Une racine sans données derrière
Imaginez un séquenceur qui publie une nouvelle racine sans jamais publier les transferts qui la justifient. Personne ne peut rejouer le lot, personne ne peut le contester, et personne ne connaît son propre solde.
Un rollup n’est sûr que si ses données sont disponibles. Vous allez voir comment la chaîne principale s’en assure, et pour combien de temps.
À la fin de cette leçon
Remarque
Je peux calculer combien d’échantillons aléatoires donnent une confiance visée que les données ont été publiées.
Mots-clés
| Mot | Ce que ça veut dire | Exemple |
|---|---|---|
| Disponibilité des données | le fait que tout le monde puisse télécharger les données | |
| Codage à effacement | ajouter des morceaux pour que n’importe quelle moitié reconstruise les données | |
| Échantillon | un morceau tiré au hasard qu’un nœud demande | |
| Blob | un bloc de données de rollup que la chaîne principale garde un temps | 131072 octets |
| Élagage | les nœuds qui effacent les vieilles données qu’ils n’ont plus à garder |
Les cellules que les étudiants remplissent restent vides dans cet aperçu.
Des données retenues cassent chaque garde-fou
Une preuve de fraude a besoin des données pour rejouer. Un utilisateur qui quitte le rollup en a besoin pour prouver son solde. La chaîne principale doit donc être sûre que les données ont vraiment été publiées, et pas seulement une racine.
Tout télécharger le prouve, mais c’est justement ce qui rendait les chaînes lentes. L’astuce consiste à contrôler quelques morceaux tirés au hasard.
Le codage à effacement complique la dissimulation
D’abord, on étire les données. k morceaux en deviennent 2k, choisis pour que k d’entre eux, n’importe lesquels, reconstruisent le reste. Pour cacher ne serait-ce qu’un morceau, un séquenceur doit désormais en retenir plus de la moitié.
Dans le labo, quatre nombres en deviennent huit. N’importe quels quatre des huit redonnent les quatre d’origine, et trois ne suffisent pas.
Étirer quatre nombres et les reconstruire
docker exec jupyter python3 steps/erasure.pyAffichée ici, non exécutée. Appuyez sur Démarrer le labo pour la saisir dans le terminal de votre propre labo.
Échantillonner pour trouver des données retenues
docker exec jupyter python3 steps/sampling.pyAffichée ici, non exécutée. Appuyez sur Démarrer le labo pour la saisir dans le terminal de votre propre labo.
Exemple travaillé : 63 morceaux publiés sur 128
| Échantillons par client | Clients alertés, sur 1000 | Chance qu’un client soit trompé |
|---|---|---|
| 1 | 496 | 0.492188 |
| 2 | 737 | 0.242249 |
| 4 | 930 | 0.058684 |
| 8 | 997 | 0.003444 |
| 16 | 1000 | 0.000012 |
Les cellules que les étudiants remplissent restent vides dans cet aperçu.
À vous : la chance qui baisse
chance_presente = 63 / 128
for echantillons in [1, 5, 10, 20]:
trompe = chance_presente ** echantillons
print(echantillons, "échantillons : trompé avec une chance de", "%.8f" % trompe)
# Remplacez 63 par 32 : seul un quart est publié. À quelle vitesse la chance baisse-t-elle ?
Les blobs sont gardés environ 18 jours
Depuis 2024, les rollups publient leurs données sous forme de blobs, un espace de 131072 octets chacun qui leur est réservé. La chaîne principale garde pour toujours un court engagement sur chaque blob. Les nœuds gardent le blob lui-même pendant 4096 époques, environ 18 jours, puis l’élaguent.
Depuis fin 2025, PeerDAS permet à chaque nœud de ne garder et de ne contrôler que certaines colonnes des blobs étendus. La chaîne peut donc transporter plus de blobs.
Regarder un blob se faire élaguer
docker exec jupyter python3 steps/expiry.pyAffichée ici, non exécutée. Appuyez sur Démarrer le labo pour la saisir dans le terminal de votre propre labo.
Erreur fréquente
Attention
On croit souvent que la chaîne principale garde les données des rollups pour toujours. Les nœuds élaguent un blob après environ 18 jours et ne gardent que son engagement. Une fenêtre de contestation doit donc se fermer bien avant, et qui veut l’historique garde sa propre copie.