区块链跨链技术:打破互操作性限制 推动价值互联网发展

币界网Dipublikasikan tanggal 2024-08-19Terakhir diperbarui pada 2024-08-19

币界网报道:

在区块链技术面临的诸多挑战中,区块链之间的互操作性问题极大程度地限制了其应用空间。无论是公有链还是联盟链,跨链技术都是实现价值互联网的关键,是区块链向外拓展和连接的重要桥梁。目前,主流的跨链技术包括公证人机制(Notary Schemes)、侧链/中继链(Sidechains/Relays)、哈希锁定(Hash-locking)以及多方安全计算(MPC)。

主流跨链技术

1、公证人机制(Notary Schemes)

公证人机制引入一方或多方可信实体作为信用背书,技术上可实现且较为简单。在这种机制中,公证人负责监听链上的事件,并对另一条链采取相应操作。公证人机制包括单签名、多签名和分布式签名三种实现方式。

单签名公证人机制:由单一指定的独立节点或机构担任,承担数据收集、交易确认和验证任务。尽管处理速度快,但安全性较为薄弱。

多签名公证人机制:由多位公证人共同签名完成跨链交易,提高了安全性,适用于需要多重签名支持的区块链。

9l6DdTl3OffxtzQc52QNCFT0cmh49z2IHhvohHwY.png 

分布式签名公证人机制:采用多方计算(MPC)思想,多个公证人持有密钥碎片,共同签名后拼凑出完整密钥,更加去中心化,安全性也更高。

 u4I6SjlGGklun2dC84p4o4X95ovtYUcHxrt26Jtc.png

2、侧链/中继链(Sidechains/Relays)

侧链技术通过双向锚定,实现主链和侧链之间的资产流通,增强主链的性能。主链上的资产可以通过SPV模式(简单支付验证)等方式在侧链中释放,实现资产的双向流通。BlockStream的Liquid项目和BTCRelay都是典型的侧链应用,侧链技术相对哈希锁定而言,能够提供更多的跨链交互场景。

3、哈希锁定(Hash-locking)

哈希锁定技术用于区块链网络之间的资产交换,确保资产转移要么全部完成,要么全部未完成。其底层技术包括哈希时间锁定合约,通过设置超时机制,确保交易的安全性和完整性。该技术被广泛应用于闪电网络,极大提升了交易速度和安全性。

4、多方安全计算(MPC)

多方安全计算通过分布式节点控制区块链系统中的私钥,将数字资产的使用权和所有权分离,实现不同区块链系统间的资产流通和价值转移。MPC方案保障了跨链交易的安全性和隐私性,推动了区块链技术的进一步发展。

跨链技术推动价值互联网发展

当下的我们进入了一个以人工智能、区块链和大数据等为代表的数字化社会,各种新模式、新业态层出不穷。随着区块链应用深化,支付结算、物流追溯、医疗病历、身份验证等领域的企业或行业,都将建立各自区块链系统。

DDO认为,未来这些众多的区块链系统间的跨链协作与互通是一个必然趋势。可以说,跨链技术是区块链实现价值互联网的关键,互联互通将成为越来越重要的议题。

未来,区块链的标准,将从用户的角度出发、以业务为导向,从智能合约、共识机制、私钥安全、权限管理等维度,规范区块链的技术和治理,增强区块链的可信程度,给区块链的信任增加砝码。DDO也将继续创新研发,助力推动价值互联网的实现。

Bacaan Terkait

Ethereum Turun 45% Sejak Awal Tahun – Lalu Mengapa SharpLink dan Paus Masih Membeli?

Meskipun harga Ethereum (ETH) turun 20-45% sejak awal tahun, minat institusional terhadap aset kriptu terkemuka ini tetap kuat. SharpLink, setelah jeda delapan bulan, kembali membeli 5.000 ETH senilai sekitar $7,88 juta, diikuti penambahan 26.324 LSETH senilai $45,54 juta. Total kepemilikannya kini mencapai 876.285 ETH, menunjukkan keyakinan pada utilitas jangka panjang dan pendapatan staking Ethereum, meski menghadapi kerugian belum terealisasi hampir $1,71 miliar. Tren akumulasi ini juga tercermin pada aktivitas "paus" (whale), dengan satu dompet baru mengakumulasi 18.361 ETH senilai $28,9 juta dalam sembilan hari terakhir, menandakan persiapan untuk pergerakan harga di masa depan. Namun, kepercayaan yang kembali bangun ini belum sepenuhnya tercermin dalam permintaan institusional yang lebih luas. ETF Spot Ethereum justru mencatat arus keluar bersih, dengan penarikan $12,85 juta pada 26 Juni. Meski demikian, total aset yang dipegang penerbit ETF masih signifikan, senilai lebih dari $8,38 miliar, yang mengindikasikan penyesuaian posisi berkelanjutan daripada pelepasan total. Pada intinya, akumulasi oleh treasury perusahaan dan paus mendukung prospek jangka panjang Ethereum, tetapi pemulihan berkelanjutan masih bergantung pada membaiknya sentimen pasar dan arus masuk ETF yang lebih kuat untuk mengimbangi tekanan penjualan institusional yang masih ada.

ambcrypto4j yang lalu

Ethereum Turun 45% Sejak Awal Tahun – Lalu Mengapa SharpLink dan Paus Masih Membeli?

ambcrypto4j yang lalu

Baru Saja, DeepSeek V4 Perbarui DSpark, Kecepatan Inference Meningkat 80%

Baru-baru ini, DeepSeek V4 diperbarui dengan framework *Speculative Decoding* baru bernama **DSpark**, yang diklaim meningkatkan kecepatan inferensi hingga 80%. Pembaruan ini, yang juga disertai open-sourcing framework **DeepSpec**, berfokus pada optimasi teknikal dan peningkatan performa, bukan perubahan arsitektur model inti. DSpark mengimplementasikan **Semi-Autoregressive Generation** untuk menjaga throughput tinggi dan meningkatkan akurasi token yang dihasilkan oleh model draf (*draft model*). Inovasi utamanya adalah **Confidence-Scheduled Verification**, yaitu sistem penjadwalan yang cerdas dan adaptif. Sistem ini menggunakan *Confidence Head* untuk memperkirakan probabilitas penerimaan setiap token kandidat dan secara dinamis menyesuaikan panjang verifikasi berdasarkan beban kerja sistem (*hardware-aware*), sehingga mengalokasikan daya komputasi hanya ke token yang paling potensial. Dalam pengujian di berbagai domain (penalaran matematika, generasi kode, percakapan), DSpark menunjukkan peningkatan signifikan dibandingkan model *state-of-the-art* seperti Eagle3 dan DFlash. Pada kondisi *throughput* yang setara, DSpark meningkatkan kecepatan respons pengguna sebesar 57%-85% untuk model DeepSeek-V4 Flash dan Pro. DeepSpec, yang dirilis bersamaan, adalah *codebase* lengkap untuk melatih dan mengevaluasi model draf *speculative decoding*. Framework ini menyediakan pipeline standar (persiapan data, pelatihan, evaluasi) dan mendukung beberapa algoritma (DSpark, DFlash, Eagle3) serta model target (Qwen3, Gemma), memudahkan peneliti dan insinyur untuk mengembangkan dan menerapkan teknik percepatan inferensi pada model bahasa besar mereka sendiri.

marsbit5j yang lalu

Baru Saja, DeepSeek V4 Perbarui DSpark, Kecepatan Inference Meningkat 80%

marsbit5j yang lalu

Ternyata Beginilah Cara Karpathy Menggunakan Claude?

Sejak bergabung dengan Anthropic, aktivitas Andrej Karpathy di komunitas terbuka berkurang drastis. Baru-baru ini, sebuah dokumen bernama CLAUDE.md yang diklaim sebagai panduan penggunaan Claude milik Karpathy beredar di komunitas. Isinya berisi sejumlah prinsip ketat untuk memandu AI dalam menulis kode, yang bertujuan mengurangi kesalahan umum model bahasa besar (LLM). Prinsip-prinsip utama mencakup: 1) **Baca dahulu sebelum menulis** – pahami struktur dan gaya kode proyek yang ada. 2) **Berpikir sebelum menulis kode** – klarifikasi asumsi, pertimbangkan trade-off, dan uraikan rencana. 3) **Tetap sederhana** – hindari desain berlebihan, abstraksi prematur, dan fleksibilitas yang tidak diperlukan. 4) **Modifikasi terarah** – lakukan perubahan minimal yang sesuai dengan gaya kode asli, jangan melakukan reformatting atau pembersihan yang tidak relevan. 5) **Verifikasi dan uji** – pastikan kode berfungsi seperti yang diharapkan dengan pengujian yang tepat. 6) **Debug secara sistematis** – jangan menebak, selidiki akar masalahnya. 7) **Hati-hati dengan dependensi** – hindari menambah dependensi yang tidak perlu. 8) **Komunikasi yang jelas** – jelaskan apa yang dilakukan dan alasannya. Dokumen ini juga menyoroti pola kegagalan umum seperti abstraksi yang salah, "optimistic path", dan "halusinasi pengetahuan". Meskipun keaslian dokumen ini diragukan, isinya sangat selaras dengan pemikiran Karpathy yang telah banyak mengkritik kelemahan LLM dalam pemrograman. Prinsip-prinsip ini, yang juga telah dijadikan template populer di GitHub, dianggap dapat meningkatkan efektivitas dan mengurangi kesalahan saat menggunakan asisten AI seperti Claude untuk pengembangan perangkat lunak.

marsbit6j yang lalu

Ternyata Beginilah Cara Karpathy Menggunakan Claude?

marsbit6j yang lalu

Trading

Spot
活动图片