一文读懂区块链的三大核心概念

文章针对圈外人对区块链的疑惑,介绍了区块链的三大核心概念,即Hash散列函数、非对称加密和P2P点对点传输,并阐述了其特性。还通过交易转账数据等例子说明这些概念在区块链技术中的应用,如形成“链”、实现“不可篡改”,以及引出“共识机制”和“挖矿”概念。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

  区块链火了、比特币值钱了,越来越多的人急切的想要了解区块链这个行业,区块链到底是个啥?对于这个问题,网上有很多区块链相关文章,但是很多圈外人在网上看了一些文章后更加懵了,为此建议先了解区块链的核心概念。

  其实区块链主要包含三大核心概念:

  Hash 散列函数

  Hash可以说是贯穿整个区块链和加密货币技术的核心概念,想理解区块链不用知道Hash怎么实现,但一定要记住Hash的两个关键特性:

  1. Hash函数是一个任意格式/尺寸的输入数据到固定格式和长度的输出数据的映射——这句话有点难懂,简单来说,你可以Hash(动词)任何数据——一篇文章,一段代码,一张图片,一首歌的音频,只要是数字格式的文件,都可以“Hash”一下,然后Hash函数会给你一串数字和字符的组合(比如一个32位的字符串)。Hash不是一个特指,而是一类函数的统称,不同的Hash函数返回的数据可能不一样,但同一种函数的返回格式是一样的。

  2.如果输入的数据有改动,哪怕是只有一丁丁丁点的改动,通过Hash函数算出的输出值是完全不一样的。一篇文章改了一个标点,一个图片改了一个像素,一个电影删了一个片段,一个应用程序多了一行代码,再通过Hash计算,会发现Hash Value和原来完全不同。没有人能做到“改动输入数据得到相同的Hash结果”。

  好了,理解了Hash,是理解区块链关键特性“不可改写”的核心。

  非对称加密

  非对称加密主要涉及公钥和私钥两个概念:

  1.公钥是公开,私钥个人保密,公钥加密一段内容,可以也只可以用私钥解密,反之用私钥加密一段数据内容,也可以用公钥解密。

  2.理解了上面一点,一个衍生出来的概念就是数字签名——用私钥加密一段数据,所有有公钥的人,都可以验证并且确信这段信息是由私钥的所有人所发出的。

  P2P点对点传输

  点对点传输,有别于client—server的数据分发方式,点对点传输实现的是每个节点即是数据的分发方,也是获取方。由点对点的概念带来的就是区块链技术的另一个新特性——去中心化。以及后面我会提到的“共识机制”

  下面通过几个小例子说明下这三个核心概念在区块链技术中的应用:

  首先有数据,比如交易转账数据,一定量的数据——比如1兆,这是一个比特币区块的大小——打包成一个区块。然后把区块“Hash”一下得到这个区块的Hash值,新的区块要记录上一个区块的Hash值,这样区块就串联起来成了一条“链”,如果改动任意一个区块链的任意一个数据——比如删掉一个交易数据——那么首先,这个区块的Hash值会被改变,通过Hash计算这个区块的Hash Value和下一个区块所记录的值就不一样了,如果把与之连接的下一个区块所记录的值也改了,由于这个区块的Hash值也算是下一个区块的数据,那么下一个区块的Hash值也不一样了,还要再改动下下个……一直这么传递下去,这就是区块链“不可篡改”的秘密。

  但是,上面的介绍只是“单机区块链”,通过P2P网络,把这一条链分发到每一个节点上,互相验证,这才真的形成一条准确意义上应该称作“分布式区块链”的东西。

  接下来,“分布式区块链”已经在每个节点上存好了,下一步,新的数据如果产生了,需要加到这条链的尾巴上,那么谁能来记录,多久记录一次,负责记录的节点究竟有什么好处?这就衍生到了“共识机制”,常听到的POW,POS,dPOS这些,都是不同的共识机制,以比特币所采用的POW为例子,不同节点拼算力,谁的算力更强——对应的是能更快的计算出一个目标散列值——谁就有更大几率获得下一个区块的“记账权”,进而获得对应的奖励——这就是“挖矿”的概念了。

 

原文链接:https://www.kg.com/article/483667509208289280

       

### RAG模型概述 RAG(Retrieval-Augmented Generation)是一种融合了检索增强机制的生成型语言模型,由Facebook AI研究院(FAIR)提出。这种架构通过结合传统的基于检索的方法和现代的语言生成技术来提升自然语言处理任务的效果[^3]。 ### 工作原理详解 #### 数据获取阶段 在数据准备过程中,RAG利用外部知识库作为补充资源。当接收到输入查询时,系统首先会在预先构建的知识图谱或其他形式的大规模语料库中执行信息检索操作,找到最有可能帮助完成当前对话或任务的相关片段。 #### 动态上下文集成 不同于静态预训练模式下的纯生成方式,在线检索到的具体实例会被即时融入到解码器端口处,使得每次预测都能依据最新获得的真实世界证据来进行调整优化。这一特性赋予了RAG更强的情境适应能力,尤其是在面对开放领域问答、多轮次交互式聊天等复杂场景下表现尤为突出。 #### 双重评分机制 为了确保最终输出的质量,RAG采用了两步走策略:先是从候选集中挑选出若干高质量的回答选项;再经过一轮精细评估后决定最佳回复方案。具体来说就是分别计算每条建议得分——一方面考量它与原始请求之间的匹配度;另一方面也要顾及内部连贯性和逻辑一致性等因素。 ```python def rag_model_inference(query, knowledge_base): retrieved_docs = retrieve_relevant_documents(query, knowledge_base) generated_responses = [] for doc in retrieved_docs: response = generate_response_based_on_document(doc) generated_responses.append(response) best_response = select_best_response(generated_responses) return best_response ``` ### 应用案例分析 实际应用方面,《大模型RAG实战:RAG原理、应用与系统构建》一书中提供了丰富的实践指导和技术细节解析,涵盖了从理论基础到工程实现再到部署上线全流程的内容介绍。对于希望深入了解并掌握这项前沿技术的研究人员而言,这本书籍无疑是一个宝贵的学习资料来源[^1]。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值