad de Texas en Austin (sriram@utexas.edu); (5) Sandeep Chinchali, Universidad de Texas en Austin (sandeepc@utexas.edu). Mesa de la izquierda Abstracto y 1a Introducción Un primer paso para el control óptimo La economía de Token como sistema dinámico Metodología de Diseño de Control Precios estratégicos: un análisis teórico del juego Experimentos Discusión y futuras obras, y referencias Hay una multitud de sistemas de infraestructura física basados en Blockchain, que van desde redes inalámbricas 5G descentralizadas a redes de carga de vehículos eléctricos. Estos sistemas operan en una economía de token habilitada por criptomonedas, donde los proveedores de nodos son recompensados con tokens para habilitar, validar, administrar y/o asegurar el sistema. Sin embargo, las economías de token de hoy están diseñadas en gran medida sin sistemas de infraestructura en mente, y a menudo operan con un suministro de token fijo (por ejemplo, Bitcoin). Estos sistemas de suministro fijo a menudo alentan a los primeros adoptantes a almacenar tokens valiosos, lo que resulta en incentivos reducidos para nuevos nodos al unirse o mantener la red. Este documento argumenta que las economías de token para las redes Abstract Nuestra principal contribución es modelar las economías de token de infraestructura como sistemas dinámicos – el cambio de la oferta de token circulante, el precio y la demanda de los consumidores como función del pago a los nodos y los costes a los consumidores por los servicios de infraestructura. Crucialmente, esta visión dinámica de los sistemas nos permite aprovechar herramientas de la teoría del control matemático para optimizar el rendimiento general de la red descentralizada. Además, nuestro modelo se extiende fácilmente a un juego de Stackelberg entre el controlador y los nodos, que utilizamos para un precio estratégico robusto. En pocas palabras, desarrollamos controladores predictivos basados en optimización que superan la heurística algorítmica tradicional de stablecoin hasta 2,4× en simulaciones basadas en datos reales de las redes inalámbricas descentr 1 Introducción El espacio de redes de infraestructura física basadas en Blockchain está creciendo rápidamente, incluyendo redes descentralizadas inalámbricas, de almacenamiento, de computación y de carga de vehículos eléctricos. Como ejemplo, Helium [18] y Pollen [22] son dos prominentes redes inalámbricas descentralizadas (DeWi) que recompensan al público en general por construir, mantener, validar, asegurar y, finalmente, enviar datos a través de los puntos fuertes de 5G. Del mismo modo, proyectos como FileCoin [20], Storj [21] y ComputeCoin [27] ofrecen servicios descentralizados de almacenamiento de archivos y computación. Estas redes recompensan a los proveedores utilizando un token (cryptocurrency) correspondiente para construir, mantener, asegurar y ofrecer servicios a través de esta red de infraestructura descentralizada. A pesar de la popularidad de las redes de infraestructura descentralizadas, carecemos de herramientas sistemáticas para diseñar sus economías de token para incentivar el crecimiento de la oferta y la demanda del consumidor. Las economías de token de hoy en día se dirigen en gran medida a la financiación, como Bitcoin, y pueden operar con un suministro fijo de tokens. Sin embargo, estos sistemas monetarios de suministro fijo son muy diferentes de las redes de infraestructura física. Por ejemplo, en un sistema de suministro fijo como Bitcoin, los primeros adoptantes pueden almacenar tokens ya que son escasos. Nuestra tesis central es que una economía token debe ser diseñada para incentivar continuamente a nuevos proveedores a unirse al ecosistema y prestar servicios, como la conectividad 5G para estaciones de carga de helio o vehículos eléctricos. Como tal, el número de tokens debe escalar graciosamente con el tamaño de la red de infraestructura, que no conocemos a priori. Sin embargo, recompensar continuamente a los proveedores con tokens recién creados puede resultar en inflación si tales pagos no están cuidadosamente equilibrados con la demanda de los consumidores por servicios de infraestructura. Para resolver tales problemas, varios proyectos han considerado recientemente adoptar / adoptar un modelo de economía token “burn-and-mint” (tokenomics), donde una reserva central “monta” tokens a recompensar a los proveedores, mientras que los Además, tal equilibrio de burn-and-mint (BME) [1] debe ser “programable” para que las redes de infraestructura basadas en Blockchain puedan maximizar la utilidad total de todos los usuarios. Por ejemplo, esta función de utilidad de red (criterio de rendimiento) puede incluir el mantenimiento de un precio de token estable y en constante crecimiento con baja volatilidad. Del mismo modo, esta función de coste de red puede incentivar a nuevos proveedores/consumidores a expandir su cobertura geográfica. Además, la economía de token basada en BME podría ser diseñada para satisfacer estrictas garantías de rendimiento y restricciones, como limitar el número de tokens minados y/o quemados por día. Tomando esto aún más, los participantes en la economía probablemente son racionales y por lo tanto es importante considerar su agencia – y Nuestra visión clave es que las economías de token se pueden modelar como sistemas dinámicos, lo que nos permite aprovechar ideas poderosas de para maximizar la función de utilidad de una red Blockchain bajo las restricciones elegidas. La teoría del control es una herramienta natural ya que la economía de token es un sistema dinámico - el suministro de token circulante, el precio de token y el cambio de demanda del consumidor como una función de nuestras decisiones de quema y moneda. Del mismo modo, tenemos autoridad de control - somos capaces de adaptar los mecanismos de quema o moneda para regular la economía de token. Además, podemos diseñar una función de control de coste que captura las métricas clave para el desempeño deseado y la evolución del sistema dinámico de Blockchain. Crucialmente, podemos modelar la dinámica del sistema, ya que diseñamos el protocolo de Blockchain y la dinámica de la economía de token. Como tal, regular la economía de token mathematical control theory En general, las contribuciones de este artículo son triples. Al mejor de nuestro conocimiento, somos los primeros en aplicar la teoría del control óptimo a la tokenomics de Blockchain e introducir un modelo de sistemas dinámicos de propósito general que captura de forma flexible tanto los sistemas de suministro fijo como los sistemas de combustión y menta. Diseñamos un sistema de control para una economía de token utilizando métodos de control predictivo de modelos no lineales (MPC) que se utilizan en aplicaciones de alto rendimiento y críticas a la seguridad como la conducción autónoma [34,7], la manipulación robótica y la guía de cohetes [4]. Demostramos que estos métodos funcionan mejor que los controladores heurísticos comunes, como los controladores de derivados integrales proporcionales (PID) utilizados por algunos stablecoins algorít En general, la investigación previa sobre Blockchains como sistemas dinámicos [35,36,10] se centra en la rentabilidad minera y en la influencia de las recompensas de Block en la dinámica de la oferta y la demanda. Nuestro trabajo se diferencia de la literatura existente en que nos enfocamos en la comprensión de los incentivos y el equilibrio en los sistemas Blockchain centrados en la infraestructura. Trabajo relacionado Para entender mejor la robustez de nuestra metodología, también consideramos el impacto del comportamiento racional por parte de los consumidores en nuestro sistema. Para lograr esto, los análisis teóricos del juego en los sistemas Blockchain se han utilizado durante muchos años, comenzando con el whitepaper original de Bitcoin [26]. Desde el descubrimiento del ataque minero egoísta [16], los métodos teóricos del juego se han utilizado para investigar desviaciones racionales [12], piscinas mineras [15], y más recientemente las subastas de tarifas de transacción en Ethereum como Blockchains [31,13]. Nuestro trabajo se diferencia de la literatura existente ya que nos enfocamos en los efectos del comportamiento racional en las estrategias de compra y pago utilizadas para estabilizar los precios de los tokens, y no necesariamente en modelar los efectos en un protocolo Blockchain subya Finalmente, como nuestro objetivo es estabilizar el precio de un token en una red Blockchain, nuestro trabajo lleva un grado de similitud con las monedas estables algorítmicas. Sin embargo, nuestros intereses están en controlar de forma inteligente el suministro circulante de un token para equilibrar los pagos a los proveedores de servicios necesarios para escalar una red con una trayectoria de control predefinida sobre el precio del token. Por lo tanto, nuestro trabajo está más relacionado con las redes de servicios que emplean sistemas de combustión y minería como Helium [18] (que inspiró nuestro modelo) y Factom [32] que con las monedas estables de propósito más general como Reflexer [2] o Terra [19]. Además, la mayoría de la literatura existente es reactiva a través del uso de métodos heurísticos como PID, mientras que nuestro trabajo es predictivo 2 A Primer sobre el control óptimo Ahora proporcionamos un primer plano básico sobre la teoría del control óptimo, que nos permite modelar de forma natural la economía de token como un sistema dinámico controlado. Usando esto, describimos el estado de un sistema dinámico, las entradas de control, la dinámica y el criterio de rendimiento de alto nivel (función de coste). Crucialmente, tenemos un buen modelo nominal de la dinámica, ya que la economía del token está bajo nuestro diseño. Por supuesto, hay incertidumbres que surgen debido a la predicción de la demanda estocástica st. Dado que hemos conocido la dinámica nominal, utilizamos técnicas de control basadas en modelos estándar, que resuelven un problema de optimización para encontrar el conjunto óptimo de controles para minimizar la función de costo sujeto a restricciones dinámicas [11,9]. Además, a menudo restringimos el estado xt y control ut a estar en conjuntos X y U respectivamente para capturar, por ejemplo, los límites de actuación estrictos. Este artículo está disponible en archivo bajo la licencia CC BY 4.0 DEED. Este documento es bajo la licencia CC BY 4.0 DEED. Disponible en Archivo Disponible en Archivo