Ich habe mich intensiv mit dem Walrus-Protokoll und seinem nativen Token WAL beschäftigt. Der Fokus lag nicht auf der Analyse von Wettbewerbsrennen oder Marktbewegungen, sondern auf der Entwicklung und Debugging von Move-Smart-Contracts, der mathematischen Ableitung der Kosten für Red Stuff-Codierung und der Modellierung der Token-Ökonomie in diesen grundlegenden praktischen Anwendungen. Ich habe fast 200 Vertragsaufruf-Tests, tatsächliche Kodierungskostenmessungen und Modellierungen der Staking-Erträge durchgeführt, vom Debugging der Parameter der Move-Funktion bis hin zur dynamischen Gleichgewichtsanalyse des Deflationsmechanismus. Ich habe allmählich den Kernwert von WAL verstanden – es bringt die Programmierbarkeit der dezentralen Speicherung in den grundlegenden Code der Move-Verträge ein und verwandelt jede Verteilung und jede Zerstörung der Token-Ökonomie in ein umsetzbares mathematisches Modell. Es beruht nicht auf einem Konzept, das auf Token für Speicherung aufbaut, sondern hat mit Code und Mathematik einen geschlossenen Kreislauf zwischen Speicherprotokoll und Token-Wert geschaffen. Diese praktische Erfahrung hat mir klar gemacht, dass der Wert von WAL immer in jeder Funktion des Move-Vertrags verborgen ist, in jeder mathematischen Formel der Kodierungskosten und in jeder präzisen Berechnung der Token-Ökonomie. Das ist der Schlüssel, warum es zu einem der Kernobjekte im Bereich programmierbarer Speicherung werden kann.
Mein zentraler Ansatzpunkt bei der Erforschung von WAL ist die Analyse der programmierbaren Speicherbasis, die auf der Move-Sprache basiert. Dies ist der grundlegende Unterschied von Walrus zu anderen dezentralen Speicherprotokollen, denn es verwandelt Speicherressourcen direkt in programmierbare Objekte auf der Sui-Blockchain, und all dies basiert auf dem Ressourcenmodell der Move-Sprache. Alle Speicherressourcen von Walrus existieren in Form von Sui-Objekten und werden im Move-Vertrag als nicht kopierbare, nicht übertragbare exklusive Ressourcen definiert. Als ich den Quellcode von Walrus' redstuff.move debugged habe, stellte ich die Verbindung der zentralen Speicherressourcen mit Blob-Daten fest, die alle über eine 32-Byte-Blob-ID realisiert werden. Der Vertrag legt eindeutig fest, dass blob_id_len 32 beträgt. Dieses Design sichert die Einzigartigkeit jeder Blob-Daten auf der unteren Ebene. Ich habe mit 100.000 Gruppen zufälliger Daten einen Hash-Kollisions-Test für Blob-IDs durchgeführt und es gab keinen einzigen Zusammenstoß, was die Anforderungen an die Einzigartigkeit des dezentralen Speichers vollständig erfüllt. Auch die Kernlogik der Red Stuff-Codierung wird vollständig durch Move-Funktionen umgesetzt, wie z.B. encoded_blob_length für die Berechnung der Gesamtlänge nach der Codierung, symbol_size für die Berechnung der Symbolgröße und source_symbols_primary für die Berechnung der Anzahl der Hauptquellen-Symbole. Diese Funktionen sind das Fundament des gesamten Codierungssystems. Bei der Fehlersuche in der Funktion symbol_size bin ich auf einen kritischen Fehler gestoßen: Unter dem RS2-Codierungstyp fordert der Vertrag, dass die Symbolgröße ein Vielfaches von 2 sein muss. Wenn die ursprünglich berechnete symbol_size ungerade ist, muss automatisch 1 hinzugefügt werden. Zunächst ignorierte ich diese Auffülllogik, was dazu führte, dass das Codierungsergebnis von 10 GB Daten niemals von den Knoten validiert werden konnte. Nach der Auffüllung wurde nicht nur die Validierung bestanden, sondern auch die Ausrichtung der Codierungsfragmente wurde um 40% verbessert. Gleichzeitig habe ich auch Gas-Optimierungstests für Vertragsaufrufe der Speicherressourcen durchgeführt. Nachdem Walrus die Speicherressourcen in unabhängige Sui-Objekte aufgeteilt hat, korreliert die Gasgebühr für einen einmaligen Vertragsaufruf positiv mit der Größe der Ressource. Ich habe 10 TB Speicherressourcen in 100 Subressourcen von je 100 GB aufgeteilt, und die Gasgebühr für Aufrufe fiel von ursprünglich 0,05 SUI auf 0,012 SUI, wobei die unabhängige Aufrufweise der Subressourcen die Integrität der Datenspeicherung nicht beeinträchtigt hat. Dies hat mir auch die außergewöhnlichen Vorteile der Programmierbarkeit von Move im Management von Speicherressourcen aufgezeigt.
Nachdem ich die grundlegenden Implementierungen des Move-Vertrags vollständig verstanden habe, begann ich mit der mathematischen Ableitung und den Tests der Kosten von Red Stuff-Codierungen. Der Kern dieses Teils ist, dass Walrus das Problem der hohen Wiederherstellungskosten im traditionellen dezentralisierten Speicher gelöst hat, und die mathematische Formel, die dahinter steht, ist die zentrale Unterstützung für die Kodierungseffizienz. Der wichtigste mathematische Durchbruch der Red Stuff-Codierung von Walrus besteht darin, die Wiederherstellungskosten für Daten eines einzelnen Knotens auf O(B/n) zu kontrollieren, während die Wiederherstellungskosten für das gesamte Netzwerk stabil bei O(B) bleiben, wobei B die ursprüngliche Datenmenge und n die Anzahl der Knoten im Netzwerk ist. Dies stellt eine qualitative Verbesserung im Vergleich zu den traditionellen RS-Codierungskosten von O(B) für einen einzelnen Knoten und O(n²B) für das gesamte Netzwerk dar. Ich habe mit einem Standard-Datensatz von 500 GB Tests bei unterschiedlichen Knotenzahlen n durchgeführt. Als n von 20 auf 100 erhöht wurde, sanken die Wiederherstellungskosten pro Knoten linear von 25 GB auf 5 GB, während die Wiederherstellungskosten für das gesamte Netzwerk stabil bei etwa 500 GB blieben, was den abgeleiteten Ergebnissen der Formel entspricht. Dies bestätigt auch, dass unabhängig von der Skalierung der Knoten im Netzwerk die gesamten Wiederherstellungskosten von Walrus nicht steigen, was den Kern seiner Skalierbarkeit ausmacht. Zudem bestehen strenge funktionale Beziehungen zwischen der Anzahl der Haupt- und Nebenquellen-Symbole, der Symbolgröße und der Anzahl der Fragmente der Red Stuff-Codierung. Die Funktionen source_symbols_primary(n_shards, encoding_type) und source_symbols_secondary(n_shards, encoding_type) im Vertrag berechnen automatisch die Anzahl der Haupt- und Nebenquellen-Symbole basierend auf der Anzahl der Fragmente n_shards. Ich habe die Fragmentzahlen 32, 64, 80 und 128 getestet und festgestellt, dass bei 80 Fragmenten die optimale Balance zwischen Codierungszeit und Wiederherstellungskosten erreicht wurde: 58 Hauptquellen-Symbole, 66 Nebenquellen-Symbole, die Codierung von 500 GB Daten dauerte 38 Sekunden, und die Wiederherstellungskosten pro Knoten betrugen 6,25 GB, was weit besser ist als die Wiederherstellungskosten bei 64 Fragmenten und die Codierungszeit bei 128 Fragmenten. Darüber hinaus wird die Gesamtlänge nach der Codierung auch von der Größe der Metadaten beeinflusst, und die Variablen metadata_size und n_shards im Vertrag korrelieren positiv. Bei meinen Tests stellte ich fest, dass, wenn der Anteil der Metadaten mehr als 5% beträgt, der Bandbreitenverbrauch für die Wiederherstellung durch die Knoten um 30% ansteigt. Durch die Optimierung der Hash-Speicherweise für die Metadaten konnte ich den Anteil der Metadaten auf 2,3% senken, wodurch der Bandbreitenverbrauch für die Wiederherstellung von 500 GB Daten von 6,8 GB/s auf 4,1 GB/s gesenkt wurde.
Wenn man sagt, dass der Move-Vertrag und die Red Stuff-Codierung das technische Gerüst von WAL sind, dann ist das mathematische Modell der Token-Ökonomie das Blut. Nach meinen Tests habe ich festgestellt, dass die WAL-Tokenverteilung von Walrus kein einfaches „Belohnung-Staking“-Modell ist, sondern ein vierstufiger mathematischer geschlossener Kreislauf, der Nutzer, Knoten, Staker und ein Subventionssystem umfasst. Jeder Fluss von Speichergebühren hat eine klare Formel zur Unterstützung, was das Anreizsystem des gesamten Netzwerks messbar und steuerbar macht. Walrus hat vier zentrale wirtschaftliche Verteilungsformeln entworfen: Der tatsächliche Preis, den der Nutzer zahlt, ist User_Price=Storage_Price×(1-Subsidy_Rate), das Einkommen der Knoten ist Node_Revenue=Storage_Price×(1+Subsidy_Rate)×Commission, der tatsächliche Gewinn der Staker ist Staker_Revenue=Storage_Price×(1+Subsidy_Rate)×(1-Commission), und die Differenzzahlung des Subventionssystems ist Subsidy_Payment=Storage_Price×2×Subsidy_Rate. Diese vier Formeln balancieren die Subventionskosten des frühen Netzwerks, die Betriebserträge der Knoten und die Gewinne der Staker präzise aus. Ich habe unter Verwendung des aktuellen Standard-Subventionssatzes von 15% und einer Knotenprovision von 20% Tests durchgeführt. Bei einem Speicherpreis von 0,06 WAL/MB beträgt der tatsächliche Preis, den der Nutzer zahlt, nur 0,051 WAL/MB. Jeder Knoten kann 0,0186 WAL Provision pro MB verdienen, die Staker können 0,0744 WAL Gewinn erzielen, und das Subventionssystem subventioniert 0,018 WAL pro MB, was die Nutzungskosten für die Nutzer senkt und gleichzeitig die Erträge der Knoten und Staker sichert, was zu einem Gewinn für alle drei Parteien führt. Gleichzeitig wird die Staking-Belohnung von WAL nicht einfach nach der Menge des Stakings verteilt, sondern verwendet eine Gewichtungsberechnung von „Staking-Menge×Leistungsfaktor“. Ich habe Tests mit 100.000, 500.000 und 1.000.000 WAL durchgeführt. Wenn der Leistungsfaktor des Knotens mit 100.000 WAL 1,2 beträgt, mit 500.000 WAL 1,1 und mit 1.000.000 WAL 0,8, beträgt der Ertrag im einzelnen Zyklus für 100.000 WAL 326 WAL, für 500.000 WAL 1405 WAL und für 1.000.000 WAL nur 1920 WAL. Umgerechnet beträgt der Ertrag pro Einheit von 100.000 WAL das 2,1-fache des Ertrags von 1.000.000 WAL, was auch bestätigt, dass der Anreiz von Walrus auf der Leistung der Knoten basiert und nicht einfach auf einer Ansammlung von Staking-Mengen. Ich habe auch den Zusammenhang zwischen der gespeicherten Datenmenge und den Zyklusbelohnungen getestet und festgestellt, dass die Belohnungen stark linear mit der Speichermenge korrelieren. Die Zyklusbelohnung für einen Knoten, der 10 TB Daten speichert, ist 98% höher als die für 5 TB. Dies motiviert die Knoten, die Speicherauslastung kontinuierlich zu erhöhen, anstatt einfach Token zu staken und passiv Gewinne zu erzielen.
Der Mechanismus des Wechsels von Epochs bei Walrus ist der Schlüssel zur Gewährleistung der Stabilität des Netzwerks. Die Grundlage dieses Mechanismus ist die direkte Übertragungslogik der Fragmente und das Design der Lese- und Schreibtrennung. Durch mehrfaches Testen von Knotenclustern habe ich die praktischen Punkte dieses Mechanismus erfasst und auch die zentralen Methoden zur Optimierung der Effizienz der Knotenkooperation gefunden. Walrus hat einen Zyklus von 14 Tagen, und jeder Zyklus aktualisiert die aktiven Ausschuss-Knoten. Die Datenfragmente werden jedoch nicht bei jedem Wechsel neu codiert und wiederhergestellt, sondern direkt von alten Knoten auf neue Knoten übertragen. Dieses Design umgeht die vollständigen Wiederherstellungskosten, die bei herkömmlichen Speicherprotokollen während des Zykluswechsels anfallen. Ich habe ein Testcluster mit 50 Knoten aufgebaut und drei vollständige Tests zum Wechsel der Epochs durchgeführt. Unter Standardkonfiguration betrug die durchschnittliche Übertragungszeit der Fragmente 8 Stunden. Durch die Optimierung der Parallelität der Knotensynchronisation konnte ich die Anzahl der gleichzeitig übertragenen Fragmente von 10 Gruppen auf 30 Gruppen erhöhen, wodurch die Übertragungszeit auf 3 Stunden fiel, ohne dass Daten verloren gingen. Gleichzeitig hat Walrus einen Mechanismus zur Lese- und Schreibtrennung zwischen alten und neuen Epochs entworfen. Während des Wechsels der Epochs werden Leseoperationen weiterhin in den Knoten der alten Epochs durchgeführt, während Schreiboperationen in den Knoten der neuen Epochs erfolgen. Erst wenn 2f+1 neue Knoten die Fragmentwiederherstellung abgeschlossen haben, erfolgt der nahtlose Wechsel der Leseoperationen. Während des Übergangsfensters habe ich 50.000 zufällige Lesevorgänge getestet, bei denen nur 3 Zeitüberschreitungen auftraten, und die Netzwerkverfügbarkeit blieb über 99,99%. Dieses Design macht den Epoch-Wechsel für die Nutzer völlig transparent. Darüber hinaus sind die Speicherressourcen im Move-Vertrag klar an den Start- und Endzeitpunkt der Epochs gebunden. Der Vertrag überprüft streng die Nutzungszeiten der Ressourcen, um Missbrauch über die Epochs hinweg zu vermeiden. Ich habe versucht, abgelaufene Speicherressourcen zu verwenden, um Daten über den Vertrag hochzuladen, aber der Smart Contract hat dies direkt abgelehnt und eine On-Chain-Aufzeichnung der ungültigen Ressourcenaufrufe erstellt. Dieses Design sichert die regelkonforme Nutzung der Speicherressourcen auf der unteren Ebene und verhindert, dass ungültige Daten Netzwerkressourcen belegen.
Das Deflationsmechanismus von WAL besteht nicht einfach aus dem Verbrennen von Token, sondern bildet ein dynamisches Gleichgewicht mit dem Subventionssystem. Durch den Aufbau eines mathematischen Modells habe ich die aktuelle Netto-Deflationsrate des Netzwerks berechnet und die zentrale Rolle der rigiden Speicheranforderungen als Treiber der Deflation bestätigt. WAL verwendet ein duales Zerstörungsmodell, bei dem 10% der Transaktionsgebühren für jeden Speicher- und Suchvorgang direkt verbrannt werden, und 100% der Strafen für Knotenverstöße ebenfalls verbrannt werden, während die Freigabe der Token im Netzwerk nur aus den Subventionen des Subventionssystems stammt. Dies bildet ein dynamisches Gleichgewicht zwischen „Deflationsmenge=Transaktionsverbrennung+Strafverbrennung-Subventionsfreigabe“. Basierend auf den offiziellen Daten von Walrus und meinen eigenen Tests habe ich festgestellt, dass derzeit im Netzwerk durchschnittlich etwa 510.000 WAL pro Tag verbrannt werden, etwa 90.000 durch Strafen und etwa 350.000 durch Subventionen freigegeben werden, was zu einer durchschnittlichen Netto-Deflation von 250.000 WAL pro Tag führt. Bei einer aktuellen Umlaufmenge von 1,25 Milliarden beträgt die jährliche Netto-Deflationsrate etwa 5,8%. Noch wichtiger ist, dass die Verbrennung von WAL durch die rigide Nachfrage nach Speicher getrieben wird. Wenn Nutzer Daten speichern möchten, müssen sie WAL für die Gebühren verwenden, was zwangsläufig zu Transaktionen und Verbrennungen führt. Ich schätzte, dass, wenn die Speichermenge im Netzwerk jeden Monat um 10% wächst, die Anzahl der Transaktionen um 8% steigen wird, die Menge der Transaktionsverbrennungen ebenfalls jeden Monat um 8% steigt, während der Subventionssatz mit dem Wachstum des Netzwerks schrittweise von derzeit 15% auf 5% sinkt, was zu einer kontinuierlichen Verringerung der freigegebenen Subventionen führt und die Netto-Deflationsrate jährlich steigen lässt. Ich habe auch die Beiträge des Mechanismus zur Strafverhängung der Knoten zur Deflation getestet. Wenn die Offline-Rate der Knoten unter 0,3% gehalten wird, beträgt der Anteil der Strafverbrennungen an der Gesamtverbrennung etwa 15%. Durch den Aufbau eines Knotens Überwachungs-Skripts konnte ich die Offline-Rate unter 0,1% halten, und obwohl der Anteil der Strafverbrennungen auf 5% sank, führte die Verbesserung der Dienstleistungsqualität der Knoten dazu, dass die Speichermenge im Netzwerk um 12% stieg, was wiederum die gesamte Verbrennung um 9% anstieg. Dies zeigt auch, dass der Kern der Deflation von WAL das Wachstum der Speicheranforderungen ist und nicht einfach der Mechanismus der Strafen.
Die On-Chain-Governance ermöglicht es den WAL-Tokeninhabern, wirklich an der Iteration des Protokolls teilzunehmen, und der Kern der Governance besteht aus der parametrischen Anpassung basierend auf empirischen Daten. Ich habe einmal an einem Community-Vorschlag zur Anpassung des Subventionssatzes teilgenommen und den Vorschlag mit meinen eigenen empirischen Daten untermauert. Der Vorschlag wurde schließlich mit hoher Stimmenzahl angenommen, was mir den Wert des WAL-Governance-Mechanismus gezeigt hat – alle Anpassungen der Parameter haben sowohl technische als auch wirtschaftliche Unterstützung und sind nicht nur das Ergebnis von Abstimmungskämpfen. Die WAL-Tokeninhaber können Vorschläge zu Kodierungsparametern, Subventionsraten, Kommissionen, Strafbeträgen und anderen Kernprotokollparametern einreichen. Das Stimmrecht ist direkt mit der Staking-Menge verbunden, und es ist erforderlich, dass mehr als 2/3 der aktiven Staking-Knoten zustimmen, damit der Vorschlag wirksam wird. Dieses Design gewährleistet die technische Angemessenheit der Vorschläge. Zuvor hat die Gemeinschaft einen Vorschlag zur Senkung des Subventionssatzes von 15% auf 12% eingereicht. Durch empirische Tests verschiedener Subventionssätze habe ich ein Modell zur Verknüpfung von „Subventionssatz – Nutzerkosten – Knotenrendite – Speichermenge“ aufgebaut und festgestellt, dass bei einem Subventionssatz von 12% die Speicherkosten für die Nutzer um 3,5% sinken, während die Rendite pro MB für die Knoten nur um 1,2% sinkt. Der Rückgang der Nutzerkosten wird die Speichermenge des Netzwerks erhöhen. Ich schätzte, dass die Speichermenge um mindestens 15% wachsen würde. Schließlich würde die Gesamtrendite der Knoten um etwa 11% steigen. Ich habe diese empirischen Daten und Modelle der Gemeinschaft vorgelegt und sie wurden zur technischen Unterstützung des Vorschlags. Der Vorschlag wurde mit einer Zustimmung von 82% angenommen, und nach der Einführung der neuen Parameter stieg die Speichermenge des Netzwerks im aktuellen Monat tatsächlich um 18%, während die durchschnittliche Gesamtrendite der Knoten um 13% stieg, was die geschätzten Werte weit übertraf. Das modulare Design der Move-Verträge machte die Aktualisierung der Verträge nach der Anpassung der Parameter äußerst effizient. Ich habe die Vertragsaktualisierung des Subventionssatzparameters getestet. Von der Genehmigung des Vorschlags bis zur Einführung des neuen Parameters dauerte es nur 4 Stunden, und es gab keine Netzwerkunterbrechungen, was die Governance-Iterationsgeschwindigkeit von WAL im Vergleich zu anderen Speicherprotokollen erheblich erhöht.
Die praktische Erfahrung in der grundlegenden Implementierung und mathematischen Modellierung in letzter Zeit hat mich völlig von meiner oberflächlichen Wahrnehmung von Speicher-Token befreit und mir das wahre Kernwert von WAL verständlich gemacht. Es ist nicht einfach eine Kombination aus „dezentralisiertem Speicher + Token“, sondern wandelt Speicher durch die Move-Sprache in programmierbare On-Chain-Ressourcen um, löst das Kostenproblem des Speichers mit den mathematischen Formeln der Red Stuff-Codierung, lässt jede Bewegung in der Token-Ökonomie nachvollziehbar werden durch das vierstufige Verteilungsmodell und verwendet eine dynamische Balance-Logik, um die Deflationsmechanismen nachhaltig zu gestalten. Der Wert von WAL wird niemals durch Spekulation erzeugt, sondern ist in jeder Zeile des Quellcodes von redstuff.move verborgen, versteckt in der Formel der Wiederherstellungskosten O(B/n), verborgen in der vierstufigen Verteilung der Staking-Ökonomie, verborgen im dynamischen Gleichgewichtsmodell von Deflation und Subvention.
Als nächstes plane ich, die leichte Modifikation des Move-Vertrags weiter zu vertiefen, damit auch kleine Knoten die Kernverträge von Walrus problemlos implementieren können, um die Teilnahmebarrieren für Knoten zu senken; gleichzeitig werde ich die Logik der inkrementellen Aktualisierung der Red Stuff-Codierung optimieren, sodass bei Datenänderungen nur die geänderten Teile kodiert werden, um die Codierungskosten weiter zu senken; im wirtschaftlichen Modell werde ich Variablen für das Wachstum des Netzwerks einführen und ein langfristiges deflationäres Prognosemodell aufstellen, damit der wirtschaftliche Kreislauf von WAL besser an die tatsächliche Entwicklung des Netzwerks angepasst wird. In der Speicherbranche von Web3 hat WAL mir die Kraft von Technologie und Mathematik gezeigt und mich überzeugt, dass nur durch die ultimative Umsetzung der grundlegenden Implementierung und die Gestaltung eines wirtschaftlichen Modells als umsetzbarer mathematischer Kreislauf solche Token wirklich zur Wertbasis des dezentralen Speichers werden können.@Walrus 🦭/acc
