Analyse fairer Belohnungsverteilungsschemata in Blockchain-Mining-Pools

1. Einleitung

Die Arbeit behandelt ein grundlegendes ökonomisches Problem in dezentralen Blockchain-Netzwerken, insbesondere innerhalb von Proof-of-Work (PoW)-Mining-Pools. Während die Blockchain-Technologie einen vertrauenslosen Konsens ermöglicht, ist der Mining-Prozess selbst – das Lösen kryptografischer Rätsel für Belohnungen – hochgradig stochastisch. Einzelne Miner sehen sich aufgrund der immensen Rechenleistung des gesamten Netzwerks erheblichen Einkommensschwankungen gegenüber. Diese Volatilität motiviert die Bildung von Mining-Pools, in denen Teilnehmer ihre Rechenressourcen (Hash-Power) bündeln, um die Belohnungen zu glätten. Die zentrale Herausforderung besteht dann darin, ein Belohnungsverteilungsschema zu entwerfen, das die Blockbelohnungen des Pools fair und effizient unter seinen Beitragenden verteilt. Die Arbeit schlägt einen neuartigen konzeptionellen Rahmen vor, um die Fairness solcher Schemata zu analysieren.

1.1. Konsensprotokolle und Pools

Mining-Pools sind eine direkte Folge der wirtschaftlichen Anreize in PoW-Blockchains wie Bitcoin. Die Wahrscheinlichkeit, dass ein einzelner Miner einen gültigen Block (eine „vollständige Lösung“) findet, ist proportional zu seinem Anteil an der gesamten Netzwerk-Hashrate. Für kleine Miner ist diese Wahrscheinlichkeit vernachlässigbar, was zu potenziell langen Zeiträumen ohne Belohnung führen kann. Pools aggregieren Hash-Power und erhöhen so die Häufigkeit der Blockentdeckung. Wenn der Pool erfolgreich ist, muss die Belohnung aufgeteilt werden. Die Analyse der Arbeit ist entscheidend, weil die Wahl des Verteilungsschemas die Teilnahme der Miner, die Stabilität des Pools und die allgemeine Sicherheit und Dezentralisierung des Blockchain-Netzwerks direkt beeinflusst.

2. Konzeptioneller Rahmen und Fairness-Kriterien

Die Autoren verlagern den analytischen Fokus von einzelnen Minern auf die gemeldeten Shares. Ein Share ist eine Teillösung des kryptografischen Rätsels, die einen Arbeitsnachweis erbringt, aber selbst keinen gültigen Block darstellt. Die Reihenfolge und der Zeitpunkt dieser Shares innerhalb einer Belohnungsrunde bilden die Grundlage für die Verteilung.

Die Arbeit führt zwei innovative Fairness-Axiome ein:

2.1. Absolute Umverteilungs-Fairness

Dieses Kriterium erfordert, dass bei der Einreichung eines neuen Shares im Pool der Belohnungsanspruch aller zuvor eingereichten Shares um den gleichen absoluten Betrag beeinflusst wird. Formal gilt: Wenn sich die Belohnung für Share $i$ durch die Einreichung von Share $j$ um $\Delta R_i$ ändert, dann gilt für jeden anderen Share $k$, dass $\Delta R_k = \Delta R_i$. Dies verleiht der Belohnungsfunktion eine starke Form der Additivität und Pfadunabhängigkeit.

2.2. Relative Umverteilungs-Fairness

Dieses Kriterium erfordert, dass bei der Einreichung eines neuen Shares der Belohnungsanspruch aller vorherigen Shares im gleichen relativen Verhältnis beeinflusst wird. Formal gilt: $\frac{R_i^{neu}}{R_i^{alt}} = \frac{R_k^{neu}}{R_k^{alt}}$ für alle Shares $i, k$, die vor dem neuen Share $j$ existierten. Dies zielt darauf ab, die proportionalen Beziehungen zwischen den Shares während der Entwicklung des Pools zu erhalten.

3. Charakterisierung von Belohnungsverteilungsschemata

Der Hauptbeitrag der Arbeit ist die Charakterisierung der Klassen von Belohnungsschemata, die jedes Fairness-Kriterium erfüllen.

3.1. Schemata, die absolute Fairness erfüllen

Die Klasse der Schemata, die Absolute Umverteilungs-Fairness erfüllen, wird als jene charakterisiert, bei denen die Belohnung für einen Share nur von der Anzahl der nach ihm eingereichten Shares abhängt, bis ein Block gefunden wird. Ein kanonisches Beispiel ist das Pay-Per-Last-N-Shares (PPLNS)-Schema, bei dem Belohnungen unter den letzten N Shares vor dem Finden eines Blocks verteilt werden. Das Eintreffen eines neuen Shares verschiebt lediglich das „Fenster“ der berechtigten Shares und beeinflusst alle vorherigen Shares im absoluten Sinne gleichermaßen (sie rücken alle einen Schritt näher daran, aus dem Fenster zu fallen).

3.2. Schemata, die relative Fairness erfüllen

Die Klasse der Schemata, die Relative Umverteilungs-Fairness erfüllen, wird als jene charakterisiert, bei denen die Belohnung für einen Share proportional zu einer Funktion ist, die nur von der Anzahl der vor ihm eingereichten Shares abhängt. Das bekannteste Beispiel ist das Proportionale (PROP)-Schema, bei dem jeder Share eine Belohnung proportional zur Gesamtzahl der in der Runde eingereichten Shares erhält. Wenn ein neuer Share eintrifft, verdünnt er die Belohnung für alle bestehenden Shares um den gleichen relativen Faktor.

3.3. Die Schnittmenge und das proportionale Schema

Es wird gezeigt, dass die Schnittmenge der beiden Klassen – Schemata, die sowohl absolute als auch relative Fairness erfüllen – eine Ein-Parameter-Verallgemeinerung des proportionalen Schemas ist. Ein Korollar dieses Ergebnisses ist eine neue axiomatische Charakterisierung des klassischen proportionalen Schemas selbst: Es ist das eindeutige Schema, das unter einer natürlichen Normalisierungsbedingung beide Fairness-Kriterien gleichzeitig erfüllt. Dies liefert eine robuste theoretische Rechtfertigung für die weit verbreitete Nutzung von PROP, trotz seiner bekannten Anfälligkeit für Pool-Hopping.

4. Technische Details und mathematische Formulierung

Sei $S = (s_1, s_2, ..., s_n)$ die Sequenz der in einer Runde eingereichten Shares, die mit einer vollständigen Lösung (Block) bei Share $s_n$ endet. Ein Belohnungsverteilungsschema ist eine Funktion $R(i, S)$, die einem Share $s_i$ eine Belohnung zuweist.

Absolute Umverteilungs-Fairness (ARF): Für beliebige Sequenzen $S$ und $S'$, wobei $S'$ aus $S$ durch Einfügen eines zusätzlichen Shares an Position $j$ entsteht, und für beliebige $i, k < j$ gilt: $$R(i, S') - R(i, S) = R(k, S') - R(k, S)$$

Relative Umverteilungs-Fairness (RRF): Für dieselben $S, S', i, k$ wie oben gilt: $$\frac{R(i, S')}{R(i, S)} = \frac{R(k, S')}{R(k, S)}$$

Die Arbeit beweist, dass ARF $R(i, S) = f(n-i)$ für eine Funktion $f$ impliziert, wobei $(n-i)$ die Anzahl der Shares nach $s_i$ ist. RRF impliziert $R(i, S) = g(i) \cdot B$, wobei $g(i)$ von der Position des Shares abhängt und $B$ die gesamte Blockbelohnung ist. Die Schnittmenge führt zu $R(i, S) = \frac{c \cdot B}{i^{\alpha}}$ für Konstanten $c, \alpha$, wobei $\alpha=0$ das proportionale Schema ergibt.

5. Analytischer Rahmen: Kernaussage & Kritik

Kernaussage: Diese Arbeit handelt nicht nur von Mining-Pools; sie ist eine Meisterklasse in der Anwendung der axiomatischen Ressourcenallokationstheorie (man denke an die wegweisenden Arbeiten zur Fairness von Moulin oder Young) auf ein komplexes, reales kryptoökonomisches System. Der geniale Schachzug der Autoren besteht darin, das Problem von „wie man Miner bezahlt“ zu „welche inhärenten Eigenschaften hat eine faire Zahlungssequenz?“ umzurahmen. Indem sie die Analyse auf Shares statt auf Miner zentrieren, entfernen sie Verhaltensannahmen und isolieren die reine Logik der Verteilung. Die resultierenden Charakterisierungstheoreme sind elegant und mächtig und liefern eine formale Taxonomie für bekannte Schemata wie PPLNS und PROP.

Logischer Aufbau: Die Argumentation ist makellos strukturiert: (1) Identifizierung der Kerneinheit des Beitrags (der Share). (2) Definition von zwei natürlichen, sich gegenseitig ausschließenden Fairness-Prinzipien basierend darauf, wie neue Informationen (ein neuer Share) bestehende Ansprüche aktualisieren. (3) Ableitung der mathematischen Formen aller Schemata, die jedes Prinzip erfüllen. (4) Untersuchung der Schnittmenge, um Schemata zu finden, die robust gegenüber beiden Fairness-Vorstellungen sind. Dies erinnert an den axiomatischen Ansatz in grundlegenden Informatikarbeiten, wie denen, die Konsensalgorithmen definieren (z.B. das FLP-Unmöglichkeitsergebnis), bei denen gewünschte Eigenschaften zu einer Charakterisierung möglicher Lösungen führen.

Stärken & Schwächen: Die primäre Stärke ist die Allgemeingültigkeit und theoretische Strenge des Rahmens. Er schafft eine gemeinsame Sprache, um beliebige Belohnungsschemata zu vergleichen. Die Analyse hat jedoch aus praktischer Mechanism-Design-Perspektive erhebliche blinde Flecken. Sie abstrahiert vollständig von strategischem Miner-Verhalten, wie Pool-Hopping (Wechseln zwischen Pools, um Schwächen von Schemata auszunutzen), was der Fluch einfacher Schemata wie PROP ist. Wie in empirischen Studien von Institutionen wie dem Cambridge Centre for Alternative Finance festgestellt, beeinflusst Pool-Hopping die Rentabilität der Miner und die Stabilität der Pools erheblich. Der Rahmen ignoriert auch Betriebskosten und Informationslatenz, die in Echtzeit-Globalpool-Betrieben kritisch sind. Im Vergleich zum Design anreizkompatibler Mechanismen in der traditionellen Auktionstheorie (z.B. Myersons Arbeit) definiert diese Arbeit „Fairness“ im luftleeren Raum, nicht „Anreizkompatibilität“ in einem Spiel.

Umsetzbare Erkenntnisse: Für Blockchain-Protokoll-Designer und Pool-Betreiber ist diese Arbeit eine Pflichtlektüre, um die Fairness ihrer Belohnungsschemata zu überprüfen. Die Erkenntnis ist klar: Man muss sich zwischen absoluter und relativer Fairness entscheiden; man kann nicht beides vollständig haben, ohne auf das grundlegende proportionale Schema zurückzugreifen. Beim Aufbau eines neuen Pools, wenn Stabilität und Einfachheit oberste Priorität haben, ist die axiomatische Reinheit von PROP gerechtfertigt. Wenn die Eindämmung strategischer Manipulation entscheidend ist, ist die PPLNS-Klasse (die absolute Fairness erfüllt) theoretisch robuster gegen bestimmte Angriffe, da ihre Belohnung von zukünftigen Ereignissen abhängt. Die Forschungsrichtung, die diese Arbeit wirklich eröffnet, ist die Synthese dieser Fairness-Analyse mit spieltheoretischen Modellen des Miner-Verhaltens. Der nächste Durchbruch wird ein Schema sein, das ein überzeugendes Fairness-Axiom erfüllt und gleichweise in einem Bayesian-Nash-Gleichgewichtssinn nachweislich strategiefest ist.

6. Anwendungsausblick und zukünftige Richtungen

Der Rahmen erstreckt sich über Bitcoin-Mining hinaus. Er ist direkt anwendbar auf jedes dezentrale Netzwerk, in dem Aufgaben verteilt werden, Beiträge überprüfbar aber stochastisch sind und eine gemeinsame Belohnung geteilt werden muss. Wichtige zukünftige Richtungen sind:

• Proof-of-Stake (PoS) und Delegation: Validator-Pools in PoS-Netzwerken (z.B. Ethereum 2.0, Cardano) stehen vor analogen Belohnungsverteilungsproblemen, wenn Stakeholder ihre Token delegieren. Der „Share“ wird zu einem Stake-Delegierungs-Ereignis. Die Anwendung dieser Fairness-Kriterien könnte zu transparenteren und gerechteren Staking-Pool-Designs führen.
• Dezentrale physische Infrastrukturnetzwerke (DePIN): Netzwerke wie Filecoin (Speicher) oder Helium (Funkabdeckung) belohnen Teilnehmer für die Bereitstellung realer Ressourcen. Der Rahmen kann helfen, Belohnungsschemata zu entwerfen, die für frühe und späte Beitragende in einem dynamischen Netzwerk fair sind.
• Dezentrale KI- & Compute-Märkte: Auf Plattformen, die ML-Trainingsaufgaben verteilen (z.B. Gensyn, Render Network), ist die Fairness der Bezahlung für partielle Rechenarbeit entscheidend. Die Share-basierte Analyse ist hier hochrelevant.
• Spieltheoretische Integration: Der kritischste nächste Schritt ist die Verschmelzung dieses axiomatischen Fairness-Ansatzes mit Modellen strategischen Miner-Verhaltens. Dies würde die Definition und Charakterisierung von Anreizkompatiblen Fairness-Kriterien beinhalten, die zu Schemata führen, die sowohl in der Verteilung fair als auch robust gegenüber Manipulation sind.
• Analyse dynamischer Pool-Größen: Das aktuelle Modell geht von einer festen Anzahl von Shares pro Runde aus. Zukünftige Arbeiten könnten die Fairness in Pools mit dynamisch ein- und austretenden Minern analysieren, ein realistischeres Szenario.

7. Literaturverzeichnis

1. Nakamoto, S. (2008). Bitcoin: A Peer-to-Peer Electronic Cash System.
2. Moulin, H. (2004). Fair Division and Collective Welfare. MIT Press. (Für grundlegende axiomatische Fairness-Theorie)
3. Lewenberg, Y., Bachrach, Y., Sompolinsky, Y., Zohar, A., & Rosenschein, J. S. (2015). Bitcoin mining pools: A cooperative game theoretic analysis. Proceedings of the 2015 International Conference on Autonomous Agents and Multiagent Systems. (Für spieltheoretische Analyse von Pools)
4. Cambridge Centre for Alternative Finance. (2020). 2nd Global Cryptoasset Benchmarking Study. (Für empirische Daten zur Ökonomie und zum Verhalten von Mining-Pools)
5. Myerson, R. B. (1981). Optimal auction design. Mathematics of operations research, 6(1), 58-73. (Für den Standard im Design anreizkompatibler Mechanismen)
6. Fischer, M. J., Lynch, N. A., & Paterson, M. S. (1985). Impossibility of distributed consensus with one faulty process. Journal of the ACM (JACM), 32(2), 374-382. (Als Beispiel für wegweisende axiomatische Charakterisierung in verteilten Systemen)
7. Eyal, I. (2015). The miner's dilemma. 2015 IEEE Symposium on Security and Privacy. (Für Analyse strategischen Verhaltens, einschließlich Pool-Hopping)