此文章是 #Web3 data 系列 的其中一个章节。
区块链数据公司，在索引以及处理链上数据时，可能会面临一些挑战，包括：
海量数据。随着区块链上数据量的增加，数据索引将需要扩大规模以处理增加的负载并提供对数据的有效访问。因此，它导致了更高的存储成本；缓慢的指标计算和增加数据库服务器的负载。
复杂的数据生产流程。区块链技术是复杂的，建立一个全面和可靠的数据索引需要对底层数据结构和算法有深刻的理解。这是由区块链实现方式的多样性所决定的。举一个具体的例子，以太坊中的 NFT 通常是在遵循 ERC721 和 ERC1155 格式的智能合约中进行创建的，而像Polkadot 上通常是直接在区块链运行时间内构建的。对于用户来说，不管是任何形式的存在，这些数据应该被视为 NFT 的交易，需要被存储，并且处理为可读状态，方便分析以及进行计算。
集成能力。为了给用户提供最大的价值，区块链索引解决方案可能需要将其数据索引与其他系统集成，如分析平台或 API。这很有挑战性，需要在架构设计上投入大量精力。
随着区块链技术的使用越来越广泛，存储在区块链上的数据量也在增加。这是因为更多的人在使用该技术，而每笔交易都会给区块链增加新的数据。此外，区块链技术的使用已经从简单的资金转移应用，如涉及使用比特币的应用，发展到更复杂的应用，包括智能合约之间的相互调用。这些智能合约可以产生大量的数据，从而造成了区块链数据的复杂性和规模的增加。随着时间的推移，这导致了更大、更复杂的区块链数据。
本文中，我们将以 Footprint Analytics 的技术架构演变作为分析案例，探索 Iceberg-Trino 如何解决链上数据面临的挑战。
Footprint Analytics 拥有最全面的链上数据索引仓库，目前涵盖 22 个公链，17 个 NFT 市场，超过 1900 个 GameFi 项目，以及超过 66 万个 NFT 收藏。当我们谈及 22 条公链底层数据时，不同与其他行业，区块链的数据大部分都是交易数据，而非单纯传统行业的日志数据，22 条公链大概数量级行数大概是 200 亿以上，而这些是经常需要被查询的数据。
在过去几个月中，我们经历了以下三次大的系统版本升级，以满足不断增长的业务需求：
在 Footprint Analytics 初创阶段，我们使用 Bigquery 作为存储和查询引擎。Bigquery 是一款优秀的产品，它提供的动态算力，和灵活的 UDF 语法帮助我们解决了很多问题。
不过 Bigquery 也存在着一些问题：
数据没有经过压缩，存储费用过高，特别是我们需要存储将近 20 条区块链的原始数据；
并发能力不足：Bigquery 同时运行的 Query 只有 100 条，不能为 Footprint Analytics 提供高并发查询；
非开源产品，绑定 Google 一家供应商。
所以我们决定探索新架构。
我们对最近很火热的 OLAP 产品非常感兴趣，OLAP 让人印象深刻的地方就是其查询反应速度，仅需亚秒级响应时间即可返回海量数据下的查询结果，对高并发的点查询场景也支持比较好。
我们挑选了其中一款 OLAP 数据库，Doris 进行了深入的尝试。
但是很快，我们碰到了以下问题：
不支持 Array JSON 等数据类型
在区块链的数据中，数组 Array 是个很常见的类型，例如 evm logs 中的 topic 字段，无法对 Array 进行计算处理，会影响我们计算很多指标。
DBT 支持有限，不支持 merge 语法来 update data
DBT 是数据工程师比较典型的处理ETL/ELT 的工具，尤其是Footprint Analytics 团队。merge and update这也是很常见的需求，我们需要对一些新探索的数据进行更新操作。
也就是说，我们无法在 Doris 上完成我们的数据生产流程，所以我们退而求其次，让 OLAP 数据库解决我们的部分问题，作为查询引擎，提供快速且高并发的查询能力。
很遗憾的是，该方案 无法将 Bigquery 作为 Data Source替换掉，我们必须把不断地把 Bigquery 上的数据进行同步，同步程序的不稳定性给我们带来了非常多的麻烦，因为在使用存算分离的架构，当其查询压力过大时，也会影响写入程序的速度，造成写入数据堆积，同步无法继续进行吗，我们需要有固定的人员来处理这些同步问题。
我们意识到，OLAP 可以解决我们所面临的几个问题，但不能成为 Footprint Analytics 的全套解决方案，特别是在数据处理以及生产方面。我们的问题更大更复杂，我们可以说，OLAP 作为一个查询引擎对我们来说是不够的。
在 Footprint Analytics 架构 3.0 的升级中，我们从头开始重新设计了整个架构，将数据的存储、计算和查询分成三个不同的部分。从 Footprint Analytics 早期的两个架构中吸取教训，并从其他成功的大数据项目中学习经验，如 Uber、Netflix 和 Databricks。
我们首先把注意力转向了数据湖，这是一种新型的结构化和非结构化数据的存储方式。数据湖非常适合链上数据的存储，因为链上数据的格式范围很广，从非结构化的原始数据到结构化的抽象数据，都是 Footprint Analytics 特色亮点。我们期望用数据湖来解决数据存储的问题，最好还能支持主流的计算引擎，如 Spark 和 Flink，这样随着 Footprint Analytics的发展，与不同类型的处理引擎整合起来能更容易，更具备拓展性。
Iceberg 可以与 Spark，Flink，Trino 等计算引擎都有着非常良好的集成，我们可以为我们的每一个指标选择最合适的计算方式。例如：
需要复杂计算逻辑的，选择 Spark；
需要实时计算的，选择 Flink；
使用 SQL 就能胜任的简单 ETL 任务，选择 Trino。
有了 Iceberg 解决了存储和计算的问题，我们接下来就要思考，如何选择查询引擎。实际上可以选的方案不多，备选的有：
在深度使用之前，我们考虑最多的是，未来的查询引擎必须要兼容我们当前的架构。
要支持将 Bigquery 作为 Data Source
要支持 DBT，我们要很多指标是依赖 DBT 完成生产的
要支持 BI 工具 metabase
基于以上个点，我们选择了 Trino，Trino 对 Iceberg 的支持非常完善，而且团队执行力非常强，我们提了一个 BUG，在第二天就被修复，并且在第二周就发布到了最新版本中。这对同样要求高执行响应速度的 Footprint Analytics 团队，无疑是最佳选择。
选定了方向之后，我们对 Trino+Iceberg 这个组合做了个性能测试，以确定其性能是否能满足我们的需求，结果出乎我们依赖，查询速度不可思议地快。
要知道，在各大 OLAP 的宣传文章中，Presto + Hive 可是常年作为最差的对比项存在的，Trino + Iceberg 的组合完全刷新了我们的认知。
下面是我们的测试结果：
case 1: join big table
一个 800 GB 的 table1 join 另一个 50 GB 的 table2 并做复杂业务计算
case2: 大单表做 distinct 查询
测试用的 sql ： select distinct(address) from table group by day
相同配置下，Trino+Iceberg 组合速度大约是 Doris 的 3 倍。
除此之前，还有一个惊喜，因为 Iceberg 底层可以使用 Parquet、ORC 等 data format，会对数据进行压缩存储，Icberg 的 table 存储空间只需要其他数据仓库的 1/5 左右。
同样一个 table，在三个数据库中的存储大小分别是：
注：以上测试都是我们实际生产中碰到的个别业务例子，结论不严谨，仅供参考。
性能测试报告给了我们足够的性能，我们团队使用了大概 2 个月时间来完成迁移，这个是我们升级之后的架构图：
丰富的计算引擎让我们可以应对各种计算需求；
Trino 可以直接查询 Iceberg，我们再也不用处理数据同步问题；
Trino + Iceberg 让人惊艳的性能，让我们可以开放所有 Bronze 数据给到用户。
自2021年8月推出以来，Footprint Analytics 团队在不到一年半的时间里完成了三次架构升级，这得益于其为加密货币用户带来最佳数据库技术优势的强烈愿望和决心，以及在实施和升级其底层基础设施和架构方面的扎实执行。
Footprint Analytics 架构升级3.0为其用户买到了全新的体验，让来自不同背景的用户在更多样化的使用和应用中获得洞察力。
与 Metabase 商业智能工具一起构建的 Footprint 便于分析师获得已解析的链上数据，完全自由地选择工具（无代码或编写代码 ）进行探索，查询整个历史，交叉检查数据集，在短时间内获得洞察力。
整合链上和链下的数据，在 web2 和 web3 之间进行分析。
通过在 Footprint 的业务抽象之上建立/查询指标，分析师或开发人员可以节省80% 的重复性数据处理工作的时间，并专注于有意义的指标，研究和基于其业务的产品解决方案。
从Footprint Web 到 REST API 调用的无缝体验，都是基于 SQL 的。
对关键信号进行实时提醒和可操作的通知，以支持投资决策
推荐阅读
#GameFi Analysis
#Wallet Analysis
Footprint Analytics 是首家 Crypto 领域支持无代码数据分析平台。平台还提供一个统一的数据 API，让用户可以快速检索超过22条公链生态的 NFT，GameFi 以及 DeFi 数据。
如果您对该课程有任何反馈或建议，您可以通过以下方式联系我们。
Footprint Website: https://www.footprint.network
Discord: https://discord.gg/3HYaR6USM7
Twitter: https://twitter.com/Footprint_Data
Footprint Analytics区块链游戏概览：回顾 2023，展望 2024
作者：lesley@footprint.network 数据来源：区块链游戏年报关键要点今年，比特币（BTC）市值从上年的低谷中强劲回升，相较之下，区块链游戏市场的增长虽然较为平淡，但年末也迎来了显著的上升势头。今年的游戏中，仅有 6% 的游戏拥有超过 1,000 个活跃钱包，相比去年的 10% 有所减少。2023 年，尽管整体交易量比 2022 年的高点有所下降，交易次数却相对稳定。2023 年，区块链游戏行业正在发展，而 AI 也在深刻改变着这一行业。Layer 2 区块链也发展迅速，但 BNB 链等老牌区块链仍占据市场。市场正在期待顶尖区块链游戏的出现，GambleFi 或许将迎来增长，但仍需面对监管挑战。在用户获取上，利用 Telegram 和 X（Twitter）等社交平台平台来触达庞大用户群体已成为一种趋势区块链游戏是 Web3 领域对于大众普及的重要催化剂，在简化复杂概念、让人们理解区块链技术上发挥着重要作用。与其他领域不同，传统游戏里早已存在的游戏货币和道具概念，使区块链游戏成为普罗大众更易理解和接受的 Web3 普及方案。 尽管 2023 年区块链游戏市场交易量...
Footprint Analytics如何使用Footrace 钱包监控功能和设置自定义的交易警报
本文将介绍如何使用 Footrace 监控 CEX 的钱包地址并设置自定义警报。 2022-06-12 本文将介绍如何使用 Footrace 监控 CEX 的钱包地址并设置自定义警报。 什么是 Footrace？ Footrace (Foot Trace) 是一个多链的钱包追踪监控平台，可以监控CEX、DEX、鲸鱼、聪明钱、或任何你想关注的地址的钱包。 Footrace 帮助投资者保护他们的投资并监控异常的市场和资金流动。您可以设置自定义警报，通过电子邮件、电报、Discord、SMS 等向您发送重要的资金流通知和警报。Footrace 中心化交易所监控页Footrace目前监控了 122 交易所的资金流活动及其钱包余额。包括了中心化和去中心化交易所的地址数据。由于这些交易所和基金可能会添加新的钱包地址，用户可以使用Footrace的钱包地址的功能来添加 Footrace 缺少的任何钱包地址。Footrace 地址提交工具 如何开始监控?钱包余额在监控交易所时，钱包余额是需要仔细关注的指标之一。具有大量钱包余额的交易所通常意味著有大量的客户，并反映出市场对此加密货币交易所的高度信...
Footprint Analytics2023 年 3 月 GameFi 月度报告
作者：daniel@footprint.network 数据来源：Monthly GameFi Report 三月的 GameFi 世界相对沉寂，没有重大的消息公开，没有亮眼的游戏出现，也没有死亡螺旋的发生。 GameFi 领域的重要名字 Splinterlands 和 Hive 开始面临用户减少的问题，而 Alien Worlds 的数据表现继续位于各个项目的前列。Illuvium 是市场上出现的第一批 AAA 游戏，活跃玩家排名位列以太链第一名。 5个月来，GameFi 用户指标首次出现月度增长。虽然从数字看来势头不猛，但从比例来看，新用户也比 2 月份增加 66%。 虽然3月份的融资有所下降，但有一则消息肯定会让经典的 MMORPG(Massive Multiplayer Online Role-Playing Game) 类游戏粉丝感到兴奋：CCP Games 筹集了4000万美元，用于开发基于 EVE IP 的全新区块链游戏。主要研究结果加密市场概述ETH 于 3 月 11 日跌至 1,429 美元，然后在月底跃升至今年的最高点大多数山寨币与前几个月相比有所下降，但BN...
Footprint Analytics 是一个全面的区块链数据分析平台，简化了 Web3 项目的分析和社区管理，实现可持续增长。
此文章是 #Web3 data 系列 的其中一个章节。
区块链数据公司，在索引以及处理链上数据时，可能会面临一些挑战，包括：
海量数据。随着区块链上数据量的增加，数据索引将需要扩大规模以处理增加的负载并提供对数据的有效访问。因此，它导致了更高的存储成本；缓慢的指标计算和增加数据库服务器的负载。
复杂的数据生产流程。区块链技术是复杂的，建立一个全面和可靠的数据索引需要对底层数据结构和算法有深刻的理解。这是由区块链实现方式的多样性所决定的。举一个具体的例子，以太坊中的 NFT 通常是在遵循 ERC721 和 ERC1155 格式的智能合约中进行创建的，而像Polkadot 上通常是直接在区块链运行时间内构建的。对于用户来说，不管是任何形式的存在，这些数据应该被视为 NFT 的交易，需要被存储，并且处理为可读状态，方便分析以及进行计算。
集成能力。为了给用户提供最大的价值，区块链索引解决方案可能需要将其数据索引与其他系统集成，如分析平台或 API。这很有挑战性，需要在架构设计上投入大量精力。
随着区块链技术的使用越来越广泛，存储在区块链上的数据量也在增加。这是因为更多的人在使用该技术，而每笔交易都会给区块链增加新的数据。此外，区块链技术的使用已经从简单的资金转移应用，如涉及使用比特币的应用，发展到更复杂的应用，包括智能合约之间的相互调用。这些智能合约可以产生大量的数据，从而造成了区块链数据的复杂性和规模的增加。随着时间的推移，这导致了更大、更复杂的区块链数据。
本文中，我们将以 Footprint Analytics 的技术架构演变作为分析案例，探索 Iceberg-Trino 如何解决链上数据面临的挑战。
Footprint Analytics 拥有最全面的链上数据索引仓库，目前涵盖 22 个公链，17 个 NFT 市场，超过 1900 个 GameFi 项目，以及超过 66 万个 NFT 收藏。当我们谈及 22 条公链底层数据时，不同与其他行业，区块链的数据大部分都是交易数据，而非单纯传统行业的日志数据，22 条公链大概数量级行数大概是 200 亿以上，而这些是经常需要被查询的数据。
在过去几个月中，我们经历了以下三次大的系统版本升级，以满足不断增长的业务需求：
在 Footprint Analytics 初创阶段，我们使用 Bigquery 作为存储和查询引擎。Bigquery 是一款优秀的产品，它提供的动态算力，和灵活的 UDF 语法帮助我们解决了很多问题。
不过 Bigquery 也存在着一些问题：
数据没有经过压缩，存储费用过高，特别是我们需要存储将近 20 条区块链的原始数据；
并发能力不足：Bigquery 同时运行的 Query 只有 100 条，不能为 Footprint Analytics 提供高并发查询；
非开源产品，绑定 Google 一家供应商。
所以我们决定探索新架构。
我们对最近很火热的 OLAP 产品非常感兴趣，OLAP 让人印象深刻的地方就是其查询反应速度，仅需亚秒级响应时间即可返回海量数据下的查询结果，对高并发的点查询场景也支持比较好。
我们挑选了其中一款 OLAP 数据库，Doris 进行了深入的尝试。
但是很快，我们碰到了以下问题：
不支持 Array JSON 等数据类型
在区块链的数据中，数组 Array 是个很常见的类型，例如 evm logs 中的 topic 字段，无法对 Array 进行计算处理，会影响我们计算很多指标。
DBT 支持有限，不支持 merge 语法来 update data
DBT 是数据工程师比较典型的处理ETL/ELT 的工具，尤其是Footprint Analytics 团队。merge and update这也是很常见的需求，我们需要对一些新探索的数据进行更新操作。
也就是说，我们无法在 Doris 上完成我们的数据生产流程，所以我们退而求其次，让 OLAP 数据库解决我们的部分问题，作为查询引擎，提供快速且高并发的查询能力。
很遗憾的是，该方案 无法将 Bigquery 作为 Data Source替换掉，我们必须把不断地把 Bigquery 上的数据进行同步，同步程序的不稳定性给我们带来了非常多的麻烦，因为在使用存算分离的架构，当其查询压力过大时，也会影响写入程序的速度，造成写入数据堆积，同步无法继续进行吗，我们需要有固定的人员来处理这些同步问题。
我们意识到，OLAP 可以解决我们所面临的几个问题，但不能成为 Footprint Analytics 的全套解决方案，特别是在数据处理以及生产方面。我们的问题更大更复杂，我们可以说，OLAP 作为一个查询引擎对我们来说是不够的。
在 Footprint Analytics 架构 3.0 的升级中，我们从头开始重新设计了整个架构，将数据的存储、计算和查询分成三个不同的部分。从 Footprint Analytics 早期的两个架构中吸取教训，并从其他成功的大数据项目中学习经验，如 Uber、Netflix 和 Databricks。
我们首先把注意力转向了数据湖，这是一种新型的结构化和非结构化数据的存储方式。数据湖非常适合链上数据的存储，因为链上数据的格式范围很广，从非结构化的原始数据到结构化的抽象数据，都是 Footprint Analytics 特色亮点。我们期望用数据湖来解决数据存储的问题，最好还能支持主流的计算引擎，如 Spark 和 Flink，这样随着 Footprint Analytics的发展，与不同类型的处理引擎整合起来能更容易，更具备拓展性。
Iceberg 可以与 Spark，Flink，Trino 等计算引擎都有着非常良好的集成，我们可以为我们的每一个指标选择最合适的计算方式。例如：
需要复杂计算逻辑的，选择 Spark；
需要实时计算的，选择 Flink；
使用 SQL 就能胜任的简单 ETL 任务，选择 Trino。
有了 Iceberg 解决了存储和计算的问题，我们接下来就要思考，如何选择查询引擎。实际上可以选的方案不多，备选的有：
在深度使用之前，我们考虑最多的是，未来的查询引擎必须要兼容我们当前的架构。
要支持将 Bigquery 作为 Data Source
要支持 DBT，我们要很多指标是依赖 DBT 完成生产的
要支持 BI 工具 metabase
基于以上个点，我们选择了 Trino，Trino 对 Iceberg 的支持非常完善，而且团队执行力非常强，我们提了一个 BUG，在第二天就被修复，并且在第二周就发布到了最新版本中。这对同样要求高执行响应速度的 Footprint Analytics 团队，无疑是最佳选择。
选定了方向之后，我们对 Trino+Iceberg 这个组合做了个性能测试，以确定其性能是否能满足我们的需求，结果出乎我们依赖，查询速度不可思议地快。
要知道，在各大 OLAP 的宣传文章中，Presto + Hive 可是常年作为最差的对比项存在的，Trino + Iceberg 的组合完全刷新了我们的认知。
下面是我们的测试结果：
case 1: join big table
一个 800 GB 的 table1 join 另一个 50 GB 的 table2 并做复杂业务计算
case2: 大单表做 distinct 查询
测试用的 sql ： select distinct(address) from table group by day
相同配置下，Trino+Iceberg 组合速度大约是 Doris 的 3 倍。
除此之前，还有一个惊喜，因为 Iceberg 底层可以使用 Parquet、ORC 等 data format，会对数据进行压缩存储，Icberg 的 table 存储空间只需要其他数据仓库的 1/5 左右。
同样一个 table，在三个数据库中的存储大小分别是：
注：以上测试都是我们实际生产中碰到的个别业务例子，结论不严谨，仅供参考。
性能测试报告给了我们足够的性能，我们团队使用了大概 2 个月时间来完成迁移，这个是我们升级之后的架构图：
丰富的计算引擎让我们可以应对各种计算需求；
Trino 可以直接查询 Iceberg，我们再也不用处理数据同步问题；
Trino + Iceberg 让人惊艳的性能，让我们可以开放所有 Bronze 数据给到用户。
自2021年8月推出以来，Footprint Analytics 团队在不到一年半的时间里完成了三次架构升级，这得益于其为加密货币用户带来最佳数据库技术优势的强烈愿望和决心，以及在实施和升级其底层基础设施和架构方面的扎实执行。
Footprint Analytics 架构升级3.0为其用户买到了全新的体验，让来自不同背景的用户在更多样化的使用和应用中获得洞察力。
与 Metabase 商业智能工具一起构建的 Footprint 便于分析师获得已解析的链上数据，完全自由地选择工具（无代码或编写代码 ）进行探索，查询整个历史，交叉检查数据集，在短时间内获得洞察力。
整合链上和链下的数据，在 web2 和 web3 之间进行分析。
通过在 Footprint 的业务抽象之上建立/查询指标，分析师或开发人员可以节省80% 的重复性数据处理工作的时间，并专注于有意义的指标，研究和基于其业务的产品解决方案。
从Footprint Web 到 REST API 调用的无缝体验，都是基于 SQL 的。
对关键信号进行实时提醒和可操作的通知，以支持投资决策
推荐阅读
#GameFi Analysis
#Wallet Analysis
Footprint Analytics 是首家 Crypto 领域支持无代码数据分析平台。平台还提供一个统一的数据 API，让用户可以快速检索超过22条公链生态的 NFT，GameFi 以及 DeFi 数据。
如果您对该课程有任何反馈或建议，您可以通过以下方式联系我们。
Footprint Website: https://www.footprint.network
Discord: https://discord.gg/3HYaR6USM7
Twitter: https://twitter.com/Footprint_Data
Footprint Analytics区块链游戏概览：回顾 2023，展望 2024
作者：lesley@footprint.network 数据来源：区块链游戏年报关键要点今年，比特币（BTC）市值从上年的低谷中强劲回升，相较之下，区块链游戏市场的增长虽然较为平淡，但年末也迎来了显著的上升势头。今年的游戏中，仅有 6% 的游戏拥有超过 1,000 个活跃钱包，相比去年的 10% 有所减少。2023 年，尽管整体交易量比 2022 年的高点有所下降，交易次数却相对稳定。2023 年，区块链游戏行业正在发展，而 AI 也在深刻改变着这一行业。Layer 2 区块链也发展迅速，但 BNB 链等老牌区块链仍占据市场。市场正在期待顶尖区块链游戏的出现，GambleFi 或许将迎来增长，但仍需面对监管挑战。在用户获取上，利用 Telegram 和 X（Twitter）等社交平台平台来触达庞大用户群体已成为一种趋势区块链游戏是 Web3 领域对于大众普及的重要催化剂，在简化复杂概念、让人们理解区块链技术上发挥着重要作用。与其他领域不同，传统游戏里早已存在的游戏货币和道具概念，使区块链游戏成为普罗大众更易理解和接受的 Web3 普及方案。 尽管 2023 年区块链游戏市场交易量...
Footprint Analytics如何使用Footrace 钱包监控功能和设置自定义的交易警报
本文将介绍如何使用 Footrace 监控 CEX 的钱包地址并设置自定义警报。 2022-06-12 本文将介绍如何使用 Footrace 监控 CEX 的钱包地址并设置自定义警报。 什么是 Footrace？ Footrace (Foot Trace) 是一个多链的钱包追踪监控平台，可以监控CEX、DEX、鲸鱼、聪明钱、或任何你想关注的地址的钱包。 Footrace 帮助投资者保护他们的投资并监控异常的市场和资金流动。您可以设置自定义警报，通过电子邮件、电报、Discord、SMS 等向您发送重要的资金流通知和警报。Footrace 中心化交易所监控页Footrace目前监控了 122 交易所的资金流活动及其钱包余额。包括了中心化和去中心化交易所的地址数据。由于这些交易所和基金可能会添加新的钱包地址，用户可以使用Footrace的钱包地址的功能来添加 Footrace 缺少的任何钱包地址。Footrace 地址提交工具 如何开始监控?钱包余额在监控交易所时，钱包余额是需要仔细关注的指标之一。具有大量钱包余额的交易所通常意味著有大量的客户，并反映出市场对此加密货币交易所的高度信...
Footprint Analytics2023 年 3 月 GameFi 月度报告
作者：daniel@footprint.network 数据来源：Monthly GameFi Report 三月的 GameFi 世界相对沉寂，没有重大的消息公开，没有亮眼的游戏出现，也没有死亡螺旋的发生。 GameFi 领域的重要名字 Splinterlands 和 Hive 开始面临用户减少的问题，而 Alien Worlds 的数据表现继续位于各个项目的前列。Illuvium 是市场上出现的第一批 AAA 游戏，活跃玩家排名位列以太链第一名。 5个月来，GameFi 用户指标首次出现月度增长。虽然从数字看来势头不猛，但从比例来看，新用户也比 2 月份增加 66%。 虽然3月份的融资有所下降，但有一则消息肯定会让经典的 MMORPG(Massive Multiplayer Online Role-Playing Game) 类游戏粉丝感到兴奋：CCP Games 筹集了4000万美元，用于开发基于 EVE IP 的全新区块链游戏。主要研究结果加密市场概述ETH 于 3 月 11 日跌至 1,429 美元，然后在月底跃升至今年的最高点大多数山寨币与前几个月相比有所下降，但BN...
Footprint Analytics 是一个全面的区块链数据分析平台，简化了 Web3 项目的分析和社区管理，实现可持续增长。
Share Dialog
Share Dialog
Subscribe to Footprint Analytics
Subscribe to Footprint Analytics
<100 subscribers
<100 subscribers
No activity yet