首页
/ Ordinals项目中的稀有聪供应量统计问题解析

Ordinals项目中的稀有聪供应量统计问题解析

2025-06-17 17:27:33作者:郜逊炳

在区块链Ordinals协议中,聪(Satoshi)被赋予了不同的稀有度等级。最近在项目文档中发现了一个关于稀有聪供应量统计不一致的问题,这值得我们深入探讨。

稀有聪的分类体系

Ordinals协议将聪分为以下几个稀有度等级:

  • 普通(Common):所有未分类的聪
  • 不常见(Uncommon):每个区块的第一个聪
  • 稀有(Rare):每个难度调整周期的第一个聪
  • 史诗(Epic):每次减半周期的第一个聪
  • 传奇(Legendary):每个周期的第一个聪(约每6年)
  • 神话(Mythic):创世区块的第一个聪

统计不一致问题

原始文档中提供的统计数字存在逻辑矛盾。按照稀有度等级的定义,高等级的聪不应被重复计入低等级统计中。例如,一个神话聪同时也是传奇、史诗、稀有和不常见聪,但在统计时应该只计入最高等级。

正确的统计方法应该采用两种可能的逻辑:

  1. 非重叠统计法:每个聪只计入其最高稀有度等级

    • 不常见:6,926,535
    • 稀有:3,432
    • 史诗:27
    • 传奇:5
    • 神话:1
  2. 重叠统计法:每个聪计入所有符合条件的等级

    • 不常见:6,930,000
    • 稀有:3,438
    • 史诗:33
    • 传奇:6
    • 神话:1

技术实现考量

在Ordinals协议的实际实现中,更倾向于采用非重叠统计法,这与传统收藏品(如TCG卡牌)的分类逻辑一致。在这种方法下:

  • 每个聪只显示其最高稀有度标签
  • 统计数字更加精确且不重复计算
  • 用户界面更加清晰,避免混淆

问题的影响与修正

这一统计不一致虽然看似微小,但对于依赖这些数据进行研究和开发的应用来说可能产生误导。项目维护者已经确认了这一问题,并通过PR#4152进行了修正,采用了非重叠统计法的数字。

对于开发者而言,理解这一分类逻辑对于构建基于Ordinals协议的应用至关重要,特别是在设计涉及稀有聪的交易、展示或分析功能时。正确的统计方法确保了数据的一致性和可靠性,为整个生态系统提供了坚实的基础。

登录后查看全文
热门项目推荐
相关项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
kernelkernel
deepin linux kernel
C
22
6
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
154
1.98 K
ops-mathops-math
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
506
42
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
194
279
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
992
395
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
940
554
communitycommunity
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
335
11
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
146
191
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
75
70