张量算法是原链发布的新POW一致性算法。它将矩阵和张量计算集成到一致性算法过程中，使矿机可以用于AI加速。在整个张量算法过程中，块头hash的选取和难度值的比较仍然是头尾相连的步骤，但是中间穿插了很多矩阵相关的操作，这些操作在AI计算中是常见的，所以支持矿机相对于原矿机可以提高AI加速服务。
与原有的链张量算法相比，
张量算法可以通过难度值来调整计算的难度。
张量算法在算法过程中穿插了矩阵生成、矩阵变换、矩阵乘法等运算。
矿机可以用来加速AI的服务，从而提高矿机的资源利用率。
张量算法一般分为以下步骤：
生成种子
生成缓存
构造矩阵列表
矩阵乘法运算
工作负载生成
[x种子每256块变化一次。块0 ~ 256(这里有257个块)使用块0的块头hash，块257 ~ 512使用块256的块头hash，块513 ~ 768使用块512，以此类推。生成缓存缓存是由种子生成的，种子和缓存是对应的，所以缓存的生成周期和种子是一样的。缓存的作用是填充256个矩阵的列表。因为每个矩阵有256行和列，每个元素都是长度为一个字节的整数数据int8，所以缓存的大小是256x256x1b=1677216b=16mb。使用Scrypt算法生成缓存，Scrypt算法在计算过程中会生成相应的伪随机数集，作为尚力财经小编2022缓存值。由于Scrypt算法的特点，需要输入一个128字节的种子作为输入值。所以首先需要对2.1中得到的32字节种子值进行扩展，得到一个128字节的扩展种子extseed。之后extseed在Scrypt中的smix进程中循环128次，将128次产生的随机数集连接起来形成缓存。算法如下：算法calcseedcache。算法：calcSeedCache -输入：seed输出：cache - 1？初始化？外部？=?3,scryptround？=?128;2?extseed？=?种子；3?tmphash？=?种子；4?为了什么？我？=?1;我？=?外部的；我？do5？tmphash？=?sha 256(tmphash)；6?extseed？=?追加(extseed，tmphash)；7?end8？缓存？=?null9?tmpv？=?null10?为了什么？j？=?1;j？=?scryptround？j？do11？tmpv？=?Scrypt.smix(extseed，tmpv)；12?缓存？=?追加(缓存，tmpv)；13?end14？回归？cache——每组中32个元素为一个单元，这样就可以得到一个规格为321024128的缓存矩阵列表tmpmatrix，每个元素为uint32。recomposedmatrix列表与tmpmatrix具有相同的规范。tmpmatrix中奇数索引的元素值对应于recomposedmatrix中的元素1到512。类似地，tmpmatrix中even index的元素值对应于recomposedmatrix中的元素513到1024。之后转换成规格为256X256X256的矩阵列表cachematrix，每个矩阵元素为int8的一个字节。算法如下：算法构造CacheMatrix。
算法：构造缓存矩阵-输入：cacheOutput:cachematrix - 1？初始化？dim1？=?32;dim2？=?1024;dim3尚力财经小编2022？=?128;暗淡？=?256;2?tmpmatrix？=?矩阵（缓存，dim1，dim2，dim 3)；3?composedmatrix？=?NewMatrix(dim1，dim2，dim 3)；4?cachematrix？=?NewMatrix(dim，黯然，dim)；5?重组矩阵[:][1:dim 2/2][:]？=?tmpmatrix[:][all？奇怪吗？index][:]；6?重组矩阵[:][dim 2/2 1:dim 2][:]？=?tmpmatrix[:][all？甚至？index][:]；7?cachematrix？=?float 64(Matrix(int 8 array(重组矩阵)，黯然，黯然，dim)))；8?回归？缓存矩阵-矩阵乘之前需要生成矩阵乘的索引，将区块头哈希值分成四组，之后将每一组进行哈希运算，得到32字节的哈希值。每个字节的值正好取值为0至255,对应着256个矩阵。矩阵相乘的过程中将每个矩阵元素由int8类型转化为int32类型。相乘的中间结果是int32类型，这个时候可以将int32数值的低位两个字节相加取模256,得到一个新的值，这就完成了32位转8位的操作。两个矩阵乘相乘遵从线性代数的运算法则，左矩阵与右矩阵的转置矩阵相乘。具体算法如算法构造哈希矩阵。
算法：构造哈希矩阵-输入：cachematrix，headerhashOutput:hashmatrix - 1？初始化？drawround？=?4;mulround？=?2;暗淡？=?256;2?hashmatrix？=?矩阵(黯然，黯然)；3?drawmatrix？=?矩阵(headerhash，画图？sizeof(头哈希)/draw round)；4?为了什么？我？=?1;我？=?drawround？我？do5？马？=?我；6?mc？=?矩阵(黯然，黯然)；7?序列？=?sha 256(绘制矩阵[I])；8?为了什么？j？=?1;j？=?mulround？j？do9？？为了什么？k？=?1;k？=?sizeof(序列);k？do10？？指数？=?uint 8(sequence[k])1；11?mb？=?src矩阵[索引][:][:]；12?mc？=?马？*?mb .t()；13?为了什么？元素？?mc？do14？？？元素？=?float 64(将32压缩为8(int 32(element)))；15?end16？？马？=?mc17？？end18？end19？为了什么？划？=?1;划？=?暗淡；划？do20？？为了什么？科尔？=?1;科尔？=?暗淡；科尔？do21？？i32vhashmatrix？=?int 32(hash matrix[row][col])；22?i32vma？=?int 32(ma[row][col])；23?i8v？=?int 8(i32v哈希矩阵i32v ma)；24?hashmatrix[row][col]？=?浮动64(i8v)；25?end26？end27？end28？回归？哈希矩阵-为了提高计算效率，生成工作量时使用FNV算法简化矩阵。因为FNV函数的特性，需要将四个元素合并组成一个uint32类型的数字，组成新的256X64的矩阵mat32，然后进行FNV简化操作。之后将简化的结果进行哈希运算。具体算法如算法？二进制转发FNV .
算法：二进制？转发？FNV -输入：垫子32输出：hash - 1？初始化？dim1？=?256;dim2？=?64;2?为了什么？k？=?dim1？k？1;k？=?k/2？do3？为了什么？我？=?1;我？=?k；我？do4？？为了什么？j？=?1;j？=?dim2？j？do5？？mat32[i][j]？=?FNV(mat32[i][j]，mat 32[I k][j])；6?end7？end8？end9？哈希？=?sha 256(ToByteArray(mat 32[0][:])；10?回归？哈希；-将2.5得到的哈希值与区块要求的难度值相比较，小于规定值则说明挖矿成功，否则更换随机数重新生成区块头，开始新的计算
可以参考张量性算法白皮书十.
微信咨询
