概要

Grassネットワークは、AI開発に利用するために公開されているウェブデータを収集、検証、構造化する分散型インフラストラクチャとして機能するように設計されています。その中心には、Grassノード、ルーター、およびバリデーターの3つの主要な役割が含まれています。それぞれは、帯域幅、データ、および検証の流れにおいて特定の機能を果たします。Grassノードは、未使用のインターネット帯域幅を自発的に共有するユーザーによって運営されています。ルーターは、ユーザーとデータエンドポイント間のリクエストとレスポンスを調整し、バリデーターはこれらの相互作用の整合性を検証し、暗号証明を通じてブロックチェーンにコミットする責任を負っています。

この層状システムは、スケーラビリティと検証可能性の両方を保証します。各ノードが独立してオンチェーンでデータを検証し、ブロードキャストすることを強制するのではなく（これは非効率的です）、Grassはバリデーターを使用して、ゼロ知識証明を用いたインタラクションのバッチを検証します。これらの証明は、特定のアクション（ウェブリクエストなど）が正しく完了したことを確認しますが、データの実際の内容やユーザーの身元を明らかにすることはありません。この方法はプライバシーを維持しつつ、オンチェーンのアカウンタビリティを提供するのに役立ちます。これは、バンド幅共有やデータマイニングプロトコルにおいて重要なバランスです。

Grassのアーキテクチャの重要な利点は役割の分離です。ユーザーはフルノードを実行したり、複雑な検証プロセスに参加したりすることなく、帯域幅を提供できます。ルーターは通信経路の管理とトラフィックフローの最適化を専門としています。バリデーターは正確性の検証、ゼロ知識証明の構築、そして有効なデータのみが報酬されることを保証することに焦点を当てています。この分離によりボトルネックが防止され、ネットワークの各部分が特定のパフォーマンス要求に応じてスケールできるようになります。

システムはモジュラーでアップグレード可能な設計になっています。初期のコンポーネントのいくつか—バリデーターのような—はグラス財団や信頼できる関係者によって運営されていますが、長期的な計画にはこれらの役割をステーキング、ガバナンス、オープンソース開発を通じてコミュニティに開放することが含まれています。時が経てば、誰でもルーターやバリデーターを運営できるようになり、パフォーマンス基準やボンディング要件に従うことによって、より信頼性のない分散型システムが構築されます。

バリデーター

Grassネットワークのバリデーターは、ルーターを介して中継され、Grassノードによって送信されたトラフィックの帯域幅使用の整合性と信頼性を維持する任務を負っています。データがネットワークを通じて送信または受信される際、バリデーターはそれがプロトコル基準を満たし、期待通りに配信され、品質制約に準拠していることを確認します。これを実現するために、ユーザー情報を公開せずにデータ活動を確認するゼロ知識証明システムを使用します。これらの証明はその後、オンチェーンに記録され、行われた作業と共有された帯域幅の不変の証拠として機能します。

最初に、バリデーターレイヤーはグラス財団によって半中央集権的に運営されます。これはネットワークの初期段階における意図的な設計選択であり、安定したテスト、安全性の監視、パフォーマンスのキャリブレーションを可能にします。しかし、ロードマップには分散型バリデーター委員会モデルへの移行が含まれています。この将来のフェーズでは、バリデーターはステーキングメカニズムを通じて選出または選ばれ、ハードウェアとプロトコルの要件を満たす誰でも参加できるようになります。

バリデーターは、大量のデータを管理し、複雑な暗号証明を効率的に生成する必要があります。そのためには、高スループット計算が可能な専門的なインフラに依存しています。この層は帯域幅よりも計算とセキュリティに重きを置いています。各バリデーターは、ルーティングログの履歴を維持し、ルーターのパフォーマンスを追跡し、異常や不正の兆候を検出する必要があります。例えば、ルーターが繰り返し不完全なリクエストを送信したり、無効な応答を提供したりしている場合、バリデーターはそれをフラグ付けし、その報酬の資格や評判を減少させることができます。

バリデーターはプロトコル報酬のゲートキーパーとしても機能します。バリデーターによって検証され、確認された帯域幅アクティビティのみがトークン発行の対象となります。このステップにより、正直で質の高い参加者のみが報酬を受け取ることができ、詐欺や誤用が減少します。ステーキングとエアドロップシステムの整合性は、バリデーターがデータを正確かつ公平に処理する能力に大きく依存しています。

ルーター

ルーターは、ユーザー（グラスノード）と広範なグラスネットワークの間の調整層として機能します。彼らの主な役割は、バリデータ層からタスクを受け取り、性能、信頼性、位置に基づいて接続されたグラスノードにそれらを配布することです。要するに、ルーターはデータリクエストの流れを促進し、特定のスクレイピングまたは取得目標を達成するために帯域幅の貢献が適切にルーティングされることを保証する仲介者として機能します。彼らは自らデータを収集したり検証したりすることはありませんが、接続されたノードのパフォーマンスを追跡し、トラフィックが正確かつ効率的に中継されることを保証する責任があります。

各ルーターは、その管理下にあるノードに関する一連のメトリクスを維持します。これには、レイテンシ、パケット損失、可用性、およびタスク完了率が含まれます。このパフォーマンスデータは、各ノードが受け取るべきトラフィック量を決定するために使用され、報酬計算にも関与します。ルーターはまた、トラフィックが正しく完了したかどうか、トークン報酬を発行するべきかどうかを評価するバリデーターに渡されるレポートを生成します。この継続的なパフォーマンス監視は、ルーターをグラスインセンティブシステムにおける重要なリンクにしています。

信頼できるルーターの運用を奨励するために、Grassはルーターへのトークン委任を許可しています。このメカニズムは、他のネットワークのプルーフ・オブ・ステークモデルに似ています。委任されたGRASSトークンが多いルーターは、より多くのトラフィックを受け取り、収益の可能性が高まります。これにより、ルーターオペレーターは高い稼働率と安定したパフォーマンスを維持することが奨励されます。委任者は、ルーターの報酬の一部を得ることができ、ルーターの成功に対する共通の利害が生まれます。この構造はルーター間の競争を生み出し、ネットワークの信頼性と分散化を時間とともに向上させます。

ルーターは独自の手数料率を設定でき、これが報酬の保持割合やデレゲーターに渡される割合に影響します。GRASSトークンをステーキングしようとするユーザーは、過去のパフォーマンス、アップタイム統計、および手数料率に基づいてルーターを評価し、情報に基づいたデレゲーションの決定を行う必要があります。これにより、ルーター参加に reputational layer が追加され、ネットワークは高品質なオペレーターに継続的に報酬を与え、パフォーマンスの低いオペレーターを優先的に除外します。

グラスノード

Grassノードは、個々のユーザーがGrassプロトコルに参加するための主要なアクセスポイントです。Grassブラウザ拡張機能またはデスクトップアプリケーションをインストールすることで、ユーザーは自分のデバイスが未使用のインターネット帯域幅を共有できるようにし、ネットワークはそれを利用して公開されているコンテンツのウェブリクエストを行います。これらのリクエストには、ウェブページデータ、APIレスポンス、またはAIトレーニングに必要なメディアファイルの取得が含まれる場合があります。Grassノードソフトウェアはバックグラウンドで実行され、ユーザーが技術的な関与を必要とせずにパッシブに動作するように設計されています。

セキュリティの観点から、Grassノードは安全で公共にアクセス可能と見なされるトラフィックのみを処理するように構成されています。このプロトコルは、プライベートネットワーク、パスワード保護されたウェブサイト、または個人ユーザーデータとは相互作用しません。すべてのリクエストは、安全性と法的ガイドラインに準拠していることを保証するためにフィルタリングされます。Grassチームは、ノードの活動をホストデバイス上の他のプロセスから隔離するために、暗号化と基本的なサンドボックス措置を実装しました。これは、サイバーセキュリティベンダーやウイルス対策会社からの独立した認証によってサポートされており、ソフトウェアがユーザーのシステムに脅威を与えないことを確認しています。

ノードは、可用性、帯域幅の容量、および評判に基づいてルーターからタスクを受け取ります。ノードが一貫してパフォーマンスを発揮するほど、割り当てられるリクエストが増えます。ダウンタイムを経験したり、リクエストを完了できなかったり、不完全なデータを提供したノードは、徐々にタスクが減り、報酬も減少します。この評判に基づく配分システムは、ネットワークが信頼できる参加者を優先することを保証しつつ、誰でも参加して時間をかけて地位を向上させることを可能にします。

ユーザーの報酬は、提供された帯域幅の量と質に基づいて計算されます。完了した各確認済みリクエストに対してポイントが付与され、これを後でエアドロップや直接報酬システムを通じてGRASSトークンと引き換えることができます。この構造により、ユーザーはトークンを購入したり、取引所とやり取りしたりすることなく、既存のインターネット接続から受動的に収益を得ることができます。今後のアップデートでは、Grass Nodeがステーキングや追加の参加モードをサポートし、ユーザーが自分の帯域幅の使用方法をよりコントロールできるようになる可能性があります。

トラフィックタイプ

Grassプロトコルは、AIシステムのトレーニングに使用できる公開ウェブデータを収集し、構造化することを中心に構築されています。これを達成するために、ネットワークはインターネット上で見られるコンテンツの多様性を反映したさまざまなトラフィックタイプを処理する必要があります。Grassネットワークのトラフィックには、HTMLページ、静的画像、構造化データ（APIからのJSONなど）、メディアファイル、およびメタデータへのリクエストが含まれます。この幅広いトラフィックを可能にすることで、ネットワークは言語モデルから画像分類・レコメンデーションシステムまで、さまざまな機械学習のユースケースに対応できる堅牢で柔軟なデータセットを作成します。

各トラフィックタイプは、その特性に基づいて分類され、処理されます。たとえば、テキストベースのデータ（HTMLやJSONなど）は、言語モデルのトレーニングに適した構造化フォーマットに解析され、保存されます。一方、画像やメディアトラフィックは、解像度、ファイルタイプ、元のドメインに基づいて効率的な転送と分類を確保するために異なる方法で処理されます。この分類は重要であり、AI開発者がトレーニングパイプラインに関連するデータタイプのみを要求できるようにし、ノイズを減らし、下流の処理効率を向上させることができます。

グラスノードは、このデータを取得するためのウェブリクエストを実行する責任があります。ルーターは、場所、パフォーマンス、および必要なトラフィックタイプとの互換性に基づいてノードにタスクを割り当てます。たとえば、インターネット速度が速く、レイテンシが低いノードは、画像や動画の取得などの重いタスクを割り当てられるかもしれませんが、より小さいノードは軽量なAPIコールに焦点を当てるかもしれません。この動的なマッチングシステムにより、ネットワークはトラフィックを効率的に分散させ、各ノードがその能力に応じて貢献できるようになります。

すべてのトラフィックタイプが同じ価値を持つわけではありません。中には、計算コストが高かったり、より多くの帯域幅を必要としたり、データ購入者からの需要が高いものもあります。これを反映するために、Grassネットワークは各トラフィックタイプに異なるポイント値を割り当てています。より要求されるまたは優先度の高いタスクはより高い報酬を得る一方、より簡単なタスクは少ない報酬を得ます。このシステムはインセンティブのバランスを保ち、ネットワークが様々な作業負荷の下で効率的であることを保証します。また、より良いハードウェアやより速い接続を持つユーザーがネットワーク内でより高価値な役割を引き受けることを奨励します。

手数料市場

Grassは、需要を調整し、分散型環境でのトラフィックを優先するために手数料市場を導入します。固定料金システムとは異なり、Grassの手数料モデルは各タスクの特性と現在のネットワーク条件に基づいて動的に調整されます。取引手数料を計算するための公式には、地理（g）、評判（r）、トラフィックタイプ（t）、使用される帯域幅（b）、ネットワーク混雑（c）の5つの主要な変数が含まれています。各変数は、リクエストに対して支払われる最終的な手数料を決定する加重合計に寄与し、コストが操作の複雑さとリソースの要求を反映することを保証します。

地理的変数(g)は、リクエストを処理しているグラスノードの位置を反映しています。一部のタスクには、特定の国でのみアクセス可能なコンテンツのような地域特有のデータが必要です。このような場合、関連する地理的エリア内のノードが優先され、そのアクセスの希少性と価値を反映して関連料金が引き上げられます。このメカニズムは、トラフィックをインテリジェントに誘導し、過小評価されている地域や需要が高い地域の参加者を報いるのに役立ちます。

レピュテーション変数（r）は、ノードのパフォーマンス履歴を反映しています。稼働時間、低遅延、およびタスク完了の実績が強いノードは、より高額なリクエストを受け取り、拒否されるリスクが低くなります。逆に、パフォーマンスが弱いノードは、手数料の閾値が高くなり、ルーティング決定で優先順位が下がる可能性があります。このアプローチは、長期的な行動を収益潜在能力に直接結びつけ、ユーザーが時間をかけて安定して準拠した参加を維持する明確な理由を提供します。

トラフィックタイプ (t) と帯域幅 (b) の変数は、各リクエストの技術的性質に関連しています。前のセクションで説明したように、異なるトラフィックタイプはデータ量、複雑さ、価値の観点で異なる要求があります。軽量のAPIコールは、フル解像度の画像ギャラリーをダウンロードするよりも安価であり、料金モデルはそれに応じて反映されています。帯域幅の消費も正確に追跡されており、大きなリクエストはリクエスターにとっても、寄与するノードに対して発行されるトークン報酬の観点でもコストが高くなります。

ネットワークの混雑（c）は、式の最後の変数であり、高需要の期間中にシステムが自己調整するのを助けます。混雑が上昇すると、料金は上昇して最も緊急または価値のあるトラフィックのみを優先します。これにより、過負荷を防ぎ、要求の信頼性を維持し、ルーターやバリデーターが低優先度のタスクに圧倒されないようにします。混雑乗数は、将来のバージョンでリアルタイムの使用パターンを反映し、パフォーマンスを最適化するために調整される可能性があります。

草の評判スコアリング

データの品質とネットワークの信頼性を確保するために、Grassはノードのパフォーマンスを時間をかけて測定する評判スコアリングシステムを実装しています。各ノードは、完全性、一貫性、タイムリーさ、可用性の4つの主要な特性に基づいて評価されます。これらの指標は、ノードがトラフィックを処理する際に自動的に記録され、加重された評判スコアに統合されます。このスコアは、ノードが受け取るトラフィックの量、どのようなタスクに対して適格であるか、料金市場での優先順位に直接影響します。

完全性とは、ノードがリクエストに対して期待されるコンテンツを正常に提供できたかどうかを指します。ウェブページが部分的にしか読み込まれない場合やAPIレスポンスが切り捨てられる場合、そのリクエストは不完全としてマークされます。これはノードのスコアに影響を与え、将来の収益機会を減少させる可能性があります。Grassは自動検証ツールを使用し、しばしばバリデータレイヤーによってサポートされ、レスポンスが完全性基準を満たしているかどうかを確認してから報酬を承認したり、リクエストを評判にカウントしたりします。

一貫性は、ノードが繰り返しリクエストに対して正確なデータをどれだけ信頼性高く提供するかを測定します。高性能のノードは、監査目的でタスクが繰り返されたりランダム化されたりしても、一貫して正しい期待される応答を返します。この指標は、信頼できないノードや、偽の結果でシステムを操作しようとするノードを排除するのに特に重要です。一貫性チェックは定期的に実施され、長期的な評価に考慮されます。

タイムリーさは、各リクエストのレイテンシと速度を評価します。データタスクに対して一貫して迅速に応答するノードは、より信頼できると見なされ、スコアが高くなります。応答が遅いノードや頻繁にタイムアウトするノードは、評判でペナルティを受けます。Grassネットワークは、AIモデルのトレーニングのためにほぼリアルタイムでデータを収集するために使用されるため、応答性は重要です。タイムリーさのスコアリングは、ノードを運用しているユーザーが安定した接続を維持していることを確保し、ネットワークが高スループットアプリケーションで使用できるようにします。

可用性はノードの稼働時間を追跡します。ノードがオンラインでトラフィックを受け取る準備ができている頻度です。頻繁に切断されたり、長時間非アクティブであるノードは、評判システムでの地位を失います。逆に、長期間にわたり安定してオンラインであるノードは、より高いティアのトラフィックと改善された収益の可能性で報われます。可用性は、専用ハードウェアを運用したり、継続的な稼働時間を提供したいルーターオペレーターや重度の貢献者にとって特に重要です。

ハイライト

• Grassは、ノードが帯域幅を共有し、ルーターがリクエストの分配を処理し、バリデーターがデータの有効性を確認するためにゼロ知識証明を生成する三層アーキテクチャに依存しています。
• バリデーターはトラフィックの正確性を検証し、オンチェーンで証明を記録して、完了した正確なデータリクエストのみが報酬につながることを保証します。
• ルーターは委任されたステークを受け取り、ノードのパフォーマンスを管理し、地理、速度、過去の信頼性に基づいてトラフィックを指示します。
• グラスノードは、ユーザーのプライバシーを保護しながら公開ウェブリクエストを実行し、その参加は共有された帯域幅の量、質、一貫性に基づいて報酬を受けます。
• そのプロトコルは、評判システムと手数料市場を使用しており、これにより高性能なノードを優先し、トラフィックの種類、場所、および混雑に基づいて報酬構造を動的に調整します。