Un validateur dont les performances de consensus sont nettement supérieures reçoit-il automatiquement une part plus importante des récompenses de staking ?
Je voulais comprendre comment ces deux éléments sont liés dans Rayls. J’ai donc examiné les implémentations Solidity de « ConsensusRegistry » et de « RewardDistributor », ainsi que leurs tests d’intégration.
J’ai découvert une distinction importante entre l’enregistrement des performances des validateurs et le calcul des récompenses de staking.
1. Deux contrats, deux responsabilités distinctes
« ConsensusRegistry » calcule et stocke les pondérations de performance des validateurs à partir de trois composantes dans l’implémentation hybride examinée :
• Part de participation : 80 %
• Part des engagements d’ancrage : 10 %
• Part du niveau de stake : 10 %
Ces composantes utilisent des dénominateurs de normalisation différents et sont soumises à leurs propres conditions d’éligibilité.
Toutefois, le fait de stocker une pondération de performance ne signifie pas automatiquement qu’un autre contrat l’utilise.
2. Quels éléments entrent réellement dans le calcul des récompenses ?
L’implémentation de « RewardDistributor » examinée suit un chemin de calcul différent.
Elle prend en compte :
• Le stake propre du validateur
• Le stake délégué de la piste A
• Le stake délégué de la piste B
• Les APY cibles applicables
• La durée de l’époque
Les cibles de récompenses des pistes A et B sont calculées séparément. Le contrat compare ensuite la cible combinée au solde de récompenses disponible et distribue les récompenses en fonction des cibles calculées.
Le point important est que la fonction « distributeRewards() » examinée ne récupère pas les pondérations de performance stockées dans « ConsensusRegistry ».
3. Le test d’intégration met la différence en évidence
Le dépôt comprend un test d’intégration déterministe mettant en scène quatre validateurs dont l’activité de consensus diffère :
• Validateur 1 : 1 000 tours de leader
• Validateur 2 : 1 200 tours de leader
• Validateur 3 : 900 tours de leader
• Validateur 4 : 50 tours de leader
La composition de leur stake, les montants délégués et les conditions de récompense restent identiques.
Le test alimente délibérément RewardDistributor avec la cible calculée totale, de sorte que le ratio de financement soit égal à un.
Malgré leurs niveaux d’activité de consensus différents et les pondérations de performance enregistrées, les validateurs reçoivent des récompenses à peu près égales dans ces conditions contrôlées.
4. Au-delà d’un scénario fixe
Le même fichier de test contient également un test de fuzzing.
Il explore différents montants de délégation, commissions des validateurs et répartitions des tours de leader. Cela constitue un indice supplémentaire que l’équité des récompenses observée ne se limite pas à une configuration choisie manuellement.
Toutefois, il s’agit d’une propriété vérifiée dans le cadre limité du test, et non d’une preuve couvrant toutes les configurations réseau possibles ou le comportement en direct du réseau principal.
5. Une distinction importante dans l’implémentation
Le dépôt contient également une intégration plus récente combinant les performances et les pondérations des récompenses.
Mais sa présence dans le code ne prouve pas qu’elle est activée sur le réseau principal. Dans l’instantané du dépôt examiné, l’intégration concernée était toujours indiquée comme en attente, et le calendrier des hard forks du réseau principal mentionnait « HybridRewards » comme « Never ».
Ce que j’en retiens
Les performances du consensus et le calcul des récompenses de staking sont des notions liées, mais elles ne reposent pas nécessairement sur le même mécanisme.
Dans l’implémentation examinée, ConsensusRegistry enregistre les pondérations de performance, tandis que RewardDistributor calcule les récompenses à partir de la composition du stake, des délégations et des APY cibles.
C’est pourquoi le seul examen de la pondération de performance d’un validateur ne permet pas forcément de connaître tous les détails de ses récompenses de staking.
J’ai fondé cette analyse sur un instantané figé du dépôt officiel Rayls Axyl, en examinant les implémentations Solidity, le test d’intégration déterministe, la logique des tests de fuzzing et la configuration des hard forks.
La suite Foundry n’a pas été exécutée de manière indépendante, et l’état des contrats en direct sur le réseau principal n’a pas été vérifié indépendamment.
Parfois, la découverte la plus intéressante ne porte pas sur ce qu’un contrat calcule, mais sur ce que lit réellement le contrat suivant.
