【硬塞科技字典】什麼是工作量證明(PoW)?

挖礦過程中,採用了一種稱為工作量證明機制(Proof-of-Work,PoW),以此來確認交易與避免雙重支付(也稱雙重花費,簡稱雙花)。
評論
評論

在區塊鏈的架構中,如何避免有人惡意竄改帳本? 挖礦 過程中,採用了一種稱為 工作量證明機制(Proof-of-Work,PoW),以此來確認交易與避免雙重支付(也稱雙重花費,簡稱雙花)。

也就是說如果兩個礦工同時解開了題目,那大家應該相信誰的呢? 之前提到說,挖礦過程就像讓全網礦工互相競爭去計算一道數學題,誰先算出答案,可以向所有礦工(節點)廣播一聲「我成功了!」。

但假設有兩個礦工向所有節點大喊一聲「我成功了!」的內容不一樣,就會導致後面礦工的區塊數據也會不一樣,之後即使解題得出的結果雖不一樣但都是正確解答,只是區塊不同而已。

於是區塊鏈在這個時刻出現了兩個都滿足要求的不同區塊,不過不同的礦工看到這兩個區塊是有先後順序的,通常礦工們會把自己先看到的區塊複製過來,在這區塊之上繼續新的挖礦工作。

在區塊鏈系統中, 工作量證明機制和最長鏈機制 都是共識演算法中關鍵的一環。工作量證明可以簡單理解為透過成果來證明完成多少相應的工作量,但什麼是最長鏈機制呢?

分岔 的區塊起,由於不同的礦工跟從了不同的區塊,在分岔出來的兩條不同鏈上「算力」是有差別的,換句話說就是這兩條鏈上的「礦工數不同」。 由於解題能力和礦工的數量呈正比,因此這兩條鏈的增長速度也是不一樣的。

一段時間後,其中一條鏈必定會超過另外一條,當礦工發現全網中有一條更長的鏈時,它就會拋棄它當前的鏈,把新的更長的鏈複製過來,在這條鏈的基礎上繼續挖礦。

當所有礦工都這樣操作,這條鏈就成為了主鏈,分岔出來的鏈被拋棄掉後就消失了。最終只有一條鏈會被保留下來,成為真正的帳本。其他都是無效的,所以保證整個區塊鏈的唯一性與安全。

比特幣系統的工作量證明共識機制演算法採用了 SHA-256 安全雜湊演算法 運算 Hash 值,透過讓礦工進行大量的窮舉運算,只要能解題成功,就代表工作量證明完成。主要的規則如下:

1、 一段時間內(以比特幣區塊鏈為例,約 10 分鐘左右,其他區塊鏈系統並不一定相同)只有一個節點可以記 (此帳為區塊鏈這個大帳本)成功。
2、 通過工作量證明競爭獲得唯一記帳權。
3、 其他節點複製記 (每個節點擁有自己的記帳複本)結果。

所以挖礦聽起來像是個體力活,但是要先搞懂這些規則,那可是十足的腦力活喔!

延伸閱讀:


Cookie 消失?試試看全新 AI 影像內容辨識:讓用戶看的內容決定看到的廣告

Google Chrome 即將淘汰幫助廣告主的工具—— Cookie ,它的離去將再一次地影響數位廣告產業。
評論
Photo Credit:<a href="https://www.shutterstock.com/zh/image-photo/ai-artificial-intelligence-big-data-internet-1075853384" target="_blank">shutterstock</a>
評論

透過GA分析進站者發現, Safari的新客數越來越多,難道這表示 iOS 的用戶數也跟著增加了嗎?注意了,這有可能是 Apple 封鎖第三方 Cookie 帶來的影響。隨著 Google 即將淘汰 Chrome 上的 Cookie ,這個幫助廣告主記住用戶受眾的小工具,將要再一次地影響數位廣告產業。

Photo Credit:驚點股份有限公司( FreakOut Taiwan )

後 Cookie 時代的廣告受眾如何鎖定?

各大廣告平台在過去幾年不斷地透過 Cookie 以及其它方式,悄悄收集使用者的用戶數據,隨著這幾年用戶的隱私權意識抬頭, Apple 與 Google 對於藉由 Cookie 辨識用戶資料的廣告投遞方式,持有不同的態度,這也將是所有廣告主的極大挑戰。當 Cookie 不復存在,要如何辨識使用者資料?

Cookie 消失了,或許會有新的數據辨識工具來取代,但是任何試圖跟蹤受眾的方式,都難以符合大眾對於保護隱私權的期望。另一方面,也極有可能無法再通過日趨嚴格的媒體監管限制。無論如何,數位廣告不能像過去一樣,無條件地使用類似 Cookie 的追蹤方式,來達到與現在同樣的廣告效果。

後 Cookie 時代內容辨識類型的廣告鎖定方式,將成為未來具指標性的投放策略。廣告與瀏覽平台或內文主題的高相關性,不僅能顯著提高受眾的互動度,更重要的是,完全不需要收集任何個人數據。

FreakOut Taiwan 不斷嘗試更友善的廣告投遞形式, 自 2016 年進入台灣市場的原生廣告,到 2020 年末引進「 Mirrors 」 AI 影像視覺內容辨識系統,都是以網路使用者的角度出發。「 Mirrors 」不需要使用傳統的受眾興趣設定,即可針對「目標受眾在觀看的影像內容」、「品牌自身競爭對手或相關指定系列產品出現的影片」來投遞 YouTube 上的影音廣告。

Photo Credit:驚點股份有限公司( FreakOut Taiwan )

AI 人工智慧影像技術突破,推動新一代內容辨識功能

傳統的內容比對廣告皆為自然語言處理 NLP 中心,基於「純文字」的比對來顯示相關廣告,如大家很熟悉的 Google AdSense 。但是,結合新興的 AI 演算和複雜的圖像辨識,已然能夠達到「影片」的內容偵測,透過增加多個比對層和基於自然語言處理 NLP 的基準定位,可深度學習並提供更精細的辨識洞察力。

舉例來說,若想要將汽車廣告投放給對汽車有興趣的人,我們要先從可能對汽車感興趣的受眾中開始推估,並且根據過去的經驗加入不同的興趣條件,最後針對素材更進一步地測試。透過 Mirrors ,我們可以讓廣告出現在有滿足特定條件的影片內,例如:在消費者觀看的影片中,出現汽車評測報告、自家品牌或競爭對手的 LOGO 、代言人等指定條件,再依照不同廣告主設定的預算判斷是否露出廣告。

藉由這樣的影像比對方式,可以更有效地根據消費者行為觸發廣告投遞條件,而不再是現行的用戶受眾數據。人的興趣是多樣且多變的,當對汽車有興趣的用戶在完成汽車的選購後,短期內將不會再瀏覽相關資訊,轉而瀏覽其他更具時效性的內容。透過消費者當下正在觀看的影片內容,取代消費者身上被貼上的數位標籤,將更貼近消費者本身的使用行為。

Photo Credit:驚點股份有限公司( FreakOut Taiwan )

Mirrors AI 影像辨識:用消費者看的內容決定廣告

2021 年台灣數位報告指出,台灣人在各網路內容服務中,最愛「網路影片」的比例高達 97.9%,遠超過 Vlog、串流音樂、網路廣播、Podcast 。

影音廣告早已是品牌經營的趨勢:根據 DMA 2019 年台灣數位廣告量統計報告指出,台灣各類型廣告中,影音廣告以 37.2% 的成長比例大幅領先奪冠。其中 YouTube 持續蟬聯台灣最常被造訪網站第 2 名(僅次於 Google ) ,在台灣各大影音平台中的觸及率及影響力不容小覷。

2021 年 FreakOut Taiwan 已與客戶合作,進行搭載新系統的 YouTube 串流內廣告投遞,在針對品牌及產品客製化的多層鎖定策略建議下,房地產廣告的 CTR 表現高於平均,並發現「人臉」群組辨識表現為佳,其中多為財經、名嘴等名人。而美妝品牌廣告 VTR 表現優異,則以品牌「 Logo 」、「人臉」群組有最出色的表現。

本文章內容由「驚點股份有限公司( FreakOut Taiwan )」提供,經關鍵評論網媒體集團廣編企劃編審。