콘텐츠로 건너뛰기

Pyth

2024년 6월 3일60 min

개요

Pyth는 40개 이상의 블록체인에 실시간 시장 데이터를 전파하는 오라클 네트워크로, 오프체인 애플리케이션에서도 사용할 수 있습니다. 특히, 90개 이상의 1차 출판사로부터의 기여를 자랑하며, Jane Street, CBOE, Binance, OKX, Bybit와 같은 저명한 이름들을 포함합니다.

기존 오라클과 달리, Pyth는 빈번하지 않은 업데이트와 의심스러운 데이터 소스에 의존하는 경우가 많아, 최고 수준의 글로벌 금융 시장 참여자들로부터 직접 정보를 소싱함으로써 on-chain 데이터 접근성을 제공합니다. 여기에는 유명한 마켓 메이커, 거래소, 트레이딩 회사들이 포함됩니다.

Pyth의 주요 목표는 모든 blockchain 네트워크에서 금융 시장 데이터에 대한 접근을 민주화하고, 데이터 소유자와 사용자 모두를 강화하는 것입니다. 신뢰할 수 있는 소스의 데이터를 활용함으로써, Pyth는 높은 정확성과 낮은 지연 시간을 보장하며, DeFi 애플리케이션이 글로벌하게 확장되는 데 필수적인 on-chain 금융 데이터를 제공합니다.

화이트페이퍼는 정확하고 고해상도의 금융 데이터를 온체인에서 이용할 수 있도록 하는 오라클 프로토콜을 소개합니다. 메커니즘 디자인은 자립형 탈중앙화 네트워크가 데이터 발행자와 소비자를 조정하도록 보장합니다. 이를 위해 인센티브 구조는 고품질 가격 데이터를 가진 발행자를 유치하도록 설계되었으며, 데이터 소비자의 사용으로부터 수집된 수수료를 지불함으로써 그들을 인센티브화합니다. 실제 프로세스는 또한 가격 조작으로부터 보호하는 것을 목표로 합니다.

Pyth는 가격 피드를 다양한 자산 클래스에 제공하며, 여기에는 미국 주식, 상품, 그리고 암호화폐가 포함됩니다. 각 가격 피드는 초당 여러 번 업데이트되는 퍼블리셔 가격으로부터 계산된 견고한 집계값을 게시합니다.

Pyth는 오라클 공간에서 품질, 보안, 신뢰성을 우선시하는 여러 핵심 기능과 원칙으로 차별화됩니다:

  • 업데이트 빈도: Pyth는 pull 모델을 통해 고빈도 업데이트를 가능하게 하며, 이는 DeFi 애플리케이션에 더 적시적인 작업을 보장합니다. 다른 오라클에서는 DeFi 애플리케이션이 주기적인 업데이트가 on-chain에 게시되기를 기다려야 하지만, Pyth는 필요할 때마다 이 데이터를 pull할 수 있게 합니다.
  • 신뢰 구간: Pyth는 프로토콜과 사용자를 보호하기 위해 신뢰 구간을 구현합니다. 이러한 구간은 잠재적인 데이터 부정확성에 대한 추가적인 보증과 위험 완화의 층을 더합니다.
  • 다양한 데이터 제공: Pyth는 실시간 미국 주식, FX 페어, 금속 가격을 포함한 다양한 범위의 데이터를 제공하며, 이는 다른 소스에서 얻기 어려울 수 있습니다. 이 데이터 제공의 폭은 Pyth의 오라클 서비스의 다재다능성과 적용 가능성을 향상시킵니다.
  • 고급 기능: Pyth는 퍼블리셔 성능 지표, 지수 이동 평균(EMA/EMAC), 크로스 페어 지원, 바스케팅(인덱싱 또는 컴포지팅)과 같은 다양한 고급 기능을 제공합니다.
  • 품질 소싱 및 투명성: Pyth는 전통 금융과 DeFi 모두에서 최고 수준의 시장 참여자들로부터 광범위한 데이터를 소싱합니다. 이 접근 방식은 고품질의 신뢰할 수 있는 데이터를 보장합니다. 게다가 Pyth의 운영은 투명하며, 집계가 완전히 온체인(on-chain)에서 발생하여, 조작에 취약한 불투명한 프로세스를 실행할 수 있는 기존 오라클과 다릅니다.
  • 보안 및 신뢰성에 대한 높은 기준: Pyth는 신뢰 밴드, 최소 게시자 규칙, 엄격한 데이터 피드 준수 테스트, 그리고 프로토콜 개발자를 위한 경제적 구제 조치와 같은 신뢰성 조치를 구현합니다.

Pyth는 설계상 데이터 중개인을 제거하여, 중개인이 데이터를 중계하는 데 수수료를 부과하지 않고 고품질 데이터에 직접 액세스할 수 있도록 합니다.

Pyth의 데이터 퍼블리셔들은 제출하는 데이터의 정확성과 무결성에 대해 책임을 집니다. 이 퍼블리셔들은 자신들에게 부여된 중대한 책임을 이해하며, 그들의 데이터가 생태계 내에서 잠재적으로 수십억 달러의 가치를 보호하는 데 중요한 역할을 합니다. 이러한 책임은 퍼블리셔들이 데이터 제출에서 정직성과 무결성을 유지하도록 장려하며, Pyth의 오라클 서비스에 대한 신뢰와 신뢰성을 키웁니다.

Pyth의 설계는 퍼블리셔들이 다른 소스에서 데이터를 단순히 복사하는 대신 독점적인 가격 정보를 기여하도록 장려합니다. 독창성에 대한 이러한 강조는 데이터 소스의 다양성을 장려하고 독특하고 가치 있는 가격 정보의 가용성을 촉진합니다.

개요

전통 금융 시장에서 실시간 및 과거 가격 피드에 대한 접근은 엄격하게 통제되어, 선택된 소수의 기관과 사용자에게만 접근이 제한되어 왔습니다. 암호화폐 시장은 더 개방적이었지만, 이러한 현상이 지속될 보장은 없습니다. 그 결과, 특권층만이 적시적이고 정확하며 가치 있는 시장 정보를 누릴 수 있었습니다.

Pyth는 거래 회사, 마켓 메이커, 거래소를 유인하여 그들의 1차 가격 데이터를 공유하도록 함으로써 이 귀중한 금융 시장 데이터에 대한 접근을 민주화하는 것을 목표로 합니다. 이 데이터는 기존 운영의 일부로 수집되며, 네트워크에 의해 집계되어 온체인 및 오프체인 애플리케이션 모두에서 사용되도록 온체인에 게시됩니다.

각 제품의 가격 피드는 동적이며, 현재 가격을 지속적으로 반영하며 가격의 추정 불확실성을 정량화하는 신뢰 구간과 함께 제공됩니다. 예를 들어, BTC/USD 피드는 $65,000 ± $50의 가격을 보고할 수 있습니다. 이러한 피드는 다양한 블록체인에서 실행되는 블록체인 지원 프로그램과 오프체인 애플리케이션을 포함한 다양한 사용자 세트가 소비할 수 있도록 온체인에서 접근 가능하게 됩니다.

이러한 가격 피드의 생성은 개별 퍼블리셔로부터 데이터를 집계하는 온체인 프로그램을 포함합니다. 참여하기 위해 퍼블리셔는 고품질의 실시간 가격 데이터를 소싱할 수 있는 능력을 가진 1차 당사자 데이터 제공자여야 합니다.

이를 달성하기 위해, Pyth는 두 가지 주요 참여자 그룹의 상호작용을 조율합니다:

  • 발행자: 이 엔티티들은 가격 피드를 발행할 책임이 있으며, 그 대가로 수수료를 받습니다. 일반적으로 발행자는 정확하고 시의적절한 가격 정보를 접근할 수 있는 시장 참여자입니다.
  • 소비자: 소비자는 대상 체인에서 가격 피드의 최종 사용자입니다. 그들은 이 데이터를 스마트 컨트랙트나 분산 애플리케이션(dApps)에 읽고 통합합니다. 데이터를 접근하기 위해 소비자는 프로토콜에 수수료를 지불합니다.

Pyth 가격에 대한 광범위한 접근성을 보장하기 위해, 프로토콜은 여러 블록체인에서 작동하도록 설계되었습니다. Pyth는 각 가격 피드의 상태가 저장되고 업데이트되는 앱체인인 Pythnet을 통해 이를 달성합니다.

Pyth 데이터 제품

Pyth는 다양한 애플리케이션을 지원하기 위해 세 가지 다른 데이터 제품을 제공합니다:

  • Solana 가격 피드: Solana 메인넷을 위한 실시간 가격 데이터 액세스.
  • Pythnet Price Feeds: 다양한 생태계와 체인에 대한 실시간 가격 (대부분 EVM 체인, 여러 Cosmos 체인, Aptos 및 Sui). 지원 체인의 수가 시간이 지나면서 증가할 것입니다.
  • Benchmarks: Benchmarks는 온체인 및 오프체인 모두에서 사용할 수 있는 과거 Pyth 가격을 제공합니다.

Solana 가격 피드

Solana 가격 피드는 애플리케이션 개발자들이 Solana 메인넷에서 실시간 가격 업데이트에 접근할 수 있는 간단한 방법을 제공합니다.

Solana Price Feeds는 Solana로 가격 업데이트를 지속적으로 스트리밍하며, 각 price feed는 전용 Solana 계정을 가지고 있습니다. 애플리케이션 개발자들은 필요한 특정 price feed와 연관된 관련 Solana 계정에 쉽게 접근할 수 있습니다. 그런 다음 이 계정을 Solana 프로그램 내에서 데이터 소스로 사용할 수 있습니다.

price feed의 현재 값을 읽기 위해 개발자들은 Solana 계정에 저장된 데이터를 역직렬화해야 합니다. 이 데이터는 현재 가격과 함께 다른 관련 정보를 나타냅니다.

개발을 용이하게 하기 위해 Pyth는 Solana SDK를 제공합니다. 개발자들은 가격 피드가 어떻게 표현되는지 익히고, 다음 가이드를 사용하여 모범 사례를 배울 수 있습니다.

Pythnet

Pythnet은 Solana의 포크입니다. 이 체인은 각 게시자가 검증자 노드를 운영하는 proof-of-authority (PoA) 합의 메커니즘을 사용합니다. 가격은 Wormhole과 같은 탈중앙화된 크로스체인 메시징 프로토콜을 활용한 크로스체인 아키텍처를 통해 Pythnet에서 다른 타겟 체인으로 배포됩니다. 이 브로드캐스팅 접근 방식은 수많은 타겟 체인에 대한 지원을 단순화하여, 소비자들이 사용하는 블록체인에 관계없이 Pyth 데이터를 원활하게 액세스할 수 있게 합니다.

Pythnet 내에서 게시자와 소비자는 두 가지 메커니즘을 통해 상호작용할 수 있습니다:

  • 가격 집계: 이 메커니즘은 개별 게시자의 가격 피드를 각 제품에 대한 단일 가격 피드로 집계합니다. 주요 목적은 소규모 게시자 그룹의 중대한 조작에 견딜 수 있는 견고한 가격 피드를 만드는 것입니다.
  • Pyth Governance: 이 요소는 프로토콜의 다양한 메커니즘의 고급 매개변수를 관리하여 프로토콜의 무결성과 신뢰성을 보장합니다.

Pythnet은 Wormhole의 크로스체인 메시지 기능을 활용하여 하나의 블록체인에서 다른 블록체인으로 가격 데이터의 원활한 흐름을 가능하게 하는 크로스체인 전략을 지원하며, 이를 통해 여러 블록체인 생태계 전반에 걸쳐 데이터 피드의 접근성과 유용성을 확대합니다.

Pythnet은 집계 가격의 안전하고 신뢰할 수 있는 계산을 보장합니다. 검증자들은 거래 로그를 재생하여 가격 계산의 정확성을 검증합니다. Wormhole 가디언의 2/3+가 정직한 한, 사용자는 Pyth 가격의 정확성을 신뢰할 수 있습니다. 또한, Pythnet은 높은 가용성을 유지하기 위한 내장된 중복성을 가지고 있습니다. 대상 체인의 높은 시장 변동성 기간이나 경쟁적인 거래 대역폭 기간 동안에도 2/3+의 검증자가 온라인 상태인 한 운영을 유지합니다.

크로스-체인 아키텍처

Pyth는 다양한 체인 간 데이터의 효율적이고 신뢰할 수 있는 전송을 보장하기 위해 크로스-체인 아키텍처를 사용합니다. 이 아키텍처는 여러 중요한 목표를 충족하도록 설계되었습니다:

  • 거래 최소화비용: 다중 블록체인에서 가격 피드를 유지하는 주요 도전 과제 중 하나는 거래(가스 수수료)와 관련된 비용입니다. 이러한 비용은 지나치게 비싸질 수 있습니다.
  • 고주파 및 저지연 업데이트 지원: 시의적절하고 고주파 가격 정보에 의존하는 애플리케이션의 경우, Pyth의 크로스체인 아키텍처는 업데이트가 빠르고 저지연임을 보장합니다.
  • 다수의 블록체인으로 확장: 서로 다른 블록체인에서 고유한 런타임, 합의 모델, 가스 비용을 가진 다양한 사용 사례를 수용하기 위해, 아키텍처는 여러 블록체인에 걸쳐 효율적으로 확장되어야 합니다.
  • 다수의 가격 피드로 확장: Pyth 프로토콜은 다양한 자산에 대한 광범위한 가격 피드를 처리할 수 있어야 하며, 여기에는 암호화폐와 전통 자산이 포함됩니다. 비용 효과적인 크로스체인 데이터 전송을 보장하면서 이를 수행해야 합니다.

이러한 도전 과제들은 세 부분으로 구성된 워크플로우를 따르는 “pull” 오라클 모델을 통해 해결됩니다:

  1. 효율적이고 비용 효과적인 게시: 잠재적으로 높은 가스 비용을 가진 일반화된 블록체인을 사용하는 대신, 가격 게시를 위해 애플리케이션 전용 블록체인인 Pythnet이 사용됩니다. 허가된 게시자는 비용 없이 Pythnet의 온체인 오라클 프로그램에 가격 업데이트를 제출할 수 있습니다. 이러한 업데이트에는 유효한 가격과 신뢰 구간이 포함되며, 해당 온체인 가격 계정에 저장됩니다.
  2. 방송: Pythnet의 합의 과정의 일부로, Pythnet 검증자들은 가격 방송 작업을 수행합니다. 이 작업은 게시자들의 가격을 각 업데이트된 가격 피드에 대한 집계 가격으로 집계합니다. 이후, 메시지 버퍼 프로그램을 호출하여 다른 체인으로 보낼 메시지 생성을 가능하게 합니다. 이러한 메시지는 업데이트된 피드의 집계 가격을 포함합니다. 다음으로, 검증자들은 이러한 가격을 잎 노드로 Merkle tree를 구성하고, Wormhole network와 같은 크로스체인 메시징 프로토콜을 사용하여 트리의 루트를 다른 체인으로 방송합니다
  3. 대상 체인에서의 중계: Pyth 가격이 필요한 대상 체인에서, Pyth receiver contracts는 각 Pyth price feed에 대한 가격을 저장합니다. 이러한 contracts는 저장된 가격을 업데이트하는 permissionless operations를 허용합니다. 업데이트를 수행하기 위해, consumers는 attested merkle tree root, 특정 symbol에 대한 price update (해당 merkle tree의 leaf), 그리고 그 leaf에서 root로 이어지는 tree의 path가 필요합니다. 업데이트는 signature validation과 root-leaf-path verification을 포함한 다양한 checks를 거칩니다. 업데이트가 유효하다면, 새로운 가격은 Pyth receiver contract에 저장됩니다.

데이터 신선도를 유지하기 위해, Pyth 가격의 소비자들은 가격을 사용하기 전에 온체인에서 허가 없는 가격 업데이트를 호출할 책임이 있습니다. 이러한 업데이트가 없으면, Pyth 수신자 계약에 저장된 가격이 시간이 지남에 따라 오래된 상태가 됩니다.

Pyth 가격 피드를 통합하는 프로토콜들은 가격의 최대 허용 가능한 오래됨에 대한 제한을 설정할 수 있으며, 이를 통해 사용자들이 항상 최신 데이터에 액세스할 수 있도록 보장합니다. 중요한 점은, 소비자들은 특정 작업을 위해 가격을 업데이트해야 할 때만 거래 비용을 부담하며, 불필요한 수수료를 피할 수 있다는 것입니다.

이 접근 방식은 크로스 체인 아키텍처가 고빈도 가격 업데이트를 효율적으로 스트리밍할 수 있도록 하면서 대상 체인의 거래 비용을 최소화합니다.

  1. 데이터 게시: Pyth Network 내의 게시자들은 온체인 프로그램에 가격 데이터를 평소와 같이 계속 게시합니다. 이는 Pyth 내에서 정확하고 시의적절한 가격 정보가 지속적으로 이용 가능하도록 보장합니다.
  2. Wormhole과의 통합: Pyth는 Wormhole의 범용 메시징 프로토콜을 활용하여 서로 다른 블록체인 간 데이터 전송을 용이하게 합니다. Wormhole은 체인 간 정보 또는 토큰 전송을 가능하게 하는 브리지 역할을 합니다.
  3. 데이터 전송 프로세스: Wormhole 지원 체인의 데이터 소비자가 Pyth로부터 가격 데이터를 요청할 때, Wormhole은 중개자 역할을 합니다. Wormhole은 Pyth로부터 소싱된 가격의 정확성과 무결성을 보증하고, 이 데이터를 소비자 네이티브 체인에 배포된 Pyth 컨트랙트로 전송을 용이하게 합니다.
  4. 요청 시 가용성: 전송된 가격 데이터는 요청 시 제공되며, 소비자들이 원하는 빈도로 필요한 정보를 액세스할 수 있도록 보장합니다. 이러한 요청 시 가용성은 비용을 절감하고 자원의 효율적인 활용을 보장합니다.
  5. 확장 가능한 데이터 사용: 특정 가격 데이터 세트가 요청되고 특정 블록체인으로 전송되면, 해당 체인에서 운영되는 모든 프로토콜과 애플리케이션에 액세스 가능해집니다. 이러한 확장성은 생태계 내 여러 사용자와 프로젝트가 동일한 데이터 세트를 다양한 목적으로 활용할 수 있게 합니다.

Wormhole과 통합하고 그 크로스체인 메시징 기능을 활용함으로써, Pyth는 가격 데이터 피드를 네이티브 블록체인 너머로 효과적으로 확장하여 다양한 블록체인 생태계와의 원활한 통합을 가능하게 합니다. 이 크로스체인 전략은 Pyth의 데이터의 상호운용성과 유용성을 강화하여 다양한 블록체인에 걸쳐 더 광범위한 사용자와 애플리케이션에 접근 가능하게 만듭니다.

  1. 데이터 제공자들은 Pythnet에 그들의 가격을 게시합니다.
  2. 온체인 오라클 프로그램은 피드에 대한 가격을 집계하여 집계 가격과 신뢰 수준을 얻습니다.
  3. Pythnet 검증자들은 각 Pythnet 슬롯마다 모든 가격의 Merkle root를 포함하는 Wormhole 메시지를 Pythnet의 Wormhole 계약으로 보냅니다.
  4. Wormhole 가디언들은 Merkle root 메시지를 관찰하고 Merkle root 메시지에 대한 서명된 Validity Assertion Artifact (VAA)를 생성합니다.
  5. Hermes라는 웹 서비스는 Pyth Merkle roots를 위해 Wormhole을 지속적으로 수신하고 Pythnet에서 price messages를 수신합니다. 최신 price messages를 Merkle proof와 signed Merkle root와 함께 저장하며, 최신 업데이트를 검색하기 위한 HTTP 및 websocket API를 노출합니다.
  6. 사용자가 거래에서 Pyth price를 사용하고 싶을 때, Hermes에서 최신 업데이트 메시지를 검색하여 거래에 제출합니다. 업데이트 메시지는 포함된 각 price update의 signed Merkle tree root와 Merkle proofs를 포함합니다.
  7. Pyth Network 계약은 루트에 대한 Wormhole 서명과 Merkle 증명을 확인하여 페이로드를 검증합니다. 유효한 경우, 새로운 가격을 온체인 스토리지에 저장합니다.

온체인 프로토콜은 간단한 API를 통해 Pyth 컨트랙트와 통합되어 온체인 스토리지에서 현재 Pyth 가격을 검색합니다. 이 API는 프로토콜에서 구성된 최근성 임계값에 의해 결정된 대로 충분히 최근에 업데이트된 경우에만 현재 가격을 반환합니다.

Pyth의 Pull Oracle

Pyth의 가장 주목할 만한 특징 중 하나는 push 모델을 사용하는 대신 pull-based 모델에 의존한다는 점입니다. 이는 사용자가 적시하고 정확한 가격 데이터를 받을 수 있도록 보장하면서 운영 비용을 최소화합니다.

전통적인 Push-Based Oracles

전통적인 push 모델에서 오라클은 일반 목적 블록체인에 가격 데이터를 적극적으로 게시하며, 종종 동일한 체인에서 aggregation을 수행합니다.

신선한 가격을 유지하기 위해 오라클은 온체인 가격을 업데이트하기 위해 정기적으로 거래를 보내야 합니다. 이러한 거래에는 관련 가스 비용이 발생하며, 업데이트 빈도가 높아지거나 지원되는 가격 피드, 블록체인, 게시자 수가 증가함에 따라 비용이 상승할 수 있습니다.

전통적인 push oracles도 신뢰성 문제로 고통받을 수 있으며, 이는 가격 업데이트 트랜잭션이 네트워크의 다른 활동과 공간을 놓고 경쟁하기 때문입니다. 네트워크 혼잡 시, 이러한 업데이트는 on-chain에서 처리되지 않을 수 있습니다.

Pyth의 Pull Model

Pyth는 pull 기반 모델을 채택합니다. 이는 Pythnet이라는 전용의 비용 효율적인 블록체인에서 가격 게시 및 집계 과정을 포함합니다. Pythnet의 퍼블리셔들은 가격 업데이트를 무료로 제출할 수 있으며, 이는 오라클의 전체 운영 비용을 크게 줄입니다.

다른 블록체인에 가격을 브로드캐스팅할 때, 수요와 관계없이 업데이트를 푸시하는 대신 (그리고 gas 비용을 발생시키는 대신), Pyth는 소비자가 가격 업데이트를 적극적으로 요청할 때만 gas를 지불합니다. 이 타겟팅된 접근 방식은 gas 소비가 더 효율적임을 보장합니다.

이 효율성의 결과로, Pyth는 더 빈번한 가격 업데이트를 제공할 수 있으며, 전통적인 push-based oracle에 비해 더 많은 price feed와 블록체인을 지원하도록 확장할 수 있습니다.

예를 들어, Pyth는 지수 가중 이동 평균(EMAs)과 같은 상태 유지 계산을 처리하는 데 탁월합니다. 빈번한 가격 업데이트를 고려할 때, 시간 가중 계산은 이전에 게시된 데이터를 사용할 수 있습니다.

풀 모델은 또한 더 신뢰할 수 있습니다. 대상 체인에서의 네트워크 혼잡이 Pythnet에 가격을 게시하는 발행자를 방해하지 않습니다. 게다가 가격 데이터가 필요한 사용자는 거래 수수료를 지불함으로써 항상 Pythnet에서 대상 체인으로 데이터를 풀할 수 있습니다.

Pyth의 pull 모델의 이점은 다음과 같습니다:

  • Gas efficiency: 온체인 가격은 필요할 때만 업데이트되어 불필요한 제출을 피함으로써 gas를 절약합니다. 온체인 가격 유지 비용은 사용자들 사이에 분산되어 Pyth Network의 부담을 줄입니다.
  • 높은 업데이트 빈도: Pyth Network는 price feeds를 초당 한 번씩 업데이트하며, 대부분의 blockchains’ blocktime보다 빠릅니다. Frequent updates는 pull model 덕분에 가능하며, push oracles와 달리 일반적으로 덜 빈번하게 업데이트됩니다.
  • 낮은 지연 시간: 사용자는 모든 transaction에서 recent off-chain prices에 액세스할 수 있어, on-chain updates에만 의존하는 것에 비해 low latency를 보장합니다.
  • 더 많은 가격 피드: Pyth Network는 각 피드에 대한 추가 비용 없이 수천 개의 가격 피드로 확장할 수 있습니다. 사용자는 새로운 피드가 온체인에서 사용될 때만 가스 비용을 지불합니다.
  • 변동성 조건에서 신뢰할 수 있음: Pyth 가격 업데이트는 가치 있는 거래에 통합되어, 푸시 오라클이 가격 업데이트를 성공적으로 전송하는 데 어려움을 겪을 수 있는 변동성 시장 조건에서도 신뢰성을 보장합니다.
  • 공통 인프라: Pyth Network의 구성 요소는 블록체인 간에 공유되어 신뢰성과 정확성을 촉진합니다. 이 접근 방식은 기존 가격 피드를 사용한 새로운 블록체인에 대한 신속한 배포를 용이하게 합니다.
  • 지속 가능성: Pyth Network 프로토콜은 데이터 제공자에게 보상하기 위한 선택적 데이터 수수료를 허용하여 지속 가능성을 보장하고 기여를 장려합니다. 이러한 메커니즘 없이 오라클은 지속 불가능하고 실패에 취약할 수 있습니다.

Oracle Program

Pyth 내 Oracle Program은 다양한 데이터 제공자로부터 가격 데이터를 정확하고 신뢰할 수 있게 집계하는 것을 보장합니다. 이는 각 가격 피드가 메타데이터를 저장하는 제품 계정과 가격 계정으로 구성된 두 개의 계정을 유지하는 것을 담당합니다.

각 가격 피드와 연결된 가격 계정 내에서, 오라클 프로그램은 승인된 데이터 제공자 각각의 가격 기여를 위한 저장 공간을 할당합니다. 이러한 기여는 안전하게 저장되며, 승인된 제공자에 의해서만 업데이트될 수 있습니다.

오라클 프로그램은 승인된 데이터 제공자가 제공한 개별 가격 추정치를 단일 집계 가격과 신뢰 구간으로 집계합니다. 이 집계 과정은 최종 가격 데이터가 여러 소스의 집단적 입력을 반영하도록 보장합니다.

가격을 집계하는 것 외에도, 오라클 프로그램은 결과 가격 시리즈에 대한 추가 상태 유지 계산을 수행할 수 있습니다. 이는 가격 데이터의 품질을 더욱 향상시키기 위해 이동 평균이나 다른 통계 측정치를 계산하는 것을 포함할 수 있습니다.

개별 데이터 제공자 가격은 오라클 프로그램 내 내부 상태로 저장되지만, 다운스트림 애플리케이션에서 사용하기 위해 집계 가격과 신뢰 구간만 제공된다는 점을 유의하세요. 이는 데이터 무결성과 프라이버시를 유지하면서 사용자에게 정확한 가격 데이터를 제공하는 데 도움이 됩니다.

온체인 계정

Pyth 오라클 프로그램은 세 가지 유형의 온체인 계정을 관리합니다: Product accounts, Price accounts, and Mapping accounts.

Product Accounts Price Accounts Mapping Accounts
These accounts store metadata about a specific product, such as its symbol, asset type, quote currency, and description.

For example, a product account for AAPL (Apple Inc.) includes fields like symbol, asset type (Equity), quote currency (USD), and a pointer to the associated price account. 

Price accounts store the current price information for a product. This includes the current price, confidence interval, price type, exponent, status, corporate action status, and other relevant fields. Prices are stored in a fixed-point format, and the confidence interval represents Pyth’s uncertainty about the current price.

For example, the price account for AAPL contains fields like price, confidence, price type, exponent, status, corporate action status, and more.

Mapping accounts serve as an index of the pricing information available on Pyth. These accounts organize product accounts into a linked list structure, allowing applications to enumerate all products currently available on Pyth. 

Each mapping account contains a list of product account IDs and may include a pointer to the subsequent mapping account. This linked list structure facilitates efficient access to pricing information for various products.

예를 들어, AAPL (Apple Inc.)에 대한 제품 계정은 symbol, 자산 유형 (Equity), 기준 통화 (USD), 그리고 관련 가격 계정에 대한 포인터와 같은 필드를 포함합니다.

예를 들어, AAPL의 가격 계정에는 가격, 신뢰도, 가격 유형, 지수, 상태, 기업 행동 상태 등과 같은 필드가 포함되어 있습니다.

각 매핑 계정에는 제품 계정 ID 목록이 포함되어 있으며, 후속 매핑 계정에 대한 포인터를 포함할 수 있습니다. 이 연결 리스트 구조는 다양한 제품의 가격 정보에 대한 효율적인 액세스를 용이하게 합니다.

이 계정 유형들 사이의 관계는 계층적이며, 매핑 계정이 제품 계정에 대한 참조를 포함하고, 제품 계정이 가격 계정에 대한 참조를 포함합니다.

가격 집계

Pyth의 가격 집계는 정확하고 견고한 가격 피드를 생성하도록 설계되었습니다.

  • 1. 데이터 소스: Pyth는 특정 제품에 대한 가격 데이터를 제공하는 여러 데이터 소스 또는 게시자로 시작합니다. 예를 들어 BTC/USD의 가격입니다. 이러한 데이터 소스는 일반적으로 정확하고 시의적절한 가격 정보에 접근할 수 있는 시장 참여자와 기관입니다.

모든 데이터 제공자 보기: https://pyth.network/publishers

  • 2. 개별 가격 피드: 각 데이터 소스나 게시자는 가격의 추정 불확실성을 나타내는 신뢰 구간과 함께 개별 가격 피드를 제공합니다. 예를 들어, BTC/USD 피드는 가격을 “$35,000 ± $50”로 표시할 수 있습니다.

신뢰 구간은 보고된 가격에서 시장 간의 불확실성과 분산을 측정합니다.

예를 들어, 아래 이미지에서 보라색 선은 현물 가격이고, 그 위와 아래의 흰색 밴드는 집계된 신뢰도의 확대와 축소를 나타냅니다.

  • 3. 집계 메커니즘: Pyth의 집계 메커니즘은 이러한 개별 가격 피드를 특정 제품에 대한 단일 집계 가격 피드로 결합합니다. 목표는 소수의 게시자나 악의적인 행위자에 의해 크게 영향을 받거나 조작될 수 없는 견고하고 신뢰할 수 있는 가격 피드를 생성하는 것입니다.
  • 4. 영향 제한: 집계 메커니즘은 개별 게시자의 집계 가격에 대한 영향을 제한하도록 설계되었습니다. 이는 오라클 가격을 변경하려는 참가자에 의한 우발적 및/또는 의도적인 가격 조작 시도를 방지하는 데 중요합니다.
  • 5. 커뮤니티 감독: 커뮤니티는 퍼블리셔가 프로토콜을 사용하는 방식을 결정하는 데 역할을 합니다. 이러한 감독은 평판이 좋고 정직한 참가자만 Pyth에 데이터를 제공할 수 있도록 보장하는 데 도움이 됩니다.

예를 들어, 대부분의 퍼블리셔가 SOL/USD 가격을 $100으로 제출하고 한 명의 퍼블리셔가 $80으로 제출한다면, 집계 가격은 $100에 더 가깝게 유지될 것입니다. 이 속성은 소수의 퍼블리셔가 시장에서 멀리 떨어진 가격을 제출하더라도 집계 가격이 정확하게 유지될 가능성을 높입니다.

아래 이미지의 낮은 얇은 막대들은 각 게시자의 가격과 신뢰 구간을 나타냅니다. 위의 굵은 빨간 막대는 결과적인 집계 가격과 신뢰 구간을 보여줍니다.

집계 가격 메커니즘은 정확도의 다른 수준을 가진 데이터 소스를 가중치로 처리한다는 점에 주목할 가치가 있다. 동시에, 프로토콜은 게시자가 신뢰 구간을 제출할 수 있도록 허용한다. 예를 들어, 이러한 게시자 중 일부는 중앙화 거래소일 것이다. 이러한 참여자들은 유동성 수준이 다를 것으로 예상되며, 유동성이 낮을 때 입찰/매도 스프레드가 더 넓어진다.

이 속성은 한 거래소가 $101 ± 1을 보고하고 다른 거래소가 $110 ± 10을 보고하는 상황을 초래할 수 있다. 이러한 경우, 집계 가격은 $110보다 $101에 더 가깝다. 이 시나리오는 아래 이미지에 묘사되어 있다.

Pyth가 여러 게시자로부터 가격 데이터를 수집하기 때문에, 이러한 게시자들은 동일한 제품에 대해 약간 다른 가격을 제공할 수 있습니다. 이러한 변동은 데이터 소스, 거래 장소, 데이터 수집 시점의 차이에서 발생할 수 있습니다.

실제 금융 시장에서는 주어진 상품에 대해 단일 고정 가격이 존재하지 않습니다. 대신, 암호화폐나 증권 같은 상품은 주어진 순간에 다양한 거래 장소에서 약간 다른 가격으로 거래될 수 있습니다. 이러한 변동은 수요와 공급 역학, 거래 활동, 유동성 등의 요인에 의해 영향을 받습니다.

Pyth의 집계 신뢰 구간은 다른 장소에서의 가격 변동과 상품의 스프레드가 부과하는 제한을 모두 고려합니다. 이는 상품의 실제 시장 가격이 포함될 가능성이 높은 범위를 반영합니다.

시장 데이터 오라클을 위한 신뢰 구간

금융 시장에서 측정 불확실성, 종종 신뢰도 또는 정밀도로 지칭되는 것은 과학 및 공학 분야와 유사한 중요한 요소입니다. 과학적 측정에서 관찰자가 진정한 값으로부터의 잠재적 편차를 추정하는 것처럼, Pyth의 데이터 제공자는 가격 스트림에 신뢰 수준을 부여합니다. 이 신뢰도는 장소에서의 입찰/매도 스프레드나 여러 장소에서의 거래 발생 기대치와 같은 다양한 요인을 반영합니다.

금융 시장에서 측정 불확실성을 이해하는 것은 여러 목적을 수행합니다:

  • 정밀도 지표: 이는 단일 관측에서 정밀도 또는 불확실성 수준을 나타내어, 시장 참여자들이 보고된 가격의 신뢰성을 평가하는 데 도움을 줍니다.
  • 최적 데이터 융합: 불확실성 측정을 통합함으로써, 여러 독립적인 관측을 더 효과적으로 결합할 수 있습니다. 불확실성이 작은 관측에는 더 큰 가중치를 부여하고, 불확실성이 큰 관측에는 가중치를 줄여 더 견고한 데이터 집계를 이끕니다.
  • 파생량으로의 전파: 과학적 측정과 유사하게, 원시 가격 데이터의 불확실성은 파생량으로 전파될 수 있습니다. 예를 들어, 가격 관측치를 결합하여 속도와 같은 파생량을 계산하는 것은 (금융 용어로 변동성이나 스프레드와 같은 파생 지표) 각 관측치와 관련된 불확실성을 고려하는 것을 포함합니다.
  • 이상 현상 탐지: 독립적인 측정 간의 불일치가 각각의 불확실성을 초과할 때, 하나 이상의 측정에 잠재적인 문제가 있음을 나타냅니다. 이 불일치 탐지 메커니즘은 오류가 있거나 이상치 데이터를 식별하는 데 도움을 주며, 가격 보고의 전체 무결성을 향상시킵니다.

Pyth의 맥락에서 여러 데이터 제공자가 비동기적으로 가격 측정값을 기여하는 경우, 측정 불확실성에 대한 고려가 최우선이 됩니다. 각 제공자는 서로 다른 데이터 소스를 활용하고 엄격한 시간 프레임 내에서 보고하며, 신뢰 수준을 동반한 가격 평가를 제공합니다. 이 접근 방식은 시장 역학에 대한 보다 세밀한 이해를 촉진하고 시장 참여자를 위한 집계된 가격 데이터의 신뢰성을 강화합니다.

집계 알고리즘 – 가중 중간값 변형

Pyth에서 사용되는 가격 집계 알고리즘은 가중 중간값의 변형으로, 다양한 게시자의 기여를 반영하면서 그들의 지분 가중치와 신뢰 구간을 고려하여 집계 가격을 생성하도록 설계되었습니다.

Pyth 네트워크의 각 게시자는 지분 가중치가 할당됩니다. 초기에는 이러한 가중치가 균일하게 설정되지만, 미래에는 커뮤니티의 결정에 따라 데이터 스테이킹과 같은 메커니즘을 사용하여 결정될 수 있습니다.

  • 단계 1 – 집계 가격 계산: 집계 가격을 계산하기 위해 각 게시자는 3개의 투표를 받습니다:보고된 가격에서의 한 표.보고된 가격에 신뢰 구간을 더한 가격에서의 한 표.보고된 가격에서 신뢰 구간을 뺀 가격에서의 한 표.알고리즘 알고리즘은 그 다음에 스테이크 가중치가 적용된 이 투표들의 중앙값을 계산합니다. 본질적으로, 이 단계는 각 게시자의 집계 가격에 대한 기여를 고려하면서 그들의 신뢰 구간을 고려합니다.
    • 보고된 가격에서의 한 표.
    • 보고된 가격에 신뢰 구간을 더한 가격으로 한 표.
    • 보고된 가격에 신뢰 구간을 뺀 가격으로 한 표.
    • 알고리즘은 stake-weighted 중위수를 계산합니다. 본질적으로, 이 단계는 각 publisher의 aggregate price에 대한 기여를 고려하면서 그들의 confidence intervals를 반영합니다.
  • 단계 2 – Confidence Interval 계산: 알고리즘의 두 번째 단계는 aggregate confidence interval을 계산합니다. 이는 aggregate price에서 두 점까지의 거리를 측정합니다:투표의 stake-weighted 25th percentile.투표의 stake-weighted 75th percentile.이 두 거리 중 더 큰 것이 aggregate confidence interval로 선택됩니다.
    • 투표의 스테이크 가중 25번째 백분위수.
    • 투표의 스테이크 가중 75번째 백분위수.
    • 이 두 거리 중 더 큰 것이 집계 신뢰 구간으로 선택됩니다.
    • 보고된 가격으로 한 표.
    • 그들의 보고된 가격에 신뢰 구간을 더한 가격으로 한 표.
    • 그들의 보고된 가격에서 신뢰 구간을 뺀 가격으로 한 표.
    • 알고리즘은 그런 다음 지분 가중 중위수를 계산합니다. 본질적으로, 이 단계는 각 출판자의 집계 가격에 대한 기여를 고려하면서 그들의 신뢰 구간을 반영합니다.
    • 투표의 지분 가중 25번째 백분위수.
    • 투표의 스테이크 가중 75번째 백분위수.
    • 이 두 거리 중 더 큰 것이 집계 신뢰 구간으로 선택됩니다.

대부분의 사람들은 중간값(median)을 데이터 세트의 중간 값, 즉 50번째 백분위수로 이해합니다. 그러나 중간값은 또한 목적 함수 ∑i |R − pi | 를 최소화하는 값 R이기도 합니다. 여기서 pi 는 i번째 출판사의 가격입니다.

이 함수는 R을 출판사의 가격 pi 로부터의 거리에 따라 R에 벌칙을 부과합니다. 제안된 알고리즘은 최소화하는 집계 가격 R을 계산합니다.

여기서 si는 게시자의 스테이크 가중치이고 ci 는 게시자의 신뢰 구간입니다.

따라서, 알고리즘의 목적 함수는 두 항의 합을 최소화합니다:

  • 첫 번째 항은 집계 가격(R)과 각 게시자의 보고 가격(pi) 사이의 가중 절대 차이를 고려하며, 여기서 가중치는 게시자의 지분(si)입니다. 목적 함수의 이 부분은 게시자를 지분에 따라 가중하여 높은 지분 게시자에게 더 많은 영향을 줍니다.
    • 목적 함수의 이 부분은 게시자들의 지분에 따라 가중치를 부여하여, 높은 지분을 가진 게시자에게 더 많은 영향을 줍니다.
  • 두 번째 항은 집계 가격 (R)과 각 게시자의 보고 가격 (pi) 사이의 거리에 기반한 페널티를 도입하지만, 이 거리가 게시자의 신뢰 구간 (ci)을 초과할 때만입니다.목적 함수의 이 부분은 게시자의 신뢰 구간 밖에 있는 집계 가격에 대해 페널티를 부과합니다.
    • 목적 함수의 이 부분은 집계 가격이 게시자의 신뢰 구간 외부에 있을 때 이를 패널티로 처리합니다.
    • 목적 함수의 이 부분은 게시자들의 스테이크에 따라 가중치를 부여하여, 높은 스테이크를 가진 게시자에게 더 많은 영향력을 줍니다.
    • 목적 함수의 이 부분은 집계 가격이 발행자의 신뢰 구간 밖에 있는 것을 패널티로 부과합니다.

왼쪽 그래프는 일반적인 중간값의 목적 함수를 가격 p = 0, 이는 단순히 R.의 절댓값입니다. 반면, 오른쪽 그래프는 Pyth의 목적 함수를 설명하며, 이는

다양한 신뢰 구간 선택에 대해 ci.

Pyth의 목적 함수에서 신뢰 구간의 너비는 곡선의 꺾임 지점 위치를 결정합니다. 구간이 넓어질수록 꺾임 지점이 0에서 더 멀어집니다. 두 꺾임 지점 사이의 영역은 중간값에 비해 감소된 페널티를 가집니다.

이 중위수의 일반화는 원하는 속성을 유지합니다: 이상치에 대한 강건성 및 다양한 데이터 소스의 정확도를 고려하는 것. 강건성은 중위수의 이상치에 대한 내재된 회복력에서 비롯됩니다. 본질적으로, 데이터셋의 50번째 백분위수는 데이터셋에 존재하는 극단적인 값에 관계없이 영향을 받지 않습니다. 또한, 신뢰 구간의 조정은 알고리즘이 다양한 데이터 소스의 기여도를 그들의 정확도에 기반하여 적절히 가중하도록 보장합니다.

아래에 제시된 네 가지 시나리오에서 aggregation algorithm과 objective function을 시각화할 수 있으며, 이는 prices와 confidence intervals가 어떻게 결합되는지에 대한 통찰을 제공합니다.

  • Outlier Publisher: 좁은 confidence interval을 가진 outlier publisher는 objective function에 영향을 미치지만, aggregate price나 confidence interval에 상당한 영향을 미치기에는 충분하지 않습니다.
  • 더 좁은 신뢰 구간 영향: 더 좁은 신뢰 구간을 가진 게시자들은, 그들의 가격이 다른 사람들의 신뢰 구간과 일치할 경우, 집계 가격에 더 큰 영향을 미칩니다.
  • 일관된 게시자: 많은 게시자의 가격과 신뢰 구간이 일치할 때, 집계는 그들의 합의를 반영합니다.
  • 이질적 게시자: 서로 다른 가격과 겹치지 않는 신뢰 구간을 가진 게시자들은 분산으로 인해 신뢰 구간을 넓히며, 투표의 집계와 백분위 사이에 간격을 만듭니다.

EMA 가격 집계

지수 이동 평균(EMA)은 최근 데이터 포인트에 더 많은 가중치를 두고 오래된 데이터 포인트에 적은 가중치를 주는 가중 평균입니다. Pyth에서 EMA Price와 EMA Confidence 값은 온체인에서 생성된 집계된 가격과 신뢰도에서 유도됩니다.

Pyth는 Solana 슬롯 번호를 사용하여 시간의 경과를 측정합니다. 평균 기간은 일반적으로 5921 슬롯으로 설정되며, 이는 약 1시간에 해당합니다.

각 샘플은 1/Confidence로 가중되며, 이를 통해 EMA는 좁은 신뢰 구간을 가진 샘플에 더 많은 가중치를 부여하고 넓은 신뢰 구간을 가진 샘플을 무시할 수 있습니다. 이 가중치 체계는 넓은 신뢰 구간을 가진 이상치가 EMA 계산에 크게 영향을 미치지 않도록 보장합니다.

예를 들어, 넓은 신뢰 구간을 가진 이상치 집계 가격은 역신뢰 가중치로 인해 EMA 계산에 큰 영향을 미치지 않으며, 이는 균등 가중 평균과 대조됩니다.

이 구현은 스트리밍 애플리케이션에 특히 적합하며, 가격과 가중치의 전체 이력을 단일 숫자로 표현할 수 있게 합니다. 이 방법은 EMA Price와 EMA Confidence 값이 Pyth Network 내에서 집계된 가격의 최근 추세와 신뢰성을 정확하게 반영하도록 보장합니다.

네트워크 역할 및 제어 흐름

Pyth 프로토콜 내 데이터 스테이킹 메커니즘은 데이터 수수료의 공정 가격 책정, 참여자 간 인센티브 정렬, 그리고 클레임 프로세스의 견고성을 보장하도록 설계되었습니다.

이를 달성하기 위해, Pyth는 3개의 필수 당사자, 즉 Publishers, Consumers, and Delegators의 협력과 조정을 통해 작동합니다.

  • 퍼블리셔는 정확하고 시의적절한 가격 데이터를 수집하는 책임이 있으며, 이를 Pyth에 가격 피드로 게시합니다. 그들의 역할은 제공된 가격 피드에 의존하는 소비자에 의해 생성된 데이터 수수료의 일부를 벌어들이는 것으로 확장됩니다. 프로토콜에 참여하고 보상을 받기 위해 퍼블리셔는 $PYTH 토큰을 스테이킹해야 하며, 이를 통해 정확하고 신뢰할 수 있는 데이터를 제공하기 위한 헌신을 보장합니다. 이 스테이킹 메커니즘은 또한 책임성을 도입하여, 퍼블리셔가 부정확한 정보를 제공할 경우 스테이킹된 자산이 슬래시될 위험이 있습니다.Pyth 퍼블리셔: https://pyth.network/publishers
  • 소비자들은 반면에, 게시자들에 의해 게시된 가격 데이터를 그들의 분산 애플리케이션(dApps)에서 활용하며, 다양한 목적으로 스마트 컨트랙트에 통합합니다. 온체인 또는 오프체인 엔티티인 소비자들은 이러한 가격 피드를 접근하고 사용하기 위해 데이터 수수료를 지불합니다. 이러한 수수료를 지불하는 주요 동기는 위험 감소로, Pyth 가격 피드는 부정확한 데이터로 인한 재정적 손실을 완화하는 수단을 제공합니다. 또한, 데이터 수수료 지불은 네트워크에 더 많은 게시자들이 참여하도록 유인하여 가격 피드의 신뢰성을 향상시킵니다.
  • 위임자는 Pyth Network에서 특정 퍼블리셔에 토큰을 스테이킹함으로써 중요한 역할을 합니다. 그 대가로, 해당 퍼블리셔가 제공하는 가격 피드를 사용하는 소비자들이 생성하는 데이터 수수료의 일부를 받습니다. 그러나 위임자로서 토큰을 스테이킹하는 것은 오라클이 잘못된 정보를 제공할 경우 스테이크를 잃을 가능성이 있어 내재된 위험이 따릅니다. 위임자들은 처음에는 상당한 지불금을 받을 수 있지만, 시장이 더 효율적이고 경쟁적으로 변하면서 시간이 지나면서 수익이 감소할 수 있습니다.

자산 가격은 여러 체인에 걸친 DeFi 애플리케이션에 필수적이며, Pyth의 오라클 가격과 신뢰 구간이 다양한 사용 사례에 기여합니다:

  • 대출 및 차입 플랫폼은 Pyth의 데이터를 사용하여 사용자 계정 상태를 적극적으로 추적하고 청산을 결정합니다.
  • DEXs & AMMs 종종 Pyth의 실시간 가격에 의존하여 다른 거래소와의 동기화를 보장하며, 특히 파생상품의 경우입니다.
  • Options & Derivatives, Structured Products, and Vaults 만기 시 옵션 및 파생상품 계약을 정산하고 Pyth의 가격 피드를 기반으로 P&L을 계산합니다.
  • 스테이블코인 프로젝트는 Pyth의 가격 피드를 활용하여 CDP를 위한 담보 자산의 지불 능력을 결정합니다.
  • DAO 도구 및 인프라 프로젝트는 크로스체인 상호작용 및 기타 기능에 대한 자산 가격이 필요합니다.
  • 오프체인 애플리케이션과 같은 분석 플랫폼은 분석 목적으로 Pyth의 자산 가격 데이터를 사용합니다.

게시자 측면에서 Pyth는 네트워크에 더 많은 데이터를 공급하는 데이터 게시자를 계속 온보딩하고 있습니다. 이러한 게시자는 마켓 메이커와 트레이딩 회사, 전통 거래소, 암호화폐 거래소, 심지어 분산형 거래소와 같은 다양한 엔티티를 대표할 수 있습니다.

스테이킹 및 정보 무결성

오라클 네트워크에 스테이킹 메커니즘을 도입하는 것, 예를 들어 평판 스테이킹이나 담보 스테이킹은 지연을 부과하지 않으면서 데이터의 무결성을 크게 향상시킬 수 있습니다. 이러한 메커니즘은 오라클 운영자와 데이터 제공자의 인센티브를 정렬하여 고품질의 적시 정보 게시를 보장합니다.

Reputational staking은 오라클 운영자들이 제공하는 데이터의 품질에 대해 책임을 지도록 하는 것을 포함합니다. 제공자 기여를 투명하게 함으로써, 저조한 성과자를 식별하고 대처할 수 있으며, 이는 전체 데이터 피드의 무결성을 유지합니다. 이 메커니즘이 그 자체로 본질적으로 강력하지 않을 수 있지만, 투명하고 공개적으로 구현될 때 데이터 제공자들이 높은 기준을 유지하도록 유도할 수 있습니다.

Literal staking은 반대로, 오라클 운영자나 데이터 제공자들이 담보를 게시하는 것을 포함하며, 이는 잘못된 데이터 보고 시 압류될 수 있으며, 이는 “slashing”으로도 알려져 있습니다. 이러한 명시적인 인센티브 정렬은 기여자들이 재정적 페널티를 피하기 위해 고품질 정보를 적극적으로 필터링하도록 장려합니다. 또한, 압류된 자금은 잘못된 데이터로 인한 손상을 보상하는 데 사용될 수 있습니다.

Pyth의 스테이킹 메커니즘은 오라클 네트워크 내 데이터 무결성을 보장하는 데 중요한 역할을 합니다. 참여자들이 $PYTH 토큰을 담보 형태로 스테이킹하도록 요구함으로써, Pyth는 데이터 제공자와 운영자의 인센티브를 그들이 기여하는 데이터의 정확성과 신뢰성에 맞춥니다.

데이터 발행자와 운영자를 포함한 참여자들은 프로토콜에 참여하기 위해 $PYTH 토큰을 스테이킹해야 합니다. 이 스테이킹 요구사항은 약속 메커니즘으로 작용하여 네트워크에 정확하고 신뢰할 수 있는 데이터를 제공하려는 그들의 이해관계가 걸려 있음을 신호합니다.

Publishers Consumers Delegators
Incentivized to provide accurate and timely prices, publishers stake $PYTH tokens and risk stake slashing if they publish prices far from the reference price, causing issues with the oracle’s feed.

In return, they earn a share of data fees, with rewards favoring publishers whose prices predict future changes.

Encouraged to pay data fees to mitigate risk when using Pyth price feeds and to attract more publishers to improve feed robustness. Initially earn attractive payments by backing products, with payments reflecting inherent risks and market efficiency over time.

Delegators also set stake-weights of publishers, and are incentivized to ensure a robust price feed to avoid stake loss due to incorrect aggregate price feed.

대가로, 그들은 데이터 수수료의 일부를 벌 수 있으며, 보상은 가격이 미래 변화를 예측하는 발행자들에게 유리하게 주어집니다.

위임자들도 발행자의 스테이크 가중치를 설정하며, 잘못된 집계 가격 피드로 인한 스테이크 손실을 피하기 위해 견고한 가격 피드를 보장하도록 장려됩니다.

토큰 스테이킹은 잘못된 행동이나 부정확한 데이터 보고의 경우 참가자에게 재정적 비용을 부과합니다. 이는 참가자들이 제공하는 데이터를 철저히 검토하고 블록체인에 게시하기 전에 정확성을 보장하도록 강력한 인센티브를 만듭니다. 스테이킹된 토큰을 잃을 수 있는 두려움은 악의적인 행동이나 태만에 대한 억제력으로 작용합니다.

Pyth는 참여자들이 부정확하거나 조작된 데이터를 제공한 것으로 밝혀지면 스테이킹된 토큰을 슬래싱할 수 있는 슬래싱 메커니즘을 사용합니다. 게시자나 운영자가 보고한 데이터가 부정확하다고 판단되면, 그들의 스테이킹된 토큰 일부가 몰수될 수 있습니다. 이 처벌은 악의적인 행위자를 억제하고 데이터의 신뢰성을 유지하기 위한 징벌적 조치로 작용합니다.

오라클이 부정확한 가격을 게시하면 누구나 클레임을 제기할 수 있습니다. $PYTH 토큰 홀더들의 투표가 클레임을 승인합니다. 성공적인 클레임의 경우, 프로토콜은 제품의 위임자들의 스테이크를 슬래싱하고, 이벤트가 발생한 에포크 동안의 데이터 수수료 가치에 기반하여 슬래싱된 금액을 소비자에게 분배합니다. 이는 Pyth의 집계 가격과 신뢰 구간이 어떤 기간 동안에도 실질적으로 부정확했다면 클레임이 성공하도록 보장합니다.

결함이 있는 것으로 판명된 참가자들로부터 슬래시된 토큰은 잘못된 데이터로 인해 부정적인 영향을 받았을 수 있는 사용자나 소비자를 보상하는 데 사용될 수 있습니다. 이 메커니즘은 신뢰할 수 없는 데이터를 제공하는 것에 대한 후속 조치를 보장하고 영향을 받은 당사자에게 배상을 제공합니다.

또한, Pyth의 스테이킹 메커니즘은 거버넌스 모델로도 확장되며, 여기서 스테이크된 토큰을 보유한 이해관계자들은 프로토콜 매개변수, 업그레이드 또는 변경과 관련된 결정에 영향을 미칠 투표권을 가집니다.

오라클 무결성 스테이킹

Oracle Integrity Staking (OIS)은 Pyth Publishers (데이터 제공자)가 $PYTH 토큰을 스테이킹하도록 요구함으로써 Pyth의 생태계에 향상된 데이터 책임성을 도입합니다. 이 프로그램은 게시자들이 고품질 데이터 기여를 유지하도록 장려하며, 결함이 있거나 악의적인 데이터를 제공할 경우 그들의 스테이크를 슬래시합니다.

Oracle Integrity Staking의 주요 구성 요소는 다음과 같습니다:

  • 경제적 책임성: 게시자는 온체인 보상을 받기 위해 $PYTH 토큰을 스테이킹해야 합니다. 잘못된 데이터가 제출되면 스테이킹된 일부가 슬래싱됩니다.
  • 커뮤니티 거버넌스: Pyth DAO는 주요 스테이킹 매개변수를 감독하며, 슬래시된 자금이 영향을 받은 당사자에게 분배될지 아니면 Pyth Network를 지원하는 데 사용될지 결정할 수 있습니다.
  • 스테이커 참여: $PYTH 보유자는 토큰을 특정 퍼블리셔에게 위임하여 스테이킹할 수 있으며, 네트워크의 보안을 강화하면서 보상을 받을 수 있습니다.

OIS는 $PYTH 스테이커들이 토큰을 퍼블리셔에게 위임(스테이킹)함으로써 네트워크의 보안과 성능에 직접 기여할 수 있게 합니다. 스테이커들은 오라클을 보호하는 데 도움을 주며, 선택한 퍼블리셔의 데이터 품질에 따라 보상을 받습니다.

스테이커와 퍼블리셔는 여기서 보상과 위험을 모두 공유합니다:

  • 보상: 퍼블리셔가 먼저 보상을 받고, 남은 보상은 스테이커에게 분배됩니다.
  • Slashing: 퍼블리셔가 잘못된 데이터를 제공하면, 퍼블리셔와 그들의 스테이커 모두가 패널티를 받습니다.

Pyth Network의 각 퍼블리셔는 스테이크 풀을 운영하며, 여기서 스테이커는 토큰을 위임할 수 있습니다. 보상의 크기는 다음에 의해 영향을 받습니다:

  • 총 스테이크: 보상은 미리 정의된 스테이크 상한에 도달할 때까지 풀의 크기에 따라 증가합니다.
  • 지원 심볼: 퍼블리셔는 더 많은 심볼을 지원함으로써 스테이크 상한을 높이고 보상을 증가시킬 수 있으며, 더 많은 위험을 감수하지만 더 높은 잠재적 보상을 얻을 수 있습니다.

Pyth DAO는 OIS를 제어하는 매개변수를 감독합니다:

  • 보상 구조: DAO 멤버들은 최대 보상 비율을 설정하고 슬래시된 자금의 할당에 대해 투표할 수 있습니다.
  • Slashing Mechanisms: 오보도 경우, DAO는 슬래싱된 토큰이 영향을 받은 사용자에게 보상하는 등의 방식으로 배분되어야 하는지를 결정합니다.
  • Future Enhancements: DAO는 스테이킹 참여를 확대하기 위해 다른 디지털 자산을 통합하는 등의 추가 보상 소스를 도입할 수 있습니다.

보상 분배

Pyth의 보상 분배 메커니즘은 각 게시자를 공정하게 보상하고, 나쁜 행위자를 처벌하며, 정확한 보고를 장려하도록 설계되었습니다. Pyth의 데이터 스테이킹 메커니즘은 제품당 데이터 수수료의 일부(초기 설정은 20%이지만 거버넌스에 의해 조정될 수 있음)를 해당 제품의 보상 풀에 분배합니다.

  • 더 정확하거나 시의적절한 가격 정보를 액세스할 수 있는 게시자는 더 많은 보상을 받아야 합니다. 이는 최고의 게시자들이 프로토콜에 기여하도록 유도합니다.
  • 벌칙이 마련되어야 하며, 이는 시스템을 개인적인 이익을 위해 악용하는 나쁜 행위자들을 억제할 수 있습니다.
  • 발행자들은 그들의 사적인 정보를 바탕으로 가격을 정직하게 보고하도록 장려되어야 합니다. 이는 집계된 가격이 이용 가능한 가장 정확한 정보를 반영하도록 보장합니다.

이 목표를 달성하기 위해, 보상 분배 메커니즘은 세 가지 요인에 기반하여 게시자들 사이에 보상 풀을 분배합니다:

  • Stake-weight (s): 데이터 스테이킹 메커니즘에 의해 결정되며, 프로토콜에 대한 게시자의 참여 수준을 반영합니다.이 숫자는 0과 1 사이입니다.
    • 이 숫자는 0과 1 사이입니다.
  • Quality Score (q): 게시자의 가격 시리즈가 미래 가격 변동을 얼마나 잘 예측하는지를 측정합니다. 이 숫자는 -1과 1 사이이며, 양수 점수는 예측력을 나타냅니다.
    • 이 숫자는 -1과 1 사이에 있으며, 양수 점수는 예측력을 나타냅니다.
  • Calibration (c): 발행자의 불확실성을 나타내는 신뢰 구간의 정확성을 반영합니다.이 숫자는 0과 1 사이에 있습니다.
    • 이 숫자는 0과 1 사이입니다.
    • 이 숫자는 0과 1 사이입니다.
    • 이 숫자는 -1과 1 사이에 있으며, 양의 점수는 예측력을 나타냅니다.
    • 이 숫자는 0과 1 사이에 있습니다.

각 에포크의 끝에서, 퍼블리셔들은 이 세 가지 양의 곱(s × q × c)에 기반하여 보상 풀의 몫을 획득합니다. 음의 양은 퍼블리셔에 대한 해당 스테이크 슬래싱을 초래합니다.

품질 점수는 퍼블리셔의 가격 시리즈의 특징을 기반으로 미래 가격을 예측하는 온라인 회귀 모델을 훈련함으로써 계산됩니다. 캘리브레이션 점수는 퍼블리셔의 신뢰 구간이 그들의 불확실성을 얼마나 정확하게 나타내는지 측정합니다.

아래에서 두 다른 출판사의 역사적 데이터 비교를 확인할 수 있습니다.

  • 왼쪽 그래프는 예측된 가격 변화와 실제 가격 변화의 산점도입니다. 이러한 양들 사이의 선형 관계가 더 강할수록 품질 점수가 높아집니다.
  • 오른쪽 그래프의 축은 회귀 모델의 두 가지 비편향 특징에 해당하며, 색상은 실제 가격 변화를 나타냅니다. 부드러운 색상 그라데이션이 높은 품질 점수를 나타냅니다.
  • 이 샘플에서 상위 게시자는 하위 게시자보다 높은 점수를 얻습니다.

이 메커니즘은 예측 정확성을 보상하고 부정확한 보고를 처벌함으로써 고품질 보고를 장려하고 나쁜 행위를 억제합니다. 또한, 인센티브를 진실한 정보 제공과 일치시킴으로써 정직한 보고를 장려합니다.

품질 점수

Pyth Network에서 품질 점수는 게시자의 가격 시리즈가 미래 집계 가격에 대한 예측 정확성을 평가하기 위해 설계된 지표입니다. 이 점수는 실시간 데이터에 기반하여 예측을 동적으로 업데이트하는 온라인 회귀 모델을 사용하여 계산됩니다.

품질 점수는 두 가지 주요 구성 요소에서 파생됩니다:

  1. 상관관계 측정: 이것은 주어진 에포크 동안 게시자의 예측 가격이 집계 가격과 일치하는 정도를 정량화합니다. 완벽한 예측은 상관관계 1에 해당하며, 무작위 예측은 상관관계 0을 생성하며, 무작위보다 나쁜 예측은 음의 상관관계를 초래합니다.
  2. 기여 빈도: 두 번째 요소는 게시자가 가격 데이터를 제공한 시간 슬롯의 비율입니다. 이는 게시자의 데이터 기여의 일관성과 신뢰성을 반영합니다.

회귀 모델은 각 시간 슬롯에서 t, 두 가지 주요 가격 변화 특징을 사용하여: 게시자의 현재 가격 pt 은 이전 슬롯의 자체 가격과 집계 가격 모두와 비교됩니다. 가중치 벡터 wt, 모델의 계수를 나타내는 것은 각 예측 후 모델을 세밀하게 조정하기 위해 클리핑된 그래디언트 방법으로 조정됩니다.

음의 상관관계는 적대적 행동에 대한 보호 장치로 작용하며, 출판자의 예측이 체계적으로 부정확하고 잠재적으로 오도할 수 있음을 나타냅니다.

제안된 점수 시스템은 적응 가능하며 여러 방식으로 개선될 수 있습니다:

  • 이는 즉각적인 다음 슬롯을 넘어 가격 변동을 예측할 수 있으며, 이는 더 도전적인 예측 작업을 제시합니다.
  • 다른 거래소 간의 지속적이지만 사소한 가격 차이와 같은 미묘한 점을 고려하기 위한 추가 기능의 통합. 이러한 차이를 추적함으로써, 이 메커니즘은 일관되지만 사소한 변동에 대해 발행자를 부당하게 처벌하는 것을 피할 수 있습니다.

Pyth 네트워크의 개발자들은 이 품질 점수 메커니즘을 과거 데이터를 사용한 테스트에 적용했으며, 이는 현재 모델이 건전한 결과를 산출한다는 것을 나타냅니다. 그러나 금융 시장의 다양한 성격을 인식하여, 모델의 설계는 새로운 통찰과 데이터가 이용 가능해짐에 따라 미래의 수정 및 개선을 수용할 수 있도록 본질적으로 유연합니다.

교정 점수

Pyth Network에서 calibration score는 게시자의 confidence interval의 정확성을 평가하는 도구로 작용합니다—게시자가 집계 가격이 포함될 것으로 예상하는 범위입니다. 이 점수는 게시자가 가격 예측에 대한 불확실성을 얼마나 잘 이해하고 전달하는지를 가늠하는 척도입니다.

Calibration Score의 작동 방식

  1. 표준 오차 해석: 발행자의 신뢰 구간은 Laplace distribution의 표준 오차 관점을 통해 해석됩니다. Laplace distribution은 normal distribution보다 더 무거운 꼬리를 가지기 때문에 선택되었으며, 이는 가격 변동을 더 현실적으로 나타내는 경향이 있습니다.
  2. 계산 과정:Z-Score 결정: 각 예측에 대해, z-score는 예측에서 집계 가격을 빼고 이 값을 게시자의 명시된 신뢰 구간으로 정규화하여 계산됩니다.Histogram Binning: 이 z-score들은 그 후 bins으로 분류됩니다. 이 bins의 임계값들은 신뢰 구간이 완벽하다면 각 bin이 standard Laplace distribution 하에서 동일하게 가능할 있도록 설정됩니다.Uniformity Check: “perfect” publisher의 histogram은 이러한 bins 전반에 걸쳐 uniform할 것입니다. 따라서 calibration score는 이 uniformity로부터의 deviation으로 정의되며, 구체적으로 actual histogram과 uniform distribution 사이의 earth-mover distance의 1에서 뺀 값입니다.
    1. Z-Score Determination: 각 예측에 대해, z-score는 예측에서 집계 가격을 빼고 이 값을 게시자의 명시된 confidence interval로 정규화하여 계산됩니다.
    2. Histogram Binning: 이러한 z-score들은 그 다음 bins으로 분류됩니다. 이러한 bins의 임계값은 confidence intervals가 완벽하다면, 각 bin이 표준 Laplace distribution 하에서 동등하게 가능하도록 설정됩니다.
    3. 균일성 검사: “완벽한” 게시자로부터의 히스토그램은 이러한 빈(bin) 전체에서 균일할 것입니다. 따라서 캘리브레이션 점수는 이 균일성으로부터의 편차로 정의되며, 구체적으로 실제 히스토그램과 균일 분포 사이의 earth-mover distance에서 1을 뺀 값입니다.
  • Z-Score 결정: 각 예측에 대해 z-score는 예측에서 집계 가격을 빼고 게시자가 명시한 confidence interval로 이 값을 정규화하여 계산됩니다.
  • Histogram Binning: 이 z-점수들은 그 다음 빈으로 분류됩니다. 이 빈들의 임계값은 신뢰 구간이 완벽하다면 표준 라플라스 분포 하에서 각 빈이 동일하게 가능하도록 설정됩니다.
  • Uniformity Check: “완벽한” 발행자로부터의 히스토그램은 이 빈들 전반에 걸쳐 균일할 것입니다. 따라서 캘리브레이션 점수는 이 균일성으로부터의 편차에 의해 정의되며, 구체적으로 실제 히스토그램과 균일 분포 사이의 어스-무버 거리의 1에서 뺀 값입니다.

교정 점수는 더 좁은 신뢰 구간을 제공하는 출판사에게 유리하지 않습니다. 왜냐하면 이러한 이점은 이미 품질 점수에 포함되어 있기 때문입니다. 대신, 교정 점수는 신뢰 구간의 적절성에 초점을 맞춥니다—즉, 그것이 출판사의 가격 예측에 대한 “진짜” 확신 수준을 정확히 반영하는지 여부입니다.

높은 교정 점수는 출판사의 신뢰 구간이 잘 교정되어 있으며, 집계된 가격이 명시된 불확실성을 고려할 때 예측 범위 내에 자주 떨어진다는 것을 나타냅니다. 반대로, 낮은 점수는 출판사의 신뢰 구간이 너무 좁거나 너무 넓다는 것을 암시할 수 있으며, 이는 실제 신뢰를 잘못 표현하는 것을 의미합니다.

프로젝트가 만들어진 이유

Pyth의 생성은 탈중앙화 금융(DeFi)에서 오라클 문제를 해결하고 기관 제공자로부터 소싱된 신뢰할 수 있으며 지연이 낮은 시장 데이터를 제공할 필요성에서 비롯되었습니다. 전통 시장은 종종 이러한 데이터에 대한 접근을 제한하는 반면, 암호화폐 시장은 포괄적이고 신뢰할 수 있는 소스가 부족합니다. Pyth의 원래 비전은 블록체인이 외부 데이터와 원활하게 상호작용할 수 있도록 함으로써 이 격차를 메우는 것을 목표로 했습니다.

이 프로젝트는 2018년 이전 블록체인이 직면한 한계에 대한 대응으로 구상되었으며, 당시 분산 애플리케이션(DApps)은 온체인 데이터만으로 작동할 수 있었습니다. 오프체인 데이터를 신뢰성 있게 통합하기 위해 블록체인과 외부 세계를 연결하는 다리 역할을 하는 오라클이 필요했습니다. Pyth의 목표는 명확했습니다: 모든 블록체인에서 자산 가격에 대한 접근을 민주화하여 DApps의 기능성과 실세계 유용성을 강화하는 것이었습니다.

기존 오라클은 신뢰할 수 없는 데이터 소스와 데이터 전달 지연 등의 여러 도전을 직면했습니다. 일부 솔루션은 인터넷에서 데이터를 스크랩하거나 의심스러운 소스에서 데이터를 얻어 정확성과 신뢰성을 저해했습니다. 게다가 데이터 전송 지연, 특히 시간 가중 평균 가격(TWAP) 오라클에서 두드러지게 나타나는 지연은 암호화폐와 같은 변동성 시장에서 상당한 위험을 초래했습니다.

Pyth는 신뢰할 수 있는 출처로부터 안전하고 실시간 시장 데이터를 제공함으로써 이러한 도전 과제를 극복하고자 했습니다. 거래 회사, 분산형 거래소(DEXs), 중앙화 거래소(CEXs)와 같은 기관과 협력함으로써 Pyth는 가격 피드의 무결성과 정확성을 보장하는 것을 목표로 했습니다. 네트워크를 통해 Pyth는 오프체인 데이터를 블록체인으로 원활하게 전송하여 DeFi 애플리케이션이 적시하고 정확한 시장 정보를 활용할 수 있도록 강화했습니다.

섹터 전망

가격 오라클은 블록체인 생태계 내에서 오프체인 가격 데이터와 온체인 스마트 컨트랙트 사이의 격차를 연결하는 데 중요한 역할을 합니다. 이는 시의적절하고 정확한 가격 정보를 제공하여 분산 애플리케이션(dApps)이 실세계 시장 데이터에 접근할 수 있게 합니다. 그러나 정확성과 시의성을 동시에 달성하는 것은 도전적일 수 있으며, 지연을 도입하는 전통적인 솔루션은 특히 지연에 민감한 금융 애플리케이션에서 항상 충분하지 않을 수 있습니다.

오라클 공간에서 Chainlink과의 경쟁 속 Pyth Network의 섹터 전망은 차별화된 제품과 독특한 가치 제안을 제공함으로써 요약될 수 있습니다. Chainlink이 주요 오라클 제공자로 자리 잡은 반면, Pyth는 Solana에 초점을 맞춰 시작하여 Pythnet으로 다른 체인으로 확장하는 근본적으로 다른 접근 방식을 제공합니다.

Pyth의 pull price update 모델은 Chainlink과 같은 다른 오라클에서 일반적으로 사용되는 push 모델과 차별화됩니다. 1차 출처로부터 직접 데이터를 얻는 데 중점을 두며 aggregators에 의존하지 않는 것은 Pyth의 매력을 더하며, 잠재적으로 더 빠르고 고품질의 업데이트를 제공합니다.

Pyth는 또한 신뢰 구간을 도입하여, 특히 변동성이 크거나 유동성이 낮은 시장에서 가격 불확실성에 대한 보다 세밀한 정보를 프로토콜에 제공합니다. 이 접근 방식은 프로토콜이 선호하는 공격성 또는 보수성 수준에 따라 위험 매개변수를 조정할 수 있게 합니다.

지연에 민감한 금융 데이터를 검색하는 데 있어 적시성과 비용 효과성 사이의 도전을 해결하기 위해, Pyth는 오라클 운영자들이 제공하는 데이터의 무결성과 적시성에 대해 평판, 담보 또는 거래 자본을 staking하는 “staking” 메커니즘을 제안합니다. 이를 통해 부정확하거나 지연된 데이터를 제공하는 자들은 경제적 또는 평판적 결과를 겪게 되며, 따라서 그들이 게시하는 정보의 무결성을 보장하도록 유인합니다.

“skin in the game” 원칙을 통해 Pyth 오라클은 블록체인에 스트리밍되는 가격 데이터의 중요한 소스로 작용하며, 오프체인 세계와 온체인 환경을 연결합니다. 분산형 거래소(DEXes)는 온체인 가격 정보를 제공하지만, 중앙화된 거래소(CEXes)에 비해 유동성이 제한될 수 있어 조작에 취약합니다. 오라클은 CEXes로부터 고품질 가격 데이터를 블록체인으로 가져와 이러한 위험을 완화하며, 분산형 애플리케이션에 대한 가격 정보의 신뢰성과 정확성을 향상시킵니다.

데이터 집계기 사용 시의 트레이드오프

Pyth Network와 오라클 공간에서 집계기를 사용하는 것 사이의 트레이드오프는 데이터 정확성, 지연 시간, 분산화, 비용 효과성, 유연성 등의 요소를 중심으로 합니다.

Pyth Data Aggregators
Data accuracy Pyth emphasizes obtaining data directly from first-party sources, such as trading firms and exchanges. This approach aims to reduce the risk of data manipulation or inaccuracies introduced by intermediaries. Aggregators like Chainlink rely on collecting data from multiple sources, including exchanges, marketplaces, and APIs. While aggregators may provide a broader data set, there’s a risk of errors or manipulation introduced during the aggregation process.
Latency Pyth’s pull price update model allows for potentially faster updates as data is streamed off-chain via protocols like the Wormhole Network. However, there may be latency introduced by the cross-chain messaging protocol when updating prices on-chain. Aggregators typically run off-chain processes to continuously update on-chain prices. While this ensures real-time updates, there may be delays due to network congestion or other factors.
Decentralization Pyth aims for decentralization by obtaining data directly from a diverse set of first-party sources, reducing reliance on centralized aggregators. Aggregators centralize data collection and aggregation, which can introduce vulnerabilities such as single points of failure or manipulation.
Cost-effectiveness Pyth’s pull model allows for potentially lower costs as users are responsible for posting price updates on-chain only when needed.  Aggregators may charge fees for accessing their aggregated data, but these costs may be offset by the convenience of having a single source for multiple data streams.
Flexibility Pyth offers flexibility in terms of integrating with different chains and protocols, as evidenced by the launch of Pythnet and its expansion efforts. Aggregators may provide a more standardized approach to accessing data across multiple chains and protocols, simplifying integration for developers.

Pyth Network와 같은 퍼블리셔 우선 오라클을 처음부터 구축하는 과정은 초기 단계에서 상당한 도전을 직면하게 되며, 이는 주로 시장 커버리지 부족과 기술적 또는 평판적 위험으로 인한 퍼블리셔들의 온보딩에 대한 잠재적 꺼림으로 인해 냉 시작 문제로 설명될 수 있습니다. 그러나 지난 1년 동안 Pyth는 이러한 장애물을 극복하고 생태계를 강화하는 데 주목할 만한 진전을 이루었습니다.

  • 개선된 온보딩 및 통합 프로세스: Pyth는 온보딩 및 통합 프로세스를 개선하여 평판이 좋은 퍼블리셔들이 네트워크에 참여하기를 더 쉽게 그리고 매력적으로 만들었습니다. 이는 퍼블리셔들에게 더 나은 문서화와 지원을 제공하고, 진입의 기술적 장벽을 줄이며, 평판과 신뢰와 관련된 우려를 해결하는 것을 포함합니다.
  • 가격 집계 알고리즘에 대한 향상: Pyth는 더 정확하고 신뢰할 수 있는 가격 피드를 보장하기 위해 가격 집계 알고리즘에 상당한 개선을 이루어졌습니다. 집계 프로세스를 세밀하게 조정함으로써 Pyth는 사용자와 프로토콜들이 신뢰하는 고품질 데이터를 제공할 수 있습니다.
  • 암호경제 보안의 도입: $PYTH가 유통됨에 따라, 프로토콜은 퍼블리셔와 위임자 등을 포함한 참여자들이 네트워크의 보안과 무결성에 기여하도록 유도하기 위해 암호경제 보안 모델을 강화할 수 있으며, 이는 신뢰와 안정성을 더욱 향상시킬 것입니다.
  • Pythnet을 통한 비-Solana 체인으로의 확장: Solana 생태계 너머로 영향력을 확장할 필요성을 인식하여, Pyth는 Solana 코드베이스를 기반으로 한 독립 체인인 Pythnet을 출시했습니다. Pythnet은 Pyth가 다른 블록체인 네트워크의 프로토콜에 오라클 서비스를 제공할 수 있게 하여 시장을 확대하고 채택 잠재력을 증가시킵니다.

지속적인 혁신, 기술 개선, 그리고 전략적 확장 노력으로 Pyth는 퍼블리셔 우선 오라클을 구축하는 데 관련된 도전 과제를 극복하기 위한 헌신을 입증했습니다.

높은 품질과 낮은 지연 시간의 균형

Pyth는 다양한 형태의 스테이킹과 인센티브 정렬 메커니즘을 통해 낮은 지연 시간과 고품질 데이터라는 두 가지 목표를 균형 있게 달성하려고 시도합니다.

Staking via Reputation Staking via Collateral Staking via Trading
Pyth implements a moderate form of staking via reputation by publicly disclosing the aggregate set of its publishers. While this transparency enhances accountability to some extent, the lack of individual address disclosure may limit the potential public scrutiny and repercussions for bad contributors. This mechanism may weaken over time, especially if Pyth transitions to permissionless publishing. The staking $PYTH mechanism allows to reward publishers for bringing novel and correct information while penalizing those providing incorrect data. This adjudication mechanism introduces an approach to incentivizing data accuracy within the oracle network. Pyth’s potential for staking via trading is high, given that many of its data providers are high-frequency trading firms. These firms contribute prices as a byproduct of their trading operations, aligning their interests with the accuracy of the data. However, challenges remain, such as ensuring timely reporting of prices and validating self-reported prices to prevent misrepresentation.

Pyth가 가격 결정의 불확실성 기간을 다루기 위해 추가 방어선으로 신뢰 구간을 통합한다는 점을 유의하세요. 예를 들어 Terra 디페그 사건입니다. 보고된 가격 주위의 신뢰 구간을 넓힘으로써 Pyth는 다양한 거래소 간 가격 변동성을 인정하고 반영하며, 데이터 표현의 견고성을 강화합니다.

Pyth의 Pull Model의 장점

Pyth의 풀 오라클 모델은 전통적인 푸시 기반 오라클 아키텍처에 비해 비용 효율성, 확장성, 신뢰성 및 복잡한 계산 처리 능력을 최적화합니다. 이 모델은 사용자가 운영 비용을 최소화하면서도 적시하고 정확한 가격 데이터를 얻을 수 있도록 보장합니다.

  • 효율적인 가스 사용: Pyth는 소비자가 가격 업데이트를 요구할 때만 지불함으로써 가스 비용을 최소화합니다. 이 표적 접근 방식은 전체 비용을 줄입니다.
  • 확장성: 풀 모델은 Pyth가 효율적으로 확장할 수 있게 하며, 더 광범위한 가격 피드와 블록체인을 지원합니다.
  • 신뢰성: 대상 체인에서의 네트워크 혼잡이 Pyth 게시자들이 업데이트를 제공하는 능력에 영향을 미치지 않아, 신뢰할 수 있는 데이터 가용성을 보장합니다.
  • 상태 유지 컴퓨테이션: Pyth의 아키텍처는 고빈도 업데이트 덕분에 지수 가중 이동 평균(EMAs) 같은 상태 유지 컴퓨테이션을 처리할 수 있으며, 데이터의 정확한 시간적 조합을 가능하게 합니다.

push-based oracles에 비해 주요한 장점 중 하나는 Pyth가 가격 업데이트를 더 자주 게시할 수 있는 능력을 가진다는 점입니다. 예를 들어, push-based는 과거 데이터가 필요한 계산을 수행하는 데 어려움을 겪는데, 이는 업데이트 빈도가 낮아 덜 적시적인 샘플을 생성하기 때문입니다. 예를 들어, 10분마다 데이터를 게시하는 push-based oracles는 5분 EMA를 계산하는 것이 불가능합니다. Pyth는 전용 Pythnet appchain을 사용하여 이를 해결합니다. Pythnet에서 네트워크는 400ms마다 가격 업데이트에 액세스할 수 있으며, 이는 더 세밀하고 복잡한 시간적 조합을 쉽게 구성할 수 있게 합니다.

잠재적 채택

출시 이후 Pyth는 이미 주목을 받았으며, 230개 이상의 애플리케이션이 Pyth의 데이터를 의존하고 있습니다. 여기에는 분산형 거래소(DEXs), 대출 프로토콜, 파생상품 플랫폼이 포함됩니다. 이는 DeFi 및 그 너머에서의 광범위한 채택 가능성을 반영합니다.

그럼에도 불구하고, Pyth는 초기 도전 과제에 직면했으며, 특히 게시자 오류로 인한 상당한 가격 불일치 문제가 두드러졌습니다. 더 구체적으로, 주요 문제는 2021년 9월 2분 동안의 $BTC 가격과 관련이 있었습니다. 11개 게시자 중 2개가 소수점 오류를 저질렀고, 집계 로직이 그들의 기여를 과도하게 반영한 결과, 집계된 가격은 BTC의 실제 가격인 약 $42k에서 크게 벗어나 $5,402만큼 낮은 가격을 보고했으며, 신뢰 구간은 +/- $21,623이었습니다. 신뢰 구간을 통합하지 않고 단순히 $5.4k의 중간 가격에 의존한 프로토콜의 경우, 이는 잘못된 청산과 같은 해로운 영향을 초래했습니다. 그 이후로, 개선 노력에는 집계 로직의 세밀화, 게시자 온보딩 강화, 개발자를 위한 더 나은 문서 제공이 포함되었습니다.

초기 좌절에도 불구하고, Pyth는 Solana에서 꾸준한 채택을 보았으며, 네트워크의 사실상 오라클이 되었습니다. 퍼블리셔, 가격 피드, dApps의 연간 성장률은 생태계 내에서 점점 증가하는 수용을 보여줍니다. 앞으로 나아가며, Pyth의 Pythnet 출시는 Solana를 넘어 Ethereum, BSC, Aptos와 같은 다른 체인으로 그 범위를 확장할 의도를 나타냈습니다. Pythnet은 Solana에 비해 지연 문제를 도입하지만, 소비자에게 독특한 풀 모델과 잠재적인 비용 효율성을 제공합니다.

$PYTH 토큰의 출시는 게시자, 위임자, 소비자를 포함한 이해관계자들에게 추가적인 인센티브와 메커니즘을 도입했습니다. 이 배포 계획은 네트워크의 광범위한 채택과 분산화를 보장하는 데 중요한 역할을 할 것입니다.

체인

첫 번째 whitepaper 버전은 Solana blockchain에 초점을 맞춘 protocol 설계를 도입했지만, 두 번째 버전은 더 넓은 Pyth ecosystem을 위한 더 일반적인 솔루션을 제공합니다. 이 업그레이드를 통해 protocol은 가격 데이터를 대상 체인으로 전달하기 위한 cross-chain 모델을 도입합니다.

Pyth Network의 가격 피드는 현재 40개 이상의 블록체인에서 사용할 수 있으며, 다양한 생태계에 걸친 개발자들에게 접근성과 확장성을 보장합니다.

Pythnet은 Solana의 코드베이스를 기반으로 한 별도의 체인으로, Pyth 퍼블리셔 전용 가격 제출을 지원합니다. Solana에서 가격 업데이트가 자동으로 온체인에 푸시되는 것과 달리, Pythnet은 풀 모델로 운영되며, 가격은 애플리케이션 요청 시 온체인에 업데이트됩니다.

이 모델은 중앙화 거래소(CEX) 가격에서 온체인 업데이트까지 약 3초의 지연을 유발한다는 점을 유의하세요. 이 중 1초는 CEX에서 Pythnet으로의 지연에 기인하며, 나머지 2초는 Wormhole 메시지로 인한 Pythnet에서 가격 서비스로의 지연입니다.

Pythnet를 이용하는 Non-Solana 프로토콜은 온체인 가격 업데이트에 대한 수수료를 지불해야 하며, 이는 명목상의 액수로 시작되지만 나중에 거버넌스에 의해 조정될 수 있습니다. 가스 효율성은 소비자가 가격 업데이트를 필요로 할 때만 가스 수수료가 발생하므로 향상되며, 낭비를 최소화합니다.

더욱이, Pythnet의 자율성은 Solana 네트워크에 다운타임이 발생하더라도 신뢰성을 보장합니다. 지연 문제에도 불구하고, 비동기 주문 결제, staleness thresholds, 그리고 가격 업데이트 요청을 사용자 거래에 연계하는 등의 전략이 위험을 완화하는 데 도움이 됩니다.

프로토콜 사용하기

사용자와 개발자들은 강력한 API를 통해 Pyth의 실시간 시장 데이터를 애플리케이션에 원활하게 통합할 수 있습니다. “pull oracle” 기능은 애플리케이션이 실시간 가격이 온체인에 나타나는 시점과 방식을 제어할 수 있게 하여 유연성과 비용 효율성을 제공합니다.

Pyth는 상호작용 흐름을 관리하는 4가지 주요 메커니즘을 통해 운영됩니다:

  1. Price Aggregation: 이 메커니즘은 개별 게시자가 보고한 가격과 그와 관련된 신뢰 구간을 결합하여 특정 제품에 대한 통합 price feed와 confidence interval feed를 생성합니다. 이러한 입력을 집계함으로써 Pyth는 시장 참여자들이 참조할 수 있는 단일하고 신뢰할 수 있는 가격 지점을 생성합니다.
  2. 데이터 스테이킹: 위임자는 데이터 수수료를 얻기 위해 토큰을 스테이킹할 기회를 가집니다. 스테이크 가중치 시스템은 각 게시자가 집계 가격에 미치는 영향을 결정합니다. 수집된 데이터 수수료는 분배되며, 80%는 위임자에게, 나머지 20%는 게시자들 사이에 공유되는 보상 풀에 할당됩니다 (거버넌스를 통해 변경될 수 있음). 위임자의 스테이크는 청구 간격 동안 게시된 집계 가격과 참조 가격 사이에 불일치가 발생하면 슬래시될 수 있습니다. 성공적인 청구는 잘못된 게시자를 식별하고 처벌하며, 재분배된 스테이크는 영향을 받은 소비자를 보상합니다.
  3. 보상 분배: 이 메커니즘은 가격 피드의 품질에 따라 개별 퍼블리셔에게 보상 풀의 몫을 할당합니다. 고품질 데이터 제공을 장려하고 낮은 성과를 처벌함으로써, 이 메커니즘은 가격 집계 프로세스의 무결성과 신뢰성을 유지하는 것을 목표로 합니다.
  4. 거버넌스: Pyth Network은 모든 메커니즘의 매개변수를 관리하기 위해 코인 투표 시스템을 사용합니다. 이 거버넌스 프레임워크를 통해 참가자들은 네트워크 운영을 형성하고 세밀하게 조정하는 데 의견을 제시할 수 있으며, 네트워크의 지속적인 효과성과 적응성을 보장합니다.

참여자

Pyth의 사용자 기반은 DeFi 프로젝트, dApps, 그리고 애플리케이션에 대한 신뢰할 수 있고 저지연 데이터가 필요한 블록체인 개발자를 포괄합니다.

Pyth 생태계에는 세 가지 주요 역할이 있습니다: consumers, publishers, delegators, 각자 고유한 책임과 인센티브를 가지고 있습니다.

  • 소비자는 생태계 내에서 가격 피드를 사용하는 사용자들로, 주로 스마트 컨트랙트와 DeFi 프로토콜로 구성됩니다. 그들의 주요 책임은 제공된 가격 피드를 활용하여 결정을 내리고 거래를 실행하는 것입니다. Solana의 소비자들은 가격 피드를 무료로 받는 반면, Solana 외부의 소비자들은 Pythnet에서 가격을 검색하기 위해 소액의 “온디맨드” 수수료를 지불해야 합니다. 소비자들은 오라클의 부정확성에 대비하여 $PYTH로 보험 수수료를 지불할 수 있는 옵션이 있으며, 이는 추가 비용으로 보호의 추가 층을 제공합니다.
  • 퍼블리셔는 네트워크에 가격을 게시할 책임이 있습니다. 보상으로, 그들은 $PYTH 토큰을 보상과 데이터 수수료의 일부로 받습니다. 그러나 퍼블리셔는 가격을 책정하는 제품에 대해 $PYTH 토큰을 스테이킹해야 하며, 오류를 발생시킬 경우 그들의 스테이크는 슬래싱의 대상이 됩니다. 이는 가격 보고의 정확성과 신뢰성을 장려합니다. 퍼블리셔에 대한 보상 구조는 시간이 지남에 따라 변동될 수 있으며 변경될 수 있어서 생태계 내에서 그들의 수익 잠재력에 영향을 미칩니다.
  • 위임자는 Pyth가 보고하는 집계 가격을 결정하는 데 중요한 역할을 합니다. 그들은 가격 피드에 $PYTH 토큰을 스테이킹하여 다양한 게시자의 가중치를 결정함으로써 보고된 가격의 정확성에 영향을 미칩니다. 위임자는 수익을 최적화하면서 부정확한 가격 피드로 인한 손실 위험을 최소화하기 위해 스테이킹 전략을 신중하게 관리해야 합니다. 또한, 위임자와 관련된 슬래싱 위험이 있으며, 스테이킹한 피드가 오류를 발생시킬 경우 책임 있는 게시자와 무관하게 패널티를 받을 수 있습니다. 이는 위임자가 가격 피드를 신중하게 선택하고 모니터링하는 중요성을 강조합니다.

Pyth 내에서 delegators와 publishers 간의 slashing risk를 구분하는 것이 중요합니다.

  • 실패가 발생할 경우, 특정 피드에 스테이킹한 모든 위임자들이 패널티를 받게 되며, 오류 가격을 유발한 퍼블리셔가 누구인지에 관계없이, 심지어 그 특정 퍼블리셔에 스테이킹하지 않았더라도 마찬가지입니다.
  • 반면에, 퍼블리셔들은 오류에 대해 직접 책임이 있는 경우에만 슬래싱을 받게 됩니다.

위임자(delegators)는 스테이킹할 때 섬세한 균형을 유지해야 합니다. 그들은 게시자(publishers)의 평판과 그들 사이의 영향력 분배와 같은 다양한 요인을 고려해야 합니다. 높은 평판의 게시자를 과도하게 가중치는 가격 피드(price feeds)의 정확성과 신뢰성을 보장하는 데 도움이 되며, 동시에 단일 게시자가 과도한 영향을 미치는 것을 방지합니다. 이 전략은 소수의 게시자 실패가 집계된 전체에서 더 광범위한 실패를 초래할 위험을 완화하여 네트워크의 무결성을 보호하고 모든 이해관계자의 잠재적 손실을 최소화합니다.

개발자

Solana 가격 피드 사용

  • 각 Pyth Network 가격 피드는 Solana 계정에 저장되며, 고유한 Solana 계정 키로 식별됩니다. 개발자는 가격 피드를 해당 피드 ID와 계정 키에 올바르게 식별하고 일치시켜야 하며, 이는 Pyth의 가격 피드 ID 페이지에서 찾을 수 있습니다.
  • Pyth 가격 피드는 고정 소수점 숫자 표현을 사용합니다 가격과 신뢰 구간 모두에 공유 지수를 사용합니다. 이러한 값의 정수 표현을 얻기 위해 개발자는 10^exponent를 곱할 수 있습니다.
  • 고려해야 할 한 가지는 Pyth가 제품에 대한 현재 가격을 제공할 수 없는 상황이 있을 수 있다는 점입니다. 이는 시장 시간이나 네트워크 장애와 같은 요인으로 인해 발생할 수 있습니다. Pyth는 오래된 가격의 사용을 방지하기 위한 내장된 보호 장치를 가지고 있습니다. 개발자들은 그들의 애플리케이션도 이러한 보호 장치를 포함하도록 해야 하며, 예를 들어 staleness checks와 같은 기능을 통해 의도치 않게 오래된 데이터를 사용하지 않도록 해야 합니다. 또한 시장 시간이 자산 클래스에 따라 다르다는 점을 이해하는 것이 중요합니다. 이는 시장 거래 시간에 기반한 최신 가격 데이터를 사용하고 있는지 확인하는 데 중요합니다.
Asset Class Opening Hours Exceptions
Crypto 24/7. No market close.
US Equities Every weekday from 9:30 a.m. EST to 4:00 p.m. EST. Markets are closed on weekends, US holidays, and during extraordinary events.
FX From Sunday 5:00 p.m. EST to Friday 5:00 p.m. EST. Trading continues during most US holidays.
Metals From Sunday 5:00 p.m. EST to Friday 5:00 p.m. EST. Spot gold and silver trading also follow the CME holiday closures. 
  • 애플리케이션 개발자는 온체인 오라클(예: Pyth Network)과 오프체인 데이터 소스(예: 중앙화 거래소) 간의 지연 차이를 고려해야 합니다. Pyth Network는 낮은 지연을 위해 설계되었지만, 어떤 온체인 오라클도 오프체인 소스의 속도를 따라갈 수 없습니다. 결과적으로 기술 팀은 프로토콜보다 약간 앞서 가격 변동을 볼 수 있는 적대자에 대한 위협 모델을 고려해야 합니다. 이는 다양한 구현을 통해 해결할 수 있으며, 예를 들어:균형 잡힌 흐름을 위한 프로토콜 매개변수 구성: 프로토콜 매개변수를 구성하여 스마트 흐름의 손실과 양방향 흐름의 이익을 균형 있게 맞춥니다. 이는 전통적인 마켓 메이커와 유사한 입찰/호가 스프레드와 제한된 유동성을 구현함으로써 수행할 수 있습니다. 이는 스마트 흐름의 손실을 제한하면서도 양방향 흐름으로부터 이익을 얻을 수 있게 합니다. 또한 스프레드와 유동성 매개변수를 조정하여 스마트 트레이더의 역선택을 최소화하면서 양방향 흐름에 효과적으로 참여하는 균형을 맞출 수 있습니다.“Last Look” 메커니즘 구현: 프로토콜에 “last look” 기능을 제공하여 수락할 거래를 결정할 수 있게 합니다. 예를 들어, 거래를 요청과 이행의 두 부분으로 나눌 수 있습니다. 첫 번째 거래(요청)에서 사용자는 작업을 시작하거나 거래를 요청합니다. 두 번째 거래(이행)에서 프로토콜은 해당 순간의 관찰된 Pyth 가격을 기반으로 사용자의 요청을 이행할지 결정합니다. 통합자는 두 거래 사이에 짧은 지연을 구현하여 프로토콜이 가격 변동을 관찰할 추가 시간을 줄 수 있습니다. 다음으로, 애플리케이션은 두 번째 거래 시점의 Pyth 가격으로 사용자의 요청을 이행하여 프로토콜이 지연 경쟁에서 선두를 차지할 수 있게 합니다.
    • 균형 잡힌 흐름을 위한 프로토콜 매개변수 구성: 프로토콜 매개변수를 구성하여 스마트 흐름의 손실을 양방향 흐름의 이득과 균형 맞추기. 이는 전통적인 마켓 메이커와 유사한 입찰/호가 스프레드와 제한된 유동성을 구현함으로써 수행할 수 있습니다. 이는 스마트 흐름에 대한 손실을 제한하는 데 도움이 되면서도 양방향 흐름으로부터의 이익을 여전히 허용합니다. 또한 스프레드와 유동성 매개변수를 조정하여 스마트 트레이더로부터의 역선택을 최소화하면서 양방향 흐름에 효과적으로 참여할 수 있는 균형을 이루는 것이 가능합니다.
    • “Last Look” 메커니즘 구현: 프로토콜에 “last look” 기능을 제공하여 수락할 거래를 결정할 수 있도록 합니다. 예를 들어, 거래를 요청과 이행의 두 부분으로 분할할 수 있습니다. 첫 번째 거래(요청)에서 사용자는 작업을 시작하거나 거래를 요청합니다. 두 번째 거래(이행)에서 프로토콜은 그 순간 관찰된 Pyth 가격을 기반으로 사용자의 요청을 이행할지 여부를 결정합니다. 통합자는 두 거래 사이에 짧은 지연을 구현하여 프로토콜이 가격 변동을 관찰할 추가 시간을 허용할 수 있습니다. 다음으로, 애플리케이션은 두 번째 거래 시점의 Pyth 가격으로 사용자의 요청을 이행할 수 있으며, 이는 프로토콜이 지연 경쟁에서 선두를 차지할 수 있게 합니다.
  • Pyth가 가격과 신뢰 구간을 모두 게시하므로, 개발자들은 신뢰 구간을 사용하여 가격 불확실성을 평가하고 불리한 시장 조건에 대한 애플리케이션을 보호할 수 있습니다. 한 가지 해결책은 신뢰 구간을 사용하여 가격 주위의 범위를 계산하여 보수적인 가격 책정을 보장하는 것입니다. 사용 사례에 따라 일부 애플리케이션은 Pyth의 Exponential Moving Average (EMA) 가격을 사용하는 것을 고려할 수 있습니다. 전체적으로 파생 상품 및 유사한 금융 계약이 신뢰 구간이 넓게 유지되더라도 결국 정산되도록 설계되어 무한 지연을 피하는 것이 중요합니다. 지정된 기간 동안 가격 데이터를 다룰 때 Pyth의 exponential moving average (EMA) 가격을 사용하는 것을 고려하세요. EMA는 평균 가격의 추정치를 나타내며 넓은 신뢰 구간을 가진 가격의 영향을 줄여 안정성이 중요한 애플리케이션에 적합합니다.Pyth가 제공하는 집계 가격은 특정 시점의 가격에 대한 최선의 추정치를 나타냅니다. 신뢰 구간이 넓은 경우 부정확할 수 있지만, 단일 시점에 대한 Pyth에서 가장 정확한 데이터입니다.돈을 대출하거나 담보를 수령할 때 Pyth가 제공하는 신뢰 구간을 고려하세요. 이를 위해 Pyth 가격에 신뢰 구간의 배수를 더하고 빼서 실제 가격에 대한 범위를 계산할 수 있습니다. 2.12의 배수는 실제 가격이 이 범위 내에 있을 확률이 95%입니다. 그런 다음 대출 발행이나 담보 가치 평가 시 범위의 하한을 사용하여 보수적으로 접근하고 가격이 불확실할 때 차입을 제한하세요. 마찬가지로 대출이 발행되었거나 담보가 보유된 경우, 가격 불확실성 증가에만 기반한 행동을 방지하기 위해 범위의 상한을 사용하여 보수적으로 접근하세요.파생 계약에서 애플리케이션은 계약 시작 시 계산된 범위 내의 낮은 가격으로 담보를 가치 평가하여 위험을 관리할 수 있습니다. 마찬가지로 마진 한도를 평가할 때 범위 내의 높은 가격을 사용하여 신중하게 접근할 수 있습니다.
    • 지정된 기간 동안 가격 데이터를 다룰 때 Pyth의 지수 이동 평균(EMA) 가격을 사용하는 것을 고려하세요. EMA는 평균 가격의 추정치를 나타내며, 신뢰 구간이 넓은 가격의 영향을 줄여 안정성이 중요한 애플리케이션에 적합합니다.
    • Pyth에서 제공하는 집계 가격은 특정 시점의 가격에 대한 최선의 추정치를 나타냅니다. 신뢰 구간이 넓은 경우에는 부정확할 수 있지만, 단일 시점에 대한 Pyth에서 이용 가능한 가장 정확한 데이터입니다.
    • 돈을 대출하거나 담보를 수령할 때, Pyth가 제공하는 신뢰 구간을 고려하세요. 이를 위해 Pyth 가격에 신뢰 구간의 배수를 더하고 빼서 실제 가격의 범위를 계산할 수 있습니다. 2.12배수는 실제 가격이 이 범위 내에 있을 확률을 95%로 제공합니다. 그런 다음, 대출을 시작하거나 담보를 평가할 때 범위의 하한을 사용하여 보수적으로 접근하고 가격이 불확실할 때 차입을 제한하세요. 마찬가지로, 대출이 발행되었거나 담보가 보유된 경우, 가격 불확실성 증가에만 기반한 행동을 방지하기 위해 범위의 상한을 사용하여 보수적으로 접근하세요.
    • 파생 계약에서 애플리케이션은 계약 개시 시 계산된 범위 내에서 더 낮은 가격으로 담보를 평가하여 위험을 관리할 수 있습니다. 마찬가지로, 마진 한도를 평가할 때 범위 내의 더 높은 가격을 사용하여 신중을 기할 수 있습니다.
    • 균형 잡힌 흐름을 위한 프로토콜 매개변수 구성: 프로토콜 매개변수를 구성하여 스마트 흐름에서 발생하는 손실을 양방향 흐름에서 얻는 이익과 균형 맞추기. 이는 전통적인 마켓 메이커와 유사한 bid/ask spread와 제한된 유동성을 구현함으로써 수행할 수 있습니다. 이는 스마트 흐름에 대한 손실을 제한하는 데 도움이 되면서도 양방향 흐름으로부터의 이익을 여전히 허용합니다. 또한 스프레드와 유동성 매개변수를 조정하여 스마트 트레이더로부터의 역선택을 최소화하면서 효과적으로 양방향 흐름에 참여할 수 있는 균형을 맞추는 것이 가능합니다.
    • “Last Look” 메커니즘 구현: 프로토콜에 “last look” 기능을 제공하여 수락할 거래를 결정할 수 있도록 합니다. 예를 들어, 거래를 요청(request)과 이행(fulfillment) 두 부분으로 분할할 수 있습니다. 첫 번째 거래(요청)에서 사용자는 작업을 시작하거나 거래를 요청합니다. 두 번째 거래(이행)에서 프로토콜은 해당 순간의 관찰된 Pyth 가격을 기반으로 사용자의 요청을 이행할지 여부를 결정합니다. 통합자들은 두 거래 사이에 짧은 지연을 구현하여 프로토콜이 가격 변동을 관찰할 추가 시간을 허용할 수 있습니다. 다음으로, 애플리케이션은 두 번째 거래 시점의 Pyth 가격으로 사용자의 요청을 이행하여 프로토콜이 지연 경쟁에서 선두를 차지할 수 있게 합니다.
    • 지정된 기간 동안의 가격 데이터를 다룰 때 Pyth의 지수 이동 평균(EMA) 가격을 사용하는 것을 고려하세요. EMA는 평균 가격의 추정치를 나타내며, 넓은 신뢰 구간을 가진 가격의 영향을 줄여 안정성이 중요한 애플리케이션에 적합합니다.
    • Pyth가 제공하는 집계 가격은 특정 시점의 가격에 대한 최선의 추정치를 나타냅니다. 넓은 신뢰 구간의 경우 부정확할 수 있지만, 단일 시점에 대한 Pyth의 가장 정확한 데이터입니다.
    • 돈을 대출하거나 담보를 수령할 때, Pyth가 제공하는 신뢰 구간을 고려하세요. 이를 위해 Pyth 가격에 신뢰 구간의 배수를 더하고 빼서 실제 가격의 범위를 계산할 수 있습니다. 2.12의 배수는 실제 가격이 이 범위 내에 있을 확률을 95%로 제공합니다. 그런 다음 대출을 시작하거나 담보를 평가할 때 범위의 하한을 사용하여 보수적으로 접근하고 가격이 불확실할 때 차입을 제한하세요. 마찬가지로 대출이 발행되었거나 담보가 보유된 경우, 가격 불확실성 증가에만 기반한 행동을 방지하기 위해 보수적으로 범위의 상한을 사용하세요.
    • 파생 상품 계약에서 애플리케이션은 위험을 관리하기 위해 계약 시작 시 계산된 범위 내에서 더 낮은 가격으로 담보를 평가할 수 있습니다. 마찬가지로, 마진 한도를 평가할 때 범위 내에서 더 높은 가격을 사용하여 신중하게 대처할 수 있습니다.

Solana의 Pyth는 Solana 온체인 프로그램을 위한 하나의 SDK를 제공합니다. 이는 Rust로 작성된 Solana 프로그램 내에서 Pyth 가격을 소비하는 데 사용할 수 있습니다.

각 Solana 네트워크에서 사용 가능한 가격 피드가 다음 페이지에 나열되어 있습니다:

Pythnet 가격 피드 사용하기

Pythnet의 “pull” 가격 업데이트 모델은 필요할 때 온체인에 가격 업데이트를 게시할 책임이 있는 사용자들에게 유연성을 제공합니다.

Pythnet 가격 피드를 애플리케이션에 효과적으로 통합하기 위해, 개발자는 다음 주요 지침을 따라야 합니다:

  • 온체인 프로그램에서의 통합: 온체인 프로그램은 동일한 블록체인에 배포된 Pyth 프로그램에서 가격 데이터를 직접 읽어야 합니다. 이는 스마트 컨트랙트와 온체인 로직이 실시간 Pythnet 가격 피드에 액세스할 수 있도록 보장합니다.
  • 오프체인 프론트엔드 및 작업에서의 통합: 오프체인 애플리케이션, 프론트엔드 및 백그라운드 작업을 포함하여, 트랜잭션 및 데이터 처리에 Pyth 가격 업데이트를 통합하는 것이 필수적입니다. 이를 위해 개발 팀은 오프체인 코드가 애플리케이션 특정 트랜잭션과 함께 또는 그 안에 Pyth 가격 데이터를 액세스하고 활용할 수 있도록 해야 합니다.
  • Pyth 생태계 특정 SDK: Pyth는 온체인 및 오프체인 구성 요소 모두에 대한 통합 프로세스를 간소화하기 위해 생태계 특정 SDK를 제공합니다. 이러한 SDK는 각 생태계 내에서 원활하게 작동하도록 맞춤화되어 있습니다.
  • 준비 및 모범 사례: SDK 통합에 착수하기 전에, 개발자들은 Pyth의 가격 피드 표현 방식과 모범 사례에 익숙해져야 합니다. Pyth 가격 피드가 작동하는 방식에 대한 이해와 권장 사례를 따르는 것은 애플리케이션에서 Pythnet 가격을 안전하고 정확하게 사용하는 것을 보장합니다.
  • 올바른 SDK 선택: 특정 블록체인 생태계에 맞는 Pyth SDK를 선택하세요. Pyth는 다양한 블록체인 네트워크를 지원하기 위해 여러 SDK를 제공하여, 애플리케이션에 Pythnet 가격 피드를 통합하는 것을 더 쉽게 만듭니다.Pyth on EVM.Pyth on Aptos.Pyth on CosmWasm.Pyth on Sui.Pyth on BAS Chains.Pyth for Off-chain Apps.
Pythnet Pull 업데이트

Pyth Network는 많은 다른 오라클에서 사용되는 더 일반적인 “push” 모델과 다르게 “pull” 가격 업데이트 모델로 운영됩니다. Pythnet의 “pull” 가격 업데이트 모델은 필요할 때 온체인에 가격 업데이트를 게시할 책임이 있는 사용자에게 유연성을 제공합니다.

Pyth Network의 pull 모델은 사용자들이 가격 업데이트를 생성하고 제출하도록 의존하며, 이는 on-chain 사용을 위해 인증되고 검증됩니다. 이 접근 방식은 decentralization을 촉진하고 사용자들이 permissionless 방식으로 가격을 효율적으로 업데이트하고 사용할 수 있게 합니다. 그러나 downstream 애플리케이션에서 정확성을 달성하기 위해 제출된 가격 업데이트가 최신인지 확인하는 것이 중요합니다.

  • Push vs. Pull Model: 대부분의 전통적인 오라클은 on-chain 가격을 업데이트하기 위해 지속적으로 트랜잭션을 보내는 off-chain 프로세스를 가진 “push” 모델을 따릅니다. 대조적으로, Pyth Network은 그러한 off-chain 프로세스를 사용하지 않습니다. 대신, Pyth Network 사용자들이 가격 업데이트를 생성하고 제출하도록 의존합니다.
  • 가격 업데이트 작업 위임: Pyth Network에서 가격 업데이트를 생성하고 제출하는 책임은 사용자에게 위임됩니다. 이러한 업데이트는 Pythnet에서 시작되어 Wormhole Network를 통해 오프체인으로 전송되며, Wormhole Network는 크로스체인 메시징 프로토콜입니다.
  • 인증 및 검증: 가격 업데이트의 진위성을 보장하기 위해 오프체인 전송 전에 서명됩니다. 온체인 Pyth 프로그램은 이러한 서명을 검증하여 업데이트의 유효성을 확인할 수 있습니다.
  • 허가 없는 가격 업데이트: Pyth Network에서 온체인 가격을 업데이트하는 것은 허가 없는 작업입니다. 누구나 Pyth 컨트랙트에 검증된 업데이트 메시지를 제출하여 가격을 업데이트할 수 있습니다. 이 분산화된 접근 방식은 광범위한 참여를 허용합니다.
  • 원자적 거래: Pyth Network 가격의 사용자는 일반적으로 두 가지 작업을 동시에 수행하는 단일 거래를 제출합니다. 먼저, 이는 가격을 업데이트하고, 둘째, 다운스트림 애플리케이션에서 가격을 사용할 수 있게 합니다. 이는 프로세스를 간소화하고 업데이트된 가격과 그 사용 간의 일관성을 보장합니다.
  • 가격의 순방향 진행: Pyth Network에서 온체인 가격은 시간상으로만 앞으로 진행할 수 있습니다. 사용자가 덜 최근 가격으로 Wormhole 메시지를 제출하면 Pyth 프로그램은 실패하지 않지만 가격을 업데이트하지도 않습니다. 이는 Pyth로 구동되는 애플리케이션이 읽은 가격이 가장 최근이 아니라면 사용자가 제출한 정확한 가격이 아닐 수 있다는 것을 의미합니다.

발행자 지표

Pyth는 Publisher Metrics를 공개 대시보드에서 제공하며, 이는 데이터 퍼블리셔의 성능에 대한 통찰을 제공합니다. 개발자들은 Pyth의 데이터 성능과 퍼블리셔의 기록에 대한 세밀한 통찰을 얻을 수 있으며, 퍼블리셔들은 새로운 분석 및 모니터링 기능을 통해 혜택을 받습니다.

Publisher Metrics는 네트워크 내에서 정보에 기반한 의사결정을 위한 중요한 정보를 제공하며, 발행자, 최종 사용자, 그리고 위임자들에게 이익을 줍니다. 이 메트릭스에는 가동 시간, 가격-품질, 그리고 신뢰 구간 정확도가 포함되며, 발행자의 점수와 보상을 결정하는 요인과 일치합니다. 사용자들은 Pyth Markets 페이지를 통해 메트릭스에 접근할 수 있으며, 가격 비교, 가동 시간, 데이터 품질, 그리고 예상 분포에 대한 캘리브레이션을 위한 그래프를 분석할 수 있습니다.

각 게시자의 게시자 메트릭스 페이지에는 여러 통찰력 있는 그래프가 표시되며, 각 그래프는 아래에 자세히 설명되어 있습니다.

가격 그래프는 게시자의 가격이 집계 가격과 어떻게 비교되는지 보여주며, 두 가격이 서로 얼마나 밀접하게 추종되는지, 그리고 게시자가 시장의 나머지 부분에서 크게 벗어난 기간이 있었는지 여부를 설명합니다.

업타임 그래프는 게시자가 가격을 적극적으로 기여한 시점을 보여줍니다. x축은 시간 간격을 빈으로 세분화하며, y축은 해당 빈에서 게시자의 가격이 집계에 포함될 만큼 최근이었던 슬롯의 %를 나타냅니다. 이 그래프를 통해 게시자의 규칙성과 신뢰성을 판단할 수 있습니다.

품질 그래프는 화이트페이퍼에 설명된 품질 점수를 계산하기 위한 회귀 모델에 사용된 데이터셋을 보여줍니다. 이는 게시자의 가격 시리즈가 집계 가격의 미래 변화를 얼마나 잘 예측하는지를 측정합니다. 부드러운 색상 그라데이션(왼쪽 아래의 파란색에서 오른쪽 위의 핑크색으로)은 높은 품질 점수를 나타냅니다.

캘리브레이션 그래프는 퍼블리셔의 가격과 신뢰도가 예상되는 Laplace distribution과 얼마나 밀접하게 일치하는지를 보여줍니다. 두 분포 간의 적합도가 클수록 calibration score가 높아집니다. 완벽한 퍼블리셔는 uniform histogram을 생성해야 합니다. calibration score가 퍼블리셔가 더 좁은 confidence intervals를 생성하는 것을 보상하지 않는다는 점에 유의하십시오. 대신, 이 점수는 보고된 confidence interval이 퍼블리셔의 “true” confidence와 일치하는지를 포착합니다.

사업 모델

Pyth Network의 비즈니스 모델은 데이터 수수료를 통해 수익을 창출하고, 네이티브 토큰인 $PYTH를 활용하여 운영과 인센티브 구조를 강화하는 데 중점을 둡니다.

  • 퍼블리셔는 $PYTH를 스테이킹하여 프로토콜에 참여하고 데이터 수수료의 일부를 벌 수 있습니다. 이는 부정 행위 시 스테이킹이 슬래시될 위험이 있기 때문에 정확하고 시의적절한 가격 데이터를 제공하도록 그들을 유도합니다.
  • 소비자는 $PYTH를 사용하여 가격 피드에 액세스하기 위한 데이터 수수료를 지불할 수 있습니다. 이는 생태계 내 $PYTH 토큰에 대한 수요를 창출합니다.
  • 위임자는 특정 가격 피드에 $PYTH를 스테이킹하여 데이터 수수료의 일부를 벌 수 있는 기회가 있습니다. 발행자와 유사하게, 위임자는 잘못된 데이터를 지지할 경우 스테이크를 잃을 위험이 있습니다.

부정 행위의 경우, 예를 들어 부정확한 데이터를 제공하는 경우, 스테이킹된 $PYTH 토큰이 영향을 받은 소비자를 보상하는 데 사용됩니다. 이는 책임성을 보장하고 모든 참가자가 데이터의 무결성을 유지하도록 장려합니다.

수수료 분해

Pyth는 온체인 가격 피드를 업데이트하기 위한 데이터 수수료의 선택적 활성화를 허용합니다. 각 블록체인의 Governance가 이러한 수수료의 존재와 크기를 결정합니다.

프로토콜에서 수집된 수수료는 데이터 제공자를 보상하는 데 사용되며, Governance에 의해 결정된 다른 목적에 사용될 수 있습니다. 추가로, 이러한 수수료의 일부는 네트워크의 Governance 구조에 의해 결정된 다른 목적에 사용될 수 있습니다. 이는 데이터 제공자들이 네트워크의 신뢰성과 신뢰성에 중요한 정확하고 시의적절한 데이터를 계속 공급하도록 유인하는 것을 보장합니다.

Pyth와 통합된 프로토콜이 온체인 가격 업데이트를 필요로 할 때, 소비자는 업데이트 수수료를 지불해야 합니다. 이러한 수수료는 대상 블록체인의 네이티브 토큰으로 청구되며, Pyth 수신자 컨트랙트에서 가격 업데이트 작업을 호출하는 데 필요합니다. 이러한 수수료를 부과할지 여부와 그 크기는 거버넌스 결정이며, Pyth가 운영되는 각 블록체인의 운영 요구사항과 경제적 역학을 반영합니다.

Pyth와 통합된 프로토콜이 온체인 가격 업데이트를 필요로 할 때, 소비자는 업데이트 수수료를 지불해야 합니다. 이러한 수수료는 대상 블록체인의 네이티브 토큰으로 청구되며, Pyth 수신자 컨트랙트에서 가격 업데이트 작업을 호출하는 데 필요합니다. 이러한 수수료를 부과할지 여부와 그 크기는 거버넌스 결정이며, Pyth가 운영되는 각 블록체인의 운영 요구사항과 경제적 역학을 반영합니다.

수수료 징수 외에도, Pyth Network는 집계 가격에 대한 각 게시자의 영향력을 좌우하는 stake-weight 시스템을 가지고 있습니다. Delegators는 토큰을 스테이킹하여 데이터 수수료의 일부를 벌 수 있습니다. 징수된 수수료 중 80%는 delegators에게 분배되며, 나머지 20%는 게시자들 사이에 공유되는 reward pool에 할당됩니다. 이 분배 비율은 governance 결정에 따라 조정될 수 있습니다.

Delegators의 지분은 claim interval 동안 게시된 집계 가격과 reference 가격 사이에 불일치가 감지되면 slashed될 수 있습니다. 성공적인 청구는 결함 있는 게시자를 식별하고 처벌하는 데 이어지며, 재분배된 지분이 영향을 받은 소비자들을 보상합니다.

Tokenomics

$PYTH 토큰의 총 공급량은 10,000,000,000이며, 초기 85%는 잠금 상태로 시작하며 토큰 출시 후 6, 18, 30, 42개월에 걸쳐 점진적으로 해제됩니다. 나머지 15%의 토큰은 초기부터 해제된 상태입니다. 토큰 배분에는 Publisher Rewards, Ecosystem Growth, Protocol Development, Community, Private Sales 등의 카테고리가 포함됩니다.

토큰 분배

총 공급량은 10,000,000,000 $PYTH이며 증가하지 않습니다. 2023년 11월 $PYTH 토큰 출시 초기, 총 공급량의 15%, 즉 15억 $PYTH 토큰이 생태계 내에서 즉시 유통되었습니다. 이 해제된 토큰들은 초기 네트워크 활동을 촉진하고 Pyth Network의 개발과 성장에 적극적으로 기여한 참가자들을 보상하기 위한 목적이었습니다.

2023년 11월 $PYTH 토큰 출시 초기, 총 공급량의 15%, 즉 15억 $PYTH 토큰이 에코시스템 내에서 즉시 유통되었습니다. 이 잠금 해제된 토큰들은 초기 네트워크 활동을 촉진하고 Pyth Network의 개발과 성장에 적극적으로 기여한 참가자들에게 보상하기 위한 목적이었습니다.

Publisher Rewards는 총 공급량의 22%를 구성하며, 데이터 제공자들이 고품질의 적시 데이터를 게시하도록 장려합니다. 가장 큰 비중을 차지하는 52%의 Ecosystem Growth 할당은 네트워크 전반의 다양한 이니셔티브를 촉진하기 위해 설계되었으며, 연구 및 개발 자금 지원부터 교육 프로그램 강화까지 포함됩니다. 10%를 차지하는 Protocol Development는 오라클 도구 및 인프라 개선을 위해 지정되었습니다.

총 토큰의 6%를 구성하는 Community and Launch 부문은 출시 직후부터 즉각적인 참여와 네트워크 지원 활동을 보장합니다. 마지막으로, 10%의 토큰은 Private Sales를 통해 전략적 기여자들에게 할당되며, 네트워크의 장기적인 자문 및 인프라 지원을 확보하는 것을 목표로 합니다.

Pyth Network Retrospective Airdrop는 네트워크의 서비스와 더 넓은 DeFi 커뮤니티와 의미 있게 참여한 사람들에게 $PYTH 토큰을 배포하기 위해 설계된 프로그램이었습니다. 이 이니셔티브는 Pyth 데이터로 구동되는 dApps와 상호작용한 사용자, 네트워크와 관련된 특정 NFTs를 보유한 사용자, 또는 Pyth Discord 커뮤니티에서 적극적인 역할을 한 사용자를 인정했습니다. 이 에어드롭은 27개의 서로 다른 블록체인에 걸쳐 참가자들에게 도달했으며, 크로스체인 범위 측면에서 이 종류의 가장 큰 이니셔티브 중 하나였으며, 90,000개 이상의 지갑을 포함했습니다.

2023년 11월 20일부터 시작되어 2024년 2월 20일에 종료된 청구 프로세스는 생태계 내 과거 기여와 상호작용을 기반으로 토큰의 공평한 분배를 보장하도록 구성되었습니다. $PYTH 토큰은 네트워크의 거버넌스 구조에 맞춰 할당되었습니다. Solana 블록체인에 네이티브한 Solana Program Library (SPL) 표준 토큰으로서, $PYTH 토큰은 해당 생태계 내 수령인들의 지갑에 쉽게 통합되었습니다.

공급 일정

$PYTH 토큰의 출시는 네트워크 성장의 다양한 단계를 지원하도록 점진적으로 설계되었습니다. 이 일정은 커뮤니티 주도 프로젝트에서 즉시 사용할 수 있도록 하는 배포 계획을 보여주며, 공급량의 대부분은 초기 출시 후 최대 42개월에 걸친 여러 단계로 출시될 예정입니다.

락업 일정은 네트워크의 초기 사용과 거버넌스를 촉진하기 위해 커뮤니티와 초기 런치 활동에 대한 즉시 할당을 보여줍니다. 퍼블리셔 보상, 생태계 성장, 프로토콜 개발, 전략적 프라이빗 세일에 사용될 예정인 순차적 티어는 점진적으로 해제됩니다. 이 단계적 접근 방식은 지속적인 네트워크 개발을 유지하고 토큰이 조기에 시장을 압도하는 것을 방지하기 위한 것입니다.

배포 모델은 더 새롭거나 덜 인기 있는 제품에 대한 데이터 제공을 장려하기 위한 전략을 포함합니다. 이는 데이터 제공자들이 아직 데이터 수수료를 생성하지 않는 제품을 지원하도록 장려하는 도전을 인식하며, 이는 플랫폼 경제에서 흔히 알려진 “cold-start problem”입니다. 이를 상쇄하기 위해 프로토콜은 이 목적을 위해 미리 할당된 토큰 풀에서 초기 퍼블리셔에게 추가 인센티브를 제공할 수 있습니다.

거버넌스는 제품이 발행자 참여의 견고한 수준에 도달한 후 청구를 가능하게 하는 데 중요한 역할을 합니다. 아직 청구가 개방되지 않은 제품에 대한 데이터 수수료가 지불되는 메커니즘은 네트워크에 추가 신호로 작용합니다.

$PYTH Staking

2023년 11월 20일 Pyth Network의 메인넷 출시와 함께, $PYTH 토큰 보유자들은 이제 스테이킹을 통해 네트워크 거버넌스에 참여할 수 있는 기회를 갖게 되었습니다. 스테이킹은 공식 스테이킹 프로그램에 $PYTH 토큰을 잠그는 것을 포함하며, 이는 보유자들에게 거버넌스 결정에 대한 투표권을 부여합니다.

$PYTH 토큰의 스테이킹은 Pyth Network의 온체인 거버넌스 프로세스에 참여하기 위해 필요합니다. 거버넌스 결정에는 데이터 제공자에 대한 보상 구조 결정, 오라클 수수료 설정, 그리고 네트워크에 상장될 데이터 피드와 제공자 선택이 포함됩니다.

$PYTH 토큰을 스테이킹하려면, 홀더들은 공식 스테이킹 웹사이트를 방문해야 합니다. 이 웹사이트는 사용자에게 스테이킹 프로세스를 안내하는 사용자 인터페이스를 제공합니다:

  1. 스테이킹: $PYTH 토큰을 스테이킹 프로그램에 예치하면 워밍업 기간이 시작됩니다. 토큰은 다음 에포크가 시작될 때 투표 자격이 부여되며, 에포크는 매주 목요일 00:00 UTC에 발생합니다.
  2. Unstake: 스테이킹 프로그램에서 $PYTH 토큰을 제거하면 투표권이 상실되고 한 에포크의 쿨다운 기간이 시작됩니다.
  3. Withdraw: 쿨다운 기간이 지난 후, 토큰은 보유자의 SPL 지갑으로 다시 전송될 수 있습니다.

상세 단계

  • 스테이킹 시작: 스테이킹 웹사이트의 “STAKE” 탭에 액세스하여 원하는 양의 $PYTH 토큰을 입력하고, 지갑을 통해 거래를 확인하세요.
  • 스테이킹된 토큰 추적: 스테이킹 인터페이스는 스테이킹된 토큰의 양과 투표 자격을 표시합니다. 스테이킹된 토큰은 다음 에포크가 시작될 때까지 대기 상태로 표시됩니다.
  • 언스테이킹 시작: 언스테이킹하려면 “UNSTAKE” 탭을 선택하고, 금액을 지정한 후 트랜잭션을 확인하세요. 그러면 토큰이 쿨다운 기간에 들어갑니다.
  • 토큰 인출: 쿨다운 기간이 완료되면 토큰이 인출 준비가 됩니다. “WITHDRAW” 탭으로 이동하여 인출할 $PYTH 토큰의 양을 입력하고, 토큰을 SPL 지갑으로 반환하기 위해 거래를 확인하세요.

도움말이나 문제를 겪을 경우, 홀더들은 Pyth Network의 Telegram 또는 Discord 채널을 통해 지원팀에 문의할 수 있습니다.

거버넌스

온체인 거버넌스는 업데이트 수수료 결정, 퍼블리셔를 위한 보상 분배, 소프트웨어 업데이트, 제품 목록, 퍼블리셔 권한을 담당합니다.

Pyth Network의 거버넌스는 네이티브 토큰인 $PYTH에 의해 주도되며, 이는 토큰 홀더들이 스테이킹을 통해 의사 결정에 참여할 수 있게 합니다.

거버넌스 활동에 참여하기 위해, $PYTH 토큰 홀더들은 토큰을 스테이킹해야 합니다. 이 행동은 그들이 Pyth DAO (Decentralized Autonomous Organization) 내의 제안에 투표할 수 있게 합니다. 투표 시스템은 각 스테이킹된 토큰이 한 표에 해당하는 간단하고 직접적인 원칙으로 운영되며, 모든 참여자의 목소리가 그들의 스테이크에 비례하도록 보장합니다.

PYTH 토큰 보유자들이 총 공급량의 최소 0.25%를 스테이킹한 경우 거버넌스 액션을 제안할 자격이 있습니다. 이 포괄적인 임계값은 광범위한 커뮤니티 멤버들이 네트워크의 진화에 적극적으로 기여할 수 있게 합니다.

제안이 제출되면 7일간의 투표 기간에 들어갑니다. 제안이 승인되기 위해서는 부정적인 투표보다 더 많은 긍정적인 투표를 얻어야 하며, 투표 시작 시 스테이킹된 토큰에 대한 미리 정의된 예스 투표 비율인 Approval Quorum을 충족해야 합니다. 이 쿼럼은 거버넌스 참여자의 상당 부분이 결정에 동의하도록 보장합니다.

제안이 승인되면, 해당 온체인 작업이 자동으로 실행됩니다. 이는 다음과 같은 다양한 네트워크 기능에 영향을 미칠 수 있습니다:

  • 가격 피드에 대한 업데이트 수수료 설정 및 조정.
  • 데이터를 게시하는 사람들에게 보상이 분배되는 방식을 변경합니다.
  • 네트워크의 온체인 프로그램에 대한 소프트웨어 업데이트를 구현합니다.
  • 상장된 가격 피드에 대한 세부 사항 지정, 정확도와 참조 소스를 포함합니다.
  • 가격 피드에 데이터를 공급할 퍼블리셔를 승인합니다.

PYTH 토큰 보유자 제안으로 해결할 수 있는 문제의 범위는 유연합니다. Pyth DAO는 네트워크와 참여자들의 발전하는 요구사항에 맞게 거버넌스 범위를 필요에 따라 확대할 수 있습니다.

위험

데이터 정확성

Pyth는 직접 기여자로부터 데이터를 수집하지만, 오류가 발생할 수 있습니다. 이는 인간의 실수나 기술적 문제로 인해 발생할 수 있으며, Pyth가 제공하는 데이터의 정확성에 영향을 미칠 수 있습니다. 이의 예는 상당한 $BTC 가격 피드의 가격 불일치로, 2021년 9월 게시자 오류로 인한 것이었습니다. 그 이후로 조치가 취해졌지만, 유사한 발생 가능성은 여전히 존재합니다.

시장 조작

보호 조치에도 불구하고, Pyth가 배포하는 시장 데이터를 조작하려는 누군가의 시도가 여전히 위험할 수 있습니다. 이는 데이터 제공자 자체에 영향을 미치거나 공격함으로써 이루어질 수 있습니다.

기술적 문제

Pyth Network의 성능은 네트워크 혼잡, 크로스체인 메시징 프로토콜에 의해 도입된 지연, 또는 기본 블록체인에서의 장애와 같은 기술적 문제로 인해 영향을 받을 수 있습니다. 이러한 문제들은 가격 피드의 적시 업데이트를 지연시킬 수 있으며, Pyth에 의존하는 DeFi 프로토콜의 금융 운영에 잠재적으로 영향을 미칠 수 있습니다.

크로스-체인 데이터 전송

Pyth는 다양한 블록체인에서 운영되며, 이는 크로스-체인 메시징에 의존하기 때문에 가격 업데이트에 복잡성과 잠재적인 지연을 추가합니다. Wormhole과의 통합 및 크로스-체인 데이터 전송의 지연은 금융 프로토콜의 효율적인 운영에 필수적인 저지연 가격 업데이트를 유지하는 데 도전을 제시합니다.

사용자 수수료 의존성

Pyth Network의 pull-based 모델은 소비자들이 온체인 가격 업데이트를 요청하고 지불하는 데 의존합니다. 소비자 수요의 변동성과 관련 수수료는 네트워크의 경제 모델, 채택률, 그리고 게시자와 소비자를 위한 인센티브 구조에 영향을 미칠 수 있습니다.

슬래싱 위험

Pyth는 부정확한 보고를 처벌하기 위해 슬래싱 메커니즘을 사용하며, 이는 게시자와 위임자들에게 재정적 손실의 위험을 초래합니다. 이는 정확한 데이터 제공을 장려하지만, 참여자들을 잠재적인 재정적 페널티에 노출시켜 네트워크에 기여하려는 의지를 영향을 미칩니다.

경쟁

오라클 시장은 경쟁이 치열하며, Chainlink과 같은 다른 서비스들이 유사한 솔루션을 제공하고 있습니다. Pyth는 입지를 유지하고 사용자를 유치하기 위해 지속적으로 혁신해야 합니다.

이러한 문제를 사전에 적극적으로 해결함으로써, Pyth는 DeFi 공간에서 다양한 금융 애플리케이션을 지원하는 신뢰할 수 있는 블록체인 데이터 제공자가 될 수 있습니다.

오라클 가격 조작

잠재적인 가격 조작 공격과 같은 도전 과제는 가격 집계 및 거버넌스 메커니즘에 의해 해결됩니다. 예를 들어, 조작을 방지하기 위해 게시자들의 집계 가격에 대한 영향력을 엄격하게 제한합니다. 커뮤니티는 또한 게시자들이 프로토콜을 사용하는 방식을 정의하는 데 중요한 역할을 하며, 잠재적으로 신뢰할 수 있고 평판이 좋은 단체로 참여를 제한할 수 있습니다. 게다가, 서로 다른 거래소에서 소싱하는 게시자들의 다양성은 가격 조작 노력의 위험이 전체 Pyth 가격에 영향을 미치는 것을 완화합니다.

보안

가격 집계 메커니즘은 조작에 대한 저항성을 보장하고, 데이터 소스를 적절히 가중하며, 게시자 간 가격 변동을 반영합니다.

감사

Pyth Network는 시스템의 견고성과 신뢰성을 보장하기 위해 다양한 조직에서 수행한 일련의 보안 감사를 거쳤습니다. 아래는 수행된 주요 보안 감사의 연대기 요약입니다:

  • Zellic – 2022년 4월 15일: Pyth Oracle에 대한 Smart Contract Security Assessment 수행.
  • Zellic – 2022년 4월 27일: Smart Contract Security Assessment를 통해 Pyth2Wormhole을 검토했습니다.
  • Zellic – 2022년 5월 16일: Smart Contract Security Assessment를 통해 Pyth Governance를 검토했습니다.
  • OtterSec – 2022년 7월 8일: Pyth Oracle에 대한 감사 수행.
  • OtterSec – 2022년 7월 8일: Pyth Governance 감사.
  • Zellic – 2022년 11월 1일: 스마트 컨트랙트 보안 평가에서 Pyth Cross-chain 평가.
  • OtterSec – 2022년 10월 10일: Pyth Aptos 감사.
  • CertiK – 2022년 11월 30일: Pyth-client의 보안 평가가 검증되었습니다.
  • CertiK – 2022년 12월 13일: pyth2wormhole Governance의 보안을 검증했습니다.
  • CertiK – 2022년 12월 13일: Solana의 pyth2wormhole에 대한 보안 평가를 실시했습니다.
  • CertiK – 2023년 2월 23일: Ethereum의 pyth2wormhole에 대한 보안 평가를 제공했습니다.
  • Zellic – 2023년 3월 14일: Pyth Network에 대한 스마트 컨트랙트 보안 평가가 실시되었습니다.
  • OtterSec – 2023년 7월 7일: Pyth Sui에 대한 스마트 컨트랙트 보안 평가를 수행했습니다.
  • Zellic – 2023년 7월 24일: Pyth Network에 대한 스마트 컨트랙트 패치 검토를 제공했습니다.
  • Trail of Bits – 2023년 7월 31일: Pyth Data Association Pythnet에 대한 보안 평가가 수행되었습니다.

바운티

Pyth Network은 실시간 온체인 시장 데이터의 보안을 강화하기 위한 상당한 규모의 버그 바운티 프로그램을 제공하고 있습니다. 화이트햇 해커들의 참여를 장려하며, 심각한 취약점에 대해 최대 $500,000 USDC, 높은 심각도의 문제에 대해 최대 $100,000 USDC의 보상을 제공할 수 있습니다.

참가자들은 Pyth Network의 여러 주요 구성 요소를 탐색하도록 초대받습니다. 여기에는 Pyth Oracle, Pyth Cross-chain contracts와 같은 플랫폼에서 Ethereum, Aptos, Sui, CosmWasm, 그리고 Pyth Governance 시스템. 세부 정보와 코드 액세스는 해당 GitHub 저장소에서 찾을 수 있습니다.

보상을 받기 위해 제출물은 취약점에 대한 포괄적인 보고서를 포함해야 하며, 버그를 재현하는 데 필요한 단계와 데이터, 그리고 개념 증명(Proof-of-Concept)을 완전하게 포함해야 합니다. 팀이 이미 알고 있는 문제나 배포되지 않은 코드와 관련된 문제는 범위 밖으로 간주된다는 점을 유의하는 것이 중요합니다. 또한, Pyth 직원, 감사인, 계약자 및 내부 정보를 가진 사람은 보상 대상에서 제외됩니다.

테스트는 공공 네트워크나 메인넷을 사용하지 않고 책임감 있게 수행되어야 하며, 참가자들은 공식 금지 해제 전에 취약점을 공개적으로 공개하지 말아야 합니다. 이 프로그램은 phishing, social engineering, denial of service attacks 및 모든 불법 활동을 엄격히 금지합니다.

중요한 문제의 예로는 오라클 가격 조작 가능성, 계약 제어의 무단 인수, 또는 자금의 손실 및 도난이 포함됩니다. 타사 종속성과 관련된 버그는 Pyth 생태계에 미치는 영향과 해당 종속성이 자체 바운티 프로그램을 보유하고 있는지에 따라 사례별로 고려됩니다.

버그가 성공적으로 식별되면, 보고자는 지갑 주소, 주소 증명, 여권과 같은 신분증명서 등을 제공하는 KYC 요구사항을 준수해야 합니다. 미국 거주자는 완료된 W-9 양식을 제출해야 하며, 비미국 거주자는 W-8BEN 양식을 제출해야 합니다.

Pyth Data Association은 보고된 취약점의 지급에 대한 완전한 재량권을 유지하며, 보상 결정의 사례별 성격을 강조하고 KYC 프로세스를 통해 수집된 모든 개인 데이터의 기밀성을 보장합니다. 이 프로그램은 Pyth의 네트워크 내 최고 보안 표준을 유지하기 위한 약속의 중요한 부분입니다.

경제적 공격 벡터

Pyth Network는 제공하는 가격 데이터의 무결성과 정확성과 관련된 잠재적인 경제적 공격 벡터에 직면해 있습니다. 우려되는 주요 영역과 이러한 위험을 완화하기 위해 Pyth가 구현한 조치에 대해 아래에 설명하겠습니다:

Oracle Manipulation Risk: Pyth는 부정직한 게시자들이 의도적으로 부정확한 가격 데이터를 제출할 경우 데이터 조작에 취약할 수 있습니다. 그러나 Pyth는 여러 신뢰할 수 있는 1차 게시자로부터 데이터를 소싱함으로써 이를 방어합니다. 데이터 소스의 이러한 다양성은 단일 게시자가 전체 데이터를 크게 왜곡할 수 있는 능력을 희석하는 데 도움이 됩니다.

Front-Running 위험: Pyth가 제공하는 데이터의 실시간 특성으로 인해, 데이터 업데이트에 대한 선행 액세스를 가진 개인들이 front-running에 참여할 위험이 있습니다. Pyth는 네트워크 전반에 데이터 업데이트를 신속하게 배포함으로써 이 위험을 최소화하며, 잠재적 front-runners의 기회 창을 줄입니다.

발행자 간 공모: 이론적으로는 가능하지만, 네트워크 내 독립적인 데이터 발행자의 대규모 수로 인해 공모 위험이 완화됩니다. 각 발행자는 부정직한 행동으로 인해 상당한 페널티를 부과받으며, 이는 명성 손상뿐만 아니라 Pyth staking 및 slashing 메커니즘을 통한 잠재적 금융적 페널티를 포함합니다.

적대적 선택 및 지연: Pyth Network는 사용자가 특정 제약 조건 내에서 거래에 대한 가격을 선택할 수 있도록 하며, 이는 지연 효과를 경험하는 것과 유사합니다. 이 기능은 사용자가 오래된 가격을 선택적으로 이용하여 이점을 얻는 경우 악용될 수 있습니다. 이를 완화하기 위해 Pyth는 엄격한 가격陳腐성 검사를 구현하여 거래에 최근 가격만 사용되도록 보장합니다. 이는 on-chain 업데이트와 더 빠른 off-chain 시장 움직임 사이의 가격 지연 불일치 악용 창을 최소화합니다.

신뢰 구간을 통한 가격 조작: Pyth의 가격 피드 구조는 신뢰 구간 보고를 포함하여 단순한 가격 조작에 대해 본질적으로 방어합니다. 여러 데이터 소스의 집계는 단일 왜곡된 입력의 영향을 희석합니다. 그러나 높은 변동성 기간이나 시장 견해의 분기 시, 집계된 가격은 데이터 제공자 그룹이 입력을 조정하면 여전히 조작의 대상이 될 수 있습니다. 프로토콜은 중요한 금융 작업에 신뢰 구간의 하한을 사용하여 자산 가치 평가에 보수적인 입장을 취함으로써 이에 대응할 수 있습니다.

Sybil Attack Resistance: Sybil attack에서 공격자는 네트워크에 영향을 미치기 위해 여러 가짜 신원을 생성할 수 있습니다. Pyth의 게시자가 $PYTH 토큰을 스테이킹해야 하며, 부정직한 행동 시 슬래싱될 수 있는 요구 사항은 여러 신원을 생성하는 데 재정적 비용을 추가함으로써 이러한 공격으로부터 보호하는 데 도움이 됩니다.

Ensuring Reliable Price Feeds: 가격 조작으로부터 추가 보호를 위해 Pyth는 여러 데이터 입력을 단일 강력한 가격 피드로 집계하는 고급 통계 기법을 사용합니다. 이 집계 과정에는 이상치와 과도하게 변동적인 제출을 무시하는 검사 및 균형이 포함되어 게시된 가격 피드가 시장의 진정한 반영임을 보장합니다.

의존성과 액세스 제어

Pyth Network는 다양한 블록체인 플랫폼에 걸쳐 금융 시장 데이터를 집계하고 배포하기 위해 정교한 오라클 메커니즘에 의존합니다. 그러나 외부 데이터 소스와 오라클 인프라에 대한 이러한 의존성은 특정 위험과 도전을 초래합니다:

출처 신뢰성과 조작 위험: Pyth는 주요 거래 회사와 거래소를 포함한 여러 1차 출판자로부터 데이터를 집계합니다. 이러한 다양성은 데이터 조작이나 출처 실패와 관련된 위험을 완화하는 데 도움이 됩니다. 그러나 데이터의 무결성과 정확성은 중요하며, 출처 수준에서의 조작은 네트워크를 통해 전파되어 모든 종속 애플리케이션에 영향을 미칠 수 있습니다.

인프라 의존성: Pyth Network의 운영은 오프체인 및 온체인 인프라에 크게 의존합니다. 오프체인에서는 데이터가 수집되고 초기 처리되며, 온체인에서는 집계되어 소비자에게 제공됩니다. 이러한 시스템의 중단은 기술적 실패, 사이버 공격, 또는 외부 의존성(예: 클라우드 서비스나 인터넷 연결 문제)으로 인해 발생할 수 있으며, 데이터 피드의 가용성과 적시성을 영향을 미칠 수 있습니다.

시스템 다운타임 및 업데이트: 오라클이 안전하고 기능적으로 유지되도록 하기 위해 정기적인 업데이트와 유지보수가 필요합니다. 그러나 이러한 활동은 업데이트 후 일시적인 다운타임이나 예상치 못한 문제를 초래할 수 있으며, 이 기간 동안 데이터 피드가 사용할 수 없거나 최적화되지 않은 성능을 보일 수 있습니다.

오래된 데이터에 대한 보호 장치: DeFi 운영에 대한 적시성과 정확한 데이터의 중요성을 고려할 때, Pyth는 오래된 데이터의 사용을 방지하기 위한 메커니즘을 구현합니다. Pyth가 제공하는 SDK에는 데이터가 미리 설정된 임계값보다 오래된 경우 데이터 쿼리를 거부하는 기본 검사가 포함되어 있으며, 이는 다양한 프로토콜의 특정 요구사항에 따라 조정할 수 있습니다.

높은 지연 시나리오 처리: Pyth의 저지연 설계에도 불구하고, 실시간 시장 움직임에 비해 온체인 데이터 전송에 내재된 지연이 있습니다. 이는 이러한 지연을 이용하는 차익거래 기회를 창출할 수 있습니다. Pyth 데이터를 통합하는 프로토콜은 이러한 지연 측면을 고려하여 시스템을 설계하여 기초 시장의 급격한 가격 움직임과 관련된 위험을 최소화해야 합니다.

Pyth는 단일 제공자에 대한 의존성을 줄이기 위해 여러 데이터 소스를 사용하며, 분산형 애플리케이션에 안전하고 적시적이며 정확한 시장 데이터를 제공하는 명성을 쌓아왔습니다.

팀

Douro Labs에서 Pyth Network를 앞으로 이끌고 있는 주요 인력 중 일부는 다음과 같습니다:

Pyth Data Association은 네트워크의 기능을 강화하는 기여자 라인업을 보유하고 있습니다:

Douro Labs

Douro Labs는 Pyth Network의 oracle 서비스와 데이터 제공을 강화하고 확장에 집중하는 blockchain 인프라 회사입니다. 그들의 작업에는 blockchain 생태계를 위한 실시간 시장 데이터 액세스를 용이하게 하는 oracle 도구와 Web3 인프라 개발이 포함됩니다.

회사의 목표는 다음과 같습니다:

  • Oracle Tooling 개발: Pyth Network의 오라클 서비스의 기능과 신뢰성을 향상시키는 도구를 만드는 것.
  • 제품 확장: Pyth Network의 데이터 서비스 포트폴리오를 다각화하기 위해 새로운 제품을 개발합니다.
  • 인프라 혁신: DeFi 부문의 증가하는 수요를 충족하기 위해 지원 인프라를 업그레이드합니다.
  • 미션: 블록체인 공간에 적시적이고 이전에 접근할 수 없었던 시장 데이터를 제공하기 위해 혁신에 중점을 둡니다.

Douro Labs의 팀은 Goldman Sachs, BNP Paribas, Amazon Web Services, Jump Crypto, Chorus One과 같은 확립된 기관 출신의 전문가들로 구성되어 있으며, 이는 Pyth Network의 이니셔티브를 추진하기 위한 강력한 기반을 나타냅니다.

Douro Labs는 Pyth Network를 위한 Perseus Upgrade 구현에 핵심적인 역할을 했으며, 이는 Pyth Price Feeds의 기능을 향상시켰습니다. 이는 네트워크의 permissionless mainnet으로의 전환과 프로토콜의 미래 개발을 안내할 on-chain governance 설립의 일부였습니다.

Pyth Data Association

Pyth Data Association은 Pyth Network의 기여자들에 의해 설립된 스위스 기반 조직입니다. 그 주요 역할은 기술 개발을 주도하고, 인식을 제고하며, 보조금 프로그램을 통해 생태계 성장을 촉진함으로써 네트워크의 발전을 촉진하는 것입니다.

이 협회는 whitepaper에 설명된 대로 Pyth Network의 적용에 중점을 두고 있으며, whitepaper를 목표로 중앙화된 금융 기관이 전통적으로 보유하고 있는 실시간 시장 데이터를 블록체인으로 가져오는 것을 목표로 합니다. 이 이니셔티브는 탈중앙화 금융으로의 더 광범위한 추진의 일부입니다.

거버넌스 측면에서, Pyth Network에 의한 $PYTH 거버넌스 토큰의 도입은 네트워크 내 의사결정 프로세스를 탈중앙화하는 방향으로의 움직임으로, 토큰 보유자들이 그 미래 방향에 대해 발언권을 가질 수 있게 합니다.

Pyth Data Association은 처음에 프로토콜을 감독하며 개발을 위한 견고한 기반을 마련했습니다. 라이브 생태계로의 전환과 함께 거버넌스 책임은 점진적으로 온체인 시스템으로 이전되고 있습니다. $PYTH 토큰으로 구동되는 온체인 거버넌스는 포괄적으로 설계되어 토큰 보유자들이 변경 사항을 제안하고, 투표 권한을 위임하며, 네트워크의 방향성을 형성하는 데 참여할 수 있도록 합니다. 제안에 대한 투표 기간은 2주에 걸쳐 진행되어 충분한 논의와 참여 시간을 보장합니다. 이 프로세스는 Pyth Network의 지속적인 개발의 필수적인 부분입니다.

Pyth Network이 여러 블록체인에 걸쳐 영향력을 확대함에 따라, Pyth Data Association의 개발 주도와 생태계 성장 지원 역할은 여전히 중요합니다.

프로젝트 투자자

Pyth Network의 정확한 모금액과 밸류에이션은 공개되지 않았지만, 스위스 기반의 Pyth Data Association은 저명한 암호화폐 벤처 펌과 마켓 메이커들의 참여를 확인했다.

GBV Capital와 CTC Venture Capital은 Pyth Network의 초기 시드 라운드에 참여했다.

벤처 라운드에서 Castle Island Ventures, Multicoin Capital, Wintermute Ventures, Borderless Capital, CMT Digital, Bodhi Ventures, Distributed Global, Tagus Capital 및 Delphi Digital과 같은 기관들의 기여가 있었습니다.

FAQ

Pyth는 어떻게 작동하나요?

  • Pyth는 온체인 가격 데이터에 대한 시장 참여자들을 연결하는 프로토콜입니다. 데이터 제공자들은 가격을 공급하며, Pyth의 오라클 프로그램이 이를 집계합니다. 집계된 가격은 온체인에서 이용 가능하며, 투명성을 보장합니다.

온디맨드 또는 “pull-based” 오라클이란 무엇인가요?

  • “push” oracles와 달리, Pyth의 모델은 사용자들이 필요에 따라 가격을 요청할 수 있게 합니다. 이는 불필요한 데이터 거래와 비용을 피하여 효율성을 최적화합니다. 사용자들은 가격의 진위성을 확인하고 검증된 데이터를 애플리케이션에서 사용할 수 있습니다.

Pyth Network는 데이터 정확성을 어떻게 보장하나요?

  • Pyth Network는 1차 데이터 제공자를 포함한 분산형 모델을 사용합니다. 데이터 정확성은 각 피드에 기여하는 여러 제공자에 의해 강화됩니다. 시스템은 데이터 소스를 가중하고 이상치나 조작을 완화하도록 설계되었습니다.

Pyth Network를 다른 오라클과 구별하는 것은 무엇인가요?

  • 초저지연, 고빈도 업데이트를 제공합니다. 네트워크는 여러 자산 클래스에 걸친 광범위한 가격 피드 범위를 특징으로 합니다. Pyth는 시장 참여자로부터 직접 실시간 데이터를 제공합니다.

Pyth Network는 데이터 배포를 어떻게 처리하나요?

  • Pyth는 Pythnet이라는 앱 전용 블록체인에서 운영되며, 효율적인 데이터 집계를 보장합니다. “Pull Oracle” 아키텍처를 활용하여 주문형 데이터 검색을 가능하게 합니다. 이 방법은 가스 효율성을 촉진하고 필요할 때 업데이트된 가격을 제공합니다.

Pythnet이란 무엇이며 Solana와 어떻게 다른가요?

  • Pythnet은 데이터 집계를 위해 Solana 코드베이스를 기반으로 구축된 애플리케이션 블록체인입니다. Solana 메인넷과 독립적으로 실행되며, Pyth 데이터를 처리하는 데 전념합니다. Pythnet의 더 빠른 슬롯 시간은 Pyth 가격 피드의 더 빠른 업데이트를 가능하게 합니다.

Pyth는 Wormhole을 어떻게 사용하나요?

  • Wormhole은 Pyth 데이터를 여러 블록체인으로 연결하는 브리지 역할을 합니다. 가격 업데이트가 인증되고 사용자 거래에 통합되도록 보장합니다. Pyth 가격 업데이트는 permissionless로, 데이터 검증에 광범위한 참여를 가능하게 합니다.

Pyth Price Feeds와 관련된 지연 시간과 비용은 무엇인가요?

  • Pythnet에서 Wormhole로의 지연 시간은 네이티브 블록 시간을 제외하고 평균 0.3초입니다. Pyth Price Feeds를 사용하는 수수료 구조는 거버넌스에 의해 결정되며, 광범위한 사용을 장려하기 위해 최소화되어 있습니다.

Pyth 데이터를 재무 결정에 신뢰할 수 있습니까?

  • 네트워크의 설계는 투명성과 제공자 책임성을 강조합니다. 가격과 함께 제공되는 신뢰 구간은 데이터의 견고성을 반영합니다. Pyth’s Pull Oracle 아키텍처는 사용자에게 최신 데이터 가용성을 보장합니다.

커뮤니티 링크

Alea Research · 2024년 6월 3일 · 60 min · 15개 섹션

맨 위로