Tensority算法是比原链发布的一种新型的POW共识算法，将矩阵和张量计算融入到共识算法过程中，从而让矿机可以用在AI加速上。整个Tensority算法过程中，区块头的哈希的选取和难度值的比较仍然作为头尾衔接的步骤，但是中间穿插了很多涉及到矩阵的运算过程，而这些运算在AI计算中比较常见，所以支持比原挖矿的矿机就有能力提高AI加速服务。
比原链Tensority算法的特点：
Tensority算法可以通过难度值来调整计算的难度。
Tensority算法在算法过程中穿插了的矩阵生成，矩阵变换，矩阵乘法等运算。
矿机就可以用来做AI的加速服务，从而提高了矿机的资源利用率。
Tensority算法总体分为以下几个步骤：
生成seed
生成cache
构造矩阵列表
矩阵乘操作
工作量生成
工作量验证
种子 seed 是生成 cache 的输入值。
seed 每 256 块改变一次。第 0～256 块 (此处有 257 个块) 使用第 0 块的
block header hash，第 257～512 块使用第 256 块的 block header hash，第 513～768 块使用第 512
块的hash，以此类推。
cache由seed生成，seed和cache是相互对应的关系，因此cache的产生周期也与seed相同。cache的作用就是填充256个矩阵组成的列表，因为每个矩阵行列均为256，每个元素为长度为一个字节的整型数据int8，所以cache的大小为256X256X256X1B=16777216B=16MB。生成cache算法使用的是Scrypt算法，Scrypt算法在计算过程中会产生相应的伪随机数集合，以此作为cache值。由于Scrypt算法的特点，需要输入一个128字节的seed作为输入值。因此，首先需要将2.1得到的32字节的seed值进行扩展，得到一个128字节的扩展种子extseed。之后将extseed进行循环128次Scrypt中的smix过程，将128次过程中产生的随机数集合连接起来组成cache。具体算法如Algorithm calcSeedCache.
Algorithm: calcSeedCache ------------------------------------------------ Input: seed Output: cache ------------------------------------------------ 1 Initialize extround = 3, scryptround = 128; 2 extseed = seed; 3 tmphash = seed; 4 for i = 1; i <= extround; i++ do 5 tmphash = SHA256(tmphash); 6 extseed = append(extseed, tmphash); 7 end 8 cache = null; 9 tmpv = null; 10 for j = 1; j <= scryptround; j++ do 11 tmpv = Scrypt.smix(extseed, tmpv); 12 cache = append(cache, tmpv); 13 end 14 return cache ------------------------------------------------
16MB的cache分成128组，每一组中有32X1024个元素，每个元素值类型为uint32。每一组中，将32个元素视为一个单元，由此可以得到一个规格为32X1024X128的缓存矩阵列表tmpmatrix，每个元素为uint32。重组矩阵列表recomposedmatrix规格也与tmpmatrix相同。tmpmatrix中奇数索引的元素值与recomposedmatrix中的1至512号元素相互对应。类似，tmpmatrix中偶数索引的元素值与recomposedmatrix中的513至1024号元素相互对应。之后将之转化为规格为256X256X256的矩阵列表cachematrix，每个矩阵元素为一个字节的int8。具体算法如Algorithm constructCacheMatrix。
Algorithm: constructCacheMatrix ------------------------------------------------------------------------------ Input: cache Output: cachematrix ------------------------------------------------------------------------------ 1 Initialize dim1 = 32; dim2 = 1024; dim3 = 128; dim = 256; 2 tmpmatrix = Matrix(cache, dim1, dim2, dim3); 3 recomposedmatrix = NewMatrix(dim1, dim2, dim3); 4 cachematrix = NewMatrix(dim, dim, dim); 5 recomposedmatrix[:][1:dim2/2][:] = tmpmatrix[:][all odd index][:]; 6 recomposedmatrix[:][dim2/2+1:dim2][:] = tmpmatrix[:][all even index][:]; 7 cachematrix = Float64(Matrix(Int8Array(recomposedmatrix), dim, dim, dim))); 8 return cachematrix; ------------------------------------------------------------------------------
矩阵乘之前需要生成矩阵乘的索引，将区块头哈希值分成4组，之后将每一组进行哈希运算，得到32字节的哈希值。每个字节的值正好取值为0至255，对应着256个矩阵。矩阵相乘的过程中将每个矩阵元素由int8类型转化为int32类型。相乘的中间结果是int32类型，这个时候可以将int32数值的低位两个字节相加取模256，得到一个新的值，这就完成了32位转8位的操作。两个矩阵乘相乘遵从线性代数的运算法则，左矩阵与右矩阵的转置矩阵相乘。具体算法如Algorithm constructHashMatrix。
Algorithm: constructHashMatrix ------------------------------------------------------------------------------ Input: cachematrix, headerhash Output: hashmatrix ------------------------------------------------------------------------------ 1 Initialize drawround = 4; mulround = 2; dim = 256; 2 hashmatrix = Matrix(dim, dim); 3 drawmatrix = Matrix(headerhash, drawround, sizeof(headerhash)/drawround); 4 for i = 1; i <= drawround; i++ do 5 ma = I; 6 mc = Matrix(dim, dim); 7 sequence = SHA256(drawmatrix[i]); 8 for j = 1; j <= mulround; j++ do 9 for k = 1; k <= sizeof(sequence); k++ do 10 index = uint8(sequence[k])+1; 11 mb = srcmatrix[index][:][:]; 12 mc = ma * mb.T(); 13 for element ∈ mc do 14 element = Float64(Compress32to8(Int32(element))); 15 end 16 ma = mc 17 end 18 end 19 for row = 1; row <= dim; row++ do 20 for col = 1; col <= dim; col++ do 21 i32vhashmatrix = Int32(hashmatrix[row][col]); 22 i32vma = Int32(ma[row][col]); 23 i8v = Int8(i32vhashmatrix+i32vma); 24 hashmatrix[row][col] = Float64(i8v); 25 end 26 end 27 end 28 return hashmatrix; ------------------------------------------------------------------------------
为了提高计算效率，生成工作量时使用FNV算法简化矩阵。因为FNV函数的特性，需要将四个元素合并组成一个uint32类型的数字，组成新的256X64的矩阵mat32，然后进行FNV简化操作。之后将简化的结果进行哈希运算。具体算法如 Algorithm Binary Forwarded FNV.
Algorithm: Binary Forwarded FNV --------------------------------------------------------------- Input: mat32 Output: hash --------------------------------------------------------------- 1 Initialize dim1 = 256; dim2 = 64; 2 for k = dim1; k > 1; k = k/2 do 3 for i = 1; i <= k; i++ do 4 for j = 1; j <= dim2; j++ do 5 mat32[i][j] = FNV(mat32[i][j], mat32[i+k][j]); 6 end 7 end 8 end 9 hash = SHA256(ToByteArray(mat32[0][:]); 10 return hash; ---------------------------------------------------------------
将2.5得到的哈希值与区块要求的难度值相比较，小于规定值则说明挖矿成功，否则更换随机数重新生成区块头，开始新的计算。
可以参考Tensority算法白皮书。
