PolySwarmPolySwarmPolySwarmPolySwarm
Help

Developing a Well-Performing Microengine

作為微引擎開發人員,監控您的微引擎的性能,並磨練您的 NCT 存儲策略,以反映您對 PolySwarm 市場中看到的置信度水平非常重要。 過濾你的微引擎所斷言的工件,並保持您對微引擎斷言的的投注額度與置信度之間的強烈相關性,對於保持微引擎有效(和盈利)至關重要。

有效的投注策略的具體細節將因微引擎的不同而有很大差異,但所有微引擎開發人員通常應:

  1. 監控微引擎的市場表現。
  2. 設計收官“會審”過濾器,快速識別感興趣的工件。
  3. 在您的微引擎的斷言置信度和投注 NCT 的之間保持緊密的相關性。

為什麼有效投注策略很重要?

Below we run through a simplified example of a bounty lifecycle. If you're already familiar with PolySwarm's proportional reward design, feel free to skip this section.

懸賞創建

ACME Enterprises 注意到其網絡上的可疑事情,希望用 PolySwamm 市場提供的情報對其遙測進行豐富。 ACME 通過 polyswarm.networkPolySwarm API或第三方代表向 PolySwarm 市場提交了工件。

代表(或 PolySwarm API)代表企業為工件創建了懸賞,向工件的初始懸賞桶放入了可變的 NCT 量。 為了說明,讓我們假定,向獎勵桶中放入了 5 NCT。

向活動 PolySwarm 微引擎通知了這一新懸賞和放在工件上的 NCT 量。

Let's assume 8 microengines* find the initial NCT reward placed by the Ambassador to be sufficient for conducting a first-pass "triage" of the artifact. 這個輕量的“會審”步驟將確定工件是否屬於其專業領域 — 詳情見下文。

*The number of active PolySwarm microengines is far beyond 8 and is growing by the day, but we'll keep this example simple for illustrative purposes.

微引擎執行會審通關

微引擎進行首關會審,並確定:

  • 微引擎 A、B、C、D、E:工件在其專門知識領域內
  • 微引擎 F、G、H:工件在其專業領域之外

微引擎 F、G 和 H 忽略了賞金,選擇不回應,而微引擎 A-E 則更仔細地觀察。

微引擎執行全面分析

在分析過程中,每個微型引擎都確定了幫助它們得出結論的關鍵特徵(高置信度指標)和/或一般模式(低置信度指標)。 這些微引擎以其投注的 NCT 量,表現其置信度,得出以下結論:

  • 微引擎 A:1 NCT/惡意
  • 微引擎 B:1 NCT/非惡意
  • 微引擎 C:2 NCT/惡意
  • 微引擎 D:1 NCT/惡意
  • 微引擎 E:2 NCT/非惡意

大致來說, 微引擎 C 和 E 對它們的斷言的信心是同意它們的微引擎的兩倍。

這些斷言及其 NCT 投注量在斷言窗口關閉後立即發送給代表。 代表分析這些斷言,並可選擇將它們合併為一條完整的情報,以便傳遞到 ACME。

NCT 總數由 BountyRegistry 合約計算

初始獎勵加上投注額被保管到 PolySwarm 的 BountyRegistry 合約中。 所有資金匯總:

  • 初始獎勵:5 NCT +
  • 微引擎 A:1 NCT +
  • 微引擎 B:1 NCT +
  • 微引擎 C:2 NCT +
  • 微引擎 D:1 NCT +
  • 微引擎 E:2 NCT =
  • 總獎勵:12 NCT

仲裁人確定真正事實

之後,仲裁者衡量現有工件的真正事實。 仲裁人確定,事實上該工件是惡意的

然後,該懸賞被打開,以便正確斷言的微引擎就獎勵提出主張。 微引擎的總獎金與他們的投注成正比:

  • 微引擎 A:3 NCT/(2 NCT 利潤)
  • 微引擎 B:0 NCT/(斷言不正確)
  • 微引擎 C:6 NCT/(4 NCT 利潤)
  • 微引擎 D:3 NCT/(2 NCT 利潤)
  • 微引擎 E:0 NCT/(斷言不正確)

微引擎 C 是最大的贏家。 C 將 A 和 D 的投注額翻倍,獲得的兩倍比例的獎勵。

此示例是 PolysSwarm 市場實際情況的簡化版。 在實際市場中,更多的微引擎會做出反應,投注金額不必是整數,市場將評估費用以補償仲裁人。


監控微引擎的市場表現。

任何 PolySwarm 用戶都可以在“所有微引擎”頁面,跟踪微引擎利潤/損失。 作為微引擎開發人員,您需要:

  1. 跟踪您的微引擎性能,與其他微引擎的性能相比較(通過“所有微引擎”選項卡),並
  2. 提出對您的微引擎的所有權主張,以便您可以更輕鬆地跟踪您的微引擎的性能

要求您的微引擎的所有權

當您要求(並證明)您的微引擎的所有權後,您將能夠:

  1. name your microengine (optional)
  2. assign ownership to a Team (coming soon)
  3. 在單個視圖中查看微引擎的性能,無需在“所有微引擎”視圖中搜索每個微引擎

We encourage all microengine developers to claim all of their Microengines. We're continually rolling out new features that extend the management capabilities of owned Microengines. Taking ownership of your microengine is a necessary first step for admission to PolySwarm's various Private Communities, unlocking private and often higher-value bounties.

跟踪性能

通過認領微引擎,使用默認微引擎視圖,快速查看微引擎各方面的盈虧信息。 在向微引擎推出新的檢測方法時,使用此視圖可以了解其經濟影響。 經常查看這些圖表,以便快速識別微引擎出現的問題(例如盈利能力急劇下降)。

關閉循環

能夠觀察性能不佳的微引擎,微引擎開發人員就能夠將性能不佳的微引擎脫機,阻止損失。 不過,如果沒有更多的背景信息,在將微引擎重新上線之前,確定如何改進微引擎可能有困難。 因此,我們強烈建議所有微引擎將其評估的工件以及其對任何給定工件的斷言和 NCT 投注存檔

我們正在設計簿記功能,將此變成一個主動的過程,幫助微引擎開發人員更快地關閉微引擎改進的循環。 這些功能推出後,可以在擁有的微引擎上通過 polyswarm.network 訪問這些功能。


會審工件

我們建議微引擎開發人員分兩個階段構建其微引擎:

  1. 一個非常快速、輕量級的會審過程,決定了工件是否值得全面調查
  2. 對工件的全面審查,確定是否惡意,並在斷言時間窗口內對賞金作出回應

通過實施會審通關,微引擎開發人員可以節省時間和金錢,減輕執行負擔,并快速忽略不感興趣的工件。 根據與微引擎提供者的對話,一種流行的會審策略是根據文件類型篩選工件。

import magic
...
class Scanner(AbstractScanner):

  ...

  async def scan(self, guid, artifact_type, content, chain):

    # Reject files that libmagic does not identify as an ELF or PE by returning an empty ScanResult object
    if not ((magic.from_buffer(content)[0:3] == "ELF") or (magic.from_buffer(content)[0:2] == "PE")):
      return ScanResult()
...

保持置信度和 NCT 投注額之間的緊密關聯

當微引擎以其 NCT 投注量,表現其對斷言的置信度時,各方均受益。 一方面,關於工件的惡意性和微引擎 NCT 投注額,向代表提供了另外一個維度的信號。 在市場的另一面,根據置信度調節 NCT 投注的微引擎有可能增加利潤。

polyswarm-client 中的默認投注函數採用 confidence 參數,用於調節給定工件上的 NCT 投注量。

async def bid(self, guid, mask, verdicts, confidences, metadatas, chain):
  """Override this to implement custom bid calculation logic
  Args:
      guid (str): GUID of the bounty under analysis, use to correlate with artifacts in the same bounty
      masks (list[bool]): mask for the from scanning the bounty files
      verdicts (list[bool]): scan verdicts from scanning the bounty files
      confidences (list[float]): Measure of confidence of verdict per artifact ranging from 0.0 to 1.0
      metadatas (list[str]): metadata blurbs from scanning the bounty files
      chain (str): Chain we are operating on
  Returns:
      int: Amount of NCT to bid in base NCT units (10 ^ -18)
  """
  min_allowed_bid = await self.client.bounties.parameters[chain].get('assertion_bid_minimum')
  min_bid = max(self.min_bid, min_allowed_bid)
  max_bid = max(self.max_bid, min_allowed_bid)

  asserted_confidences = [c for b, c in zip(mask, confidences) if b]
  avg_confidence = sum(asserted_confidences) / len(asserted_confidences)
  bid = int(min_bid + ((max_bid - min_bid) * avg_confidence))

  # Clamp bid between min_bid and max_bid
  return max(min_bid, min(bid, max_bid))

The default bid() implementation takes an array of confidences (one for each artifact in the bounty) into consideration when determining a stake amount.

微引擎開發員可以選擇使用此默認的投注策略,方法是在其scanner 類的scan() 函數中派生出此confidence參數— 或者可以選擇在微引擎中讓bid() 函數子類化,完全覆蓋此邏輯。 無論採取哪種方式,微引擎開發人員都需要派生出一些置信概念,以保持有效性和最佳利潤。

確定置信度

確定置信度的細節不容易概括;每個微引擎都有一個最佳的策略。 一般來說,微引擎開發員正在選擇幾種策略之一(按效率升序):

  1. 無置信度可以派生 — 微引擎對所有響應都同樣有信心。 這是最不理想的策略,通常表現為對每個工件投注的靜態 NCT 額。 我們正在與這些微引擎開發人員在 Discord 上開發更好的投注策略,我們也很樂意為您提供幫助!
  2. 基於文件類型的置信度: 一些微引擎使用文件類型信息兩次:一次是在其會審過程中排除工件,另一次是為通過會審過程的文件分配權重。 這很簡單,只需為每個受支持的文件類型分配一個靜態權重,這些文件類型影響從 Scanner 類傳遞的置信度分數。 這類策略更好,但仍然不理想。
  3. 基於具體指標的置信度。 這應該是所有性能良好的微引擎的目標。 PolySwarm 市場上現有幾個微引擎可以達到此目的,例如,通過剖析 Microengines Word 文檔和識別已知的不良自動執行宏腳本。 這種工件詢問最佳 — 它提供了非常高的置信度信號,這些微引擎開發員將因此而能夠制定最佳投注策略。
import magic
...
class Scanner(AbstractScanner):

  ...

  async def scan(self, guid, artifact_type, content, chain):

    confidence_delta = 0

    # Increase confidence score for ELF and PE files
    if not ((magic.from_buffer(content)[0:3] == "ELF") or (magic.from_buffer(content)[0:2] == "PE")):
      confidence_delta += 0.2

    ...

    # Conduct the full analysis, arriving at a base confidence score
    confidence_base = do_analysis()

    ...

    # Take file-based confidence into account when returning result
    return ScanResult(bit=True, verdict=True, confidence=confidence_base+confidence_delta)
...