Filecoin - Precommit2计算介绍
作者：互联网
Sector计算的部分分为Precommit1和Precommit2两部分。两部分合在一起，称为SDR算法。
Sector计算的部分分为Precommit1和Precommit2两部分。两部分合在一起，称为SDR算法。整个SDR算法的相关计算在之前的文章介绍过：
本文着重介绍一下Precommit2的计算逻辑。Precommit2计算分为两部分： 1、Column Hash计算以及Merkle树构造 2、Replica计算以及Merkle树的构造。 相关的逻辑请查看rust-fil-proofs/storage-proofs/porep/src/stacked/vanilla/proof.rs中的transform_and_replicate_layers函数。
1 Column Hash计算
Column Hash计算的实现在generate_tree_c函数。具体的实现分为两个版本：CPU和GPU版本。
if settings::SETTINGS.lock().unwrap().use_gpu_column_builder {
Self::generate_tree_c_gpu::(
layers,
nodes_count,
tree_count,
configs,
labels,
)
} else {
Self::generate_tree_c_cpu::(
layers,
nodes_count,
tree_count,
configs,
labels,
)
}GPU版本的逻辑相对复杂一些，讲讲GPU的逻辑： 
进行column计算，需要从硬盘读取11层layer的数据，并整合成column排布。GPU版本，一批批的进行处理，将一部分column读取排序后，通过channel送给GPU处理（Column Hash以及构造Merkle树）。代码逻辑大体上就是两个线程，一个读取layer的数据，column排序，另外一个GPU处理。每次batch的节点个数默认是400000，也就是135M左右。在column计算完成后，GPU构造Merkle树。
2 Replica计算
Replica是最后一层layer的数据和原始数据编码之后的结果。每次Encoding一部分Replica，通过channel送给GPU（构造Merkle树）。每次batch的节点个数默认是700000，也就是22M左右。注意，batch的是Encoding的结果。 
3 Merkle树的构造
Merkle树的构造都是采用merkletree库。这个库实现通用的Merkle树的结构和计算。通用的Merkle树，指的是Merkle并不只是通常我们理解的二叉树，而是分成3层：top，sub和base。 
如上图的示例，top是1叉，sub是3叉，base是4叉。在Precommit2计算中，tree_c和tree_r_last都是8叉树：
type Tree = storage_proofs::merkle::OctMerkleTree;
pub type OctMerkleTree = DiskTree;4 GPU加速
在Precommit2计算中，Column Hash的计算以及Merkle树的构造是采用GPU加速。相关的代码在neptune代码库中。有意思的是，这部分的代码并不是用cuda或者opencl实现的，而是一种新的更高层的语言：Futhark。
5 相关宏定义
-
FIL_PROOFS_USE_GPU_COLUMN_BUILDER - 使用GPU，进行column hash的计算
-
FIL_PROOFS_MAX_GPU_COLUMN_BATCH_SIZE - 每次计算Column的batch大小，默认400000
-
FIL_PROOFS_COLUMN_WRITE_BATCH_SIZE - 每次刷Column数据的batch大小，默认262144
-
FIL_PROOFS_USE_GPU_TREE_BUILDER - 使用GPU，构造Merkle树
-
FIL_PROOFS_MAX_GPU_TREE_BATCH_SIZE - 每次Encoding计算的batch大小，默认700000
总结：
Precommit2阶段，主要是计算Column Hash以及生成Replica，并构造相应的Merkle树。其中，Column Hash的计算以及Merkle树的构造可以采用GPU加速。GPU的实现采用一种新的高层语言：Futhark。
原文地址：Filecoin - Precommit2计算介绍 | 登链社区 | 深入浅出区块链技术 (learnblockchain.cn)
标签：Hash,Precommit2,Filecoin,Column,计算,Merkle,GPU 来源： https://www.cnblogs.com/python-learn/p/15914414.html