مطالعه برروی شبکه‌های بلاکچین با رویکردهای شبکه‌های پیچیده

پویا ثابتی - سپهر اویسی

چکیده

امروزه رمز ارزها و بستر بلاک‌چین از تکنولوژی‌هایی هستند که ایده‌های جدیدی در صنعت و علم به وسیله‌ی آن‌ها قابل توسعه شده است. این بستر که ساختار شبکه غیر متمرکز دارد مورد توجه بسیاری از محققان و شرکت‌ها قرار گرفته و تحقیقات بسیاری برای پیشرفت در این حوزه نوظهور هر روزه در حال انجام است. این علم را می‌توان از منظرها و دیدهای مختلفی مورد بررسی قرار داد، یکی از آن‌ها با رویکرد شبکه‌های پیچیده می‌باشد. به این معنی که بستر بلاکچین را با میزان شبکه‌های پیچیده بسنجیم و با معیارهایی که از ابزارهای علم شبکه‌های پیچیده می‌باشد، بلاکچین را مورد ارزیابی قرار دهیم. در این مقاله قصد داریم شبکه تراکنش‌های دو رمزارز شناخته شده بر بستر بلاکچین، بیت‌کوین و اتریوم را از این رویکرد مورد مطالعه و بررسی قرار دهیم.

مقدماتی بر شبکه بلاکچین

بلاکچین یک شبکه غیر متمرکز تشکیل شده از بلاک‌ها می‌باشد که هر یک از آن‌ها به صورت جداگانه رکوردهای تراکنش‌های درون شبکه را در خود نگهداری می‌کنند. این شبکه به طور خودکار توسط ارتباطات یک به یک اداره می‌شود. در ادامه تراکنش‌ها هش شده و کدگذاری می‌شوند و در یک درخت ذخیره می‌شوند. با توجه به تکنولوژی‌های به کار رفته شده و کدگذاری‌های استفاده شده در بلاکچین، تضمین می‌شود که اطلاعات به صورت بازگشتی قابل دستیابی نخواهند بود. در نتیجه بلاکچین می‌تواند این قابلیت را بدون وجود یک هسته مرکزی به اجرا در بیاورد و به عنوان یک تکنولوژی قابل اعتماد کار خود را ادادمه داده است.

بلاکچین یک حوزه بین رشته ای است که شامل اقتصاد، سیستم عامل، ارتباطات شبکه، رمزنگاری ریاضی و غیره است. انبوهی از کارها در مورد بررسی بلاکچین وجود دارد. با این حال، بیشتر آثار بر طبقه بندی با توجه به زمینه های خاص تمرکز دارند. مشکل تحلیل سیستماتیک روی آن، تا همین اواخر، تا حد زیادی نادیده گرفته شده است. یکی از حوزه‌هایی که بسیار به بلاکچین مربوط می‌شود و اما در عین حال در بررسی بلاکچین تا حدودی نادیده گرفته شده است، علم شبکه‌های پیچیده می‌باشد که در این مقاله به بررسی آن‌ها می‌پردازیم.

مقدماتی بر شبکه‌های پیچیده

یک شبکه پیچیده گرافی است متشکل از مجموعه ای از تعدادی گره و مجموعه ای از تعدادی یال که مجموعه یال‌ها نشاندهنده اتصال میان گره‌ها می‌باشند. در ادامه این گراف ویژگی های آماری خاص به جز ویژگی های رایج گراف‌های عمومی نیز دارد ؛که شامل درجه گره‌ها ، مقیاس آزاد بودن، میزان خوشه‌بندی و غیره می شود. بطور کلی، شبکه پیچیده از گره‌های فراوانی تشکیل شده است که با توجه به روابط مختلف بین آنها با یال‌ها به هم متصل می شوند. به طور معمول، شبکه های پیچیده مانند شبکه فیس بوک، شامل ویژگی دنیای کوچک که از توزیع درجه قانون Power Law پیروی کرده و همچنین معمولا دارای ضریب خوشه‌بندی بالایی هستند.

توزیع درجه در شبکه پیچیده

درجه یک گره در شبکه پیچیده نشان دهنده تعداد گره هایی است که به آن متصل شده اند. توزیع درجه یک مفهوم اساسی در این حوزه می‌باشد که تعداد همسایگان را برای یک گره خاص نشان می‌دهد.که به طور کلی، این یک معیار برای ارزیابی ارتباط هر گره با گره های دیگر است. یعنی هر چه درجه بزرگتر باشد، گره بیشتر با دیگران ارتباط برقرار می کند. این معیار تا حدودی اهمیت گره را نشان می دهد، اما گاهی اوقات معیارهای دیگری مانند معیارهای مرکزیت برای دقت بیشتر اهمیت اتصال وجود دارد.

عبارت توزیع درجه در شبکه‌های پیچیده به معنی توزیع درجه هر یک از گره‌ها در آن شبکه پیچیده می‌باشد. به طور معمول، می توان آن را به صورت di = Σj eij ارائه کرد، که در آن ∈ N nj ni، در یک شبکه وزن دار، eij وزن یک یال را نشان می دهد. در بیشتر شبکه های پیچیده، توزیع درجه به صورت قانون power-law است. این نوع توزیع ویژگی مشخصی دارد. یعنی تعداد کمی از گره ها دارای درجه بالایی هستند در حالی که بیشتر گره ها در شبکه پیچیده دارای درجه کمی هستند. در دنیای واقعی، می توان اینگونه توضیح داد: افراد ثروتمند ثروتمندتر می شوند در حالی که فقیرها فقیرتر می شوند.

تابع میزان ماژولار بودن یک شبکه

یکی دیگر از ویژگی های برجسته شبکه پیچیده، ساختار انجمن‌ها است که شبکه پیچیده را به چندین جامعه کوچک تقسیم می کند. یعنی گراف بزرگ با توجه به ویژگی های مختلف به زیرگراف های کوچک تقسیم می شود. تابع Q معیاری برای ارزیابی ماژولار بودن شبکه پیچیده است، که یک روش رایج برای اندازه گیری میزان پایداری انجمن است. مقدار Q زمانی به حداکثر می رسد که انجمن در بهینه‌ترین حالت باشد.

رمزارز و شبکه بیتکوین

بیت کوین از زمان پیدایش در سال 2009 توسط ساتوشی ناکاموتو به عنوان یکی از معرف ترین ارزهای رمزنگاری شده پذیرفته شده است. بیت کوین به دلیل ویژگی‌های نوآورانه‌اش مانند ناشناس بودن، کارمزد تراکنش‌های پایین، رسمی‌سازی و دسترسی به خدمات بدون توقف، توجه گسترده‌ای را در چند سال گذشته به خود جلب کرده است. با این حال، مطالعات کمی در مورد تجزیه و تحلیل شبکه بیت کوین وجود دارد. تجزیه و تحلیل بلاک چین بیت کوین از منظر شبکه پیچیده بسیار مهم است زیرا می تواند معماهای سیستم های بلاک چین فعلی را باز کند. چندین تلاش در این زمینه وجود دارد. برخی مراجع در ابتدا شبکه تراکنش بیت کوین را با تجزیه و تحلیل گراف اولیه بررسی می کنند در حالی که مقاله‌ای تجزیه و تحلیل مبتنی بر شبکه طولی سیستم های بیت کوین را ارائه می دهد. مطالعه‌ای دیگر ساختار شبکه تراکنش را با اندازه‌گیری ویژگی‌های شبکه، از جمله توزیع درجه، همبستگی درجه، و خوشه‌بندی تحلیل می‌کند. با این وجود، تحقیقات در مورد شبکه تراکنش بیت کوین هنوز بسیار محدود است. تحقیقات شبکه بیت کوین موجود در درجه اول بر تجزیه و تحلیل داده های در مقیاس بزرگ و بلندمدت کل شبکه یا تشخیص الگوی تراکنش متمرکز است، اما فاقد کاوش عمیق در مورد ویژگی های شبکه و محاسباتی است. تجزیه و تحلیل شبکه برای مثال، ویژگی‌های شبکه تراکنش بیت‌کوین مانند دسته‌بندی، تمایل به اتصال و مرکزیت باید با یک روش تحلیل شبکه کارآمد محاسباتی بررسی شود. برای این منظور، در ادامه یک تجزیه و تحلیل چند بعدی از شبکه تراکنش بیت کوین را از دیدگاه های مختلف انجام می دهیم، از جمله توزیع درجه، تعیین دنیای کوچک، مؤلفه متصل، مرکزیت، تجزیه و تحلیل طبقه بندی.

نحوه ساخت شبکه بیت کوین

هنگامی که کاربران بیت کوین (BTC) را از یک آدرس به آدرس دیگر انتقال می دهند، تراکنش ها انجام می شود. در بیت کوین، یک تراکنش ممکن است چندین آدرس ورودی و چندین آدرس خروجی داشته باشد. ما یک تراکنش را استخراج می‌کنیم که ورودی‌هایی از آدرس‌های x و خروجی‌ها به آدرس‌های y دارد، در نتیجه با یال‌های x به y نشان داده می‌شود. پس از آن، هر گره نشان دهنده یک آدرس بیت کوین است، هر یال جهت دار نشان دهنده جریان تراکنش از مبدا به مقصد است، و وزن یال متناسب با ارزش تراکنش است.

مثالی را در نظر بگیرید که در آن تراکنش دارای دو ورودی A و B است که به ترتیب 2 و 8 بیت کوین پرداخت می کنند و سه خروجی C، D, E به ترتیب 2، 3 و 4 بیت کوین دریافت می کنند (توجه کنید که مجموع ورودی و خروجی ها به علت وجود کارمزد شبکه بیت کوین با هم برابر نیست). بنابراین، وزن لبه از A به D برابر با 0.6 می باشد.

در نتیجه یک شبکه تراکنش بیت کوین را به یک گراف جهت دار وزن دار تبدیل می کنیم که با G = (V، E، W) نشان داده می شود، که در آن V مجموعه ای از گره ها، E مجموعه ای از یال ها و W مجموعه ای از وزن ها است. هر یال به صورت eij = (i, j, wij ) نمایش داده می شود که i نشان دهنده گره ورودی، j نشان دهنده گره خروجی و wij نشان دهنده مقدار وزن است. مجموعه E با N گره را می توان با یک ماتریس N×N نشان داد که در اصل یک ماتریس مجاورت است. به این صورت که اگر بین دو گره تراکنشی با وزن wij برقرار بود در آن ماتریس مولفه i,j را برابر با wij قرار می‌دهیم و در صورت نبودن یال آن را صفر می‌گذاریم. در مقاله BTC3 از داده های سال 2017 تا 2018 استفاده شده که در این بازه گراف تشکیل داده شده حدودا برابر با 147 میلیون گره 871 میلیون یال دارد. در شکل 1 نمایشی از 10،000 گره انتخابی از این گراف نشان داده می‌شود.

به علت بزرگ بودن گراف شبکه بیت کوین باید از آن نمونه ای مناسب اتخاذ کنیم و محاسبات را بر روی نمونه‌های ساده تر شده انجام دهیم. در این مقاله به کمک تحقیقاتی که از پیش انجام شده از روش Random Walk برای نمونه گیری از این گراف استفاده شده است، که وارد جزئیات این روش نخواهیم شد.

تحلیل ویژگی‌های شبکه پیچیده برای گراف تراکنش‌های بیت کوین

1.توزیع درجه

بررسی توزیع درجه گره شبکه بیت کوین بسیار مهم است. تعداد یال های متصل به یک گره درجه آن گره تعریف میشوند که با k در شبکه پیچیده نشان داده می شود. در شبکه تراکنش بیت کوین، درجه k برای هر آدرس بیت کوین با جمع تعداد تراکنش ها محاسبه می شود. در این بین تعداد تراکنش های ورودی (دریافت بیت کوین) به صورت درون درجه و تعداد تراکنش های خروجی (پرداخت بیت کوین) برون درجه است. علاوه بر این، توزیع درجه را که با P(k) در درجه k نشان داده شده است، معرفی می کنیم. توزیع درجه P(k) احتمال این است که یک گره به طور تصادفی انتخاب شده دارای درجه ای برابر با k باشد. بعلاوه، اگر درجه k از قانون توان پیروی کند، آنگاه داریم P(k) ∝ k^-α، که α پارامتر مقیاس بندی توزیع قانون توان است. شکل 2 توزیع درجه شبکه بلاک چین بیت کوین را در نمودارهای log-log نشان می دهد (یعنی مقیاس لگاریتمی در هر دو محور افقی و عمودی). به طور خاص، پارامتر مقیاس بندی توزیع درجه کل در این شبکه، α = 1.411 است که در شکل 2 در سمت چپ نشان داده شده است. علاوه بر این، به ترتیب در شکل 2 قسمت میانی (یعنی αin = 1.421) و توزیع های خروجی درجه شکل 2 سمت راست (یعنی αout = 1.418) را در نظر می گیریم. ما از نتایج مشاهده می‌کنیم که همه توزیع‌های درجه از توزیع power-law با heavy tail پیروی می‌کنند. به این معنی است که شبکه بیت کوین یک شبکه بدون مقیاس است که در آن تنها تعداد کمی از گره ها دارای تعداد زیادی اتصال هستند، در حالی که اکثر گره ها درجات پایینی دارند و اتصالات کمتری دارند. این با یافته های به دست آمده توسط تحقیقات پیشین با استفاده از داده های کامل شبکه واقعی مطابقت دارد.

2.خوشه بندی و طول کوتاهترین مسیر

میزان خوشه بندی شبکه و طول کوتاهترین مسیر در آن می‌توانند شبکه را از دید هندسی‌تری مورد بررسی قرار دهند، که در این بخش به آن‌ها می‌پردازیم، در حالی که که این دو مفهوم را در ادامه توضیح می‌دهیم، وارد جزئیات فرمول‌های محاسبه آن‌ها نمی‌شویم.

میزان خوشه بندی یک گراف با این مفهوم مطرح می‌شود که در یک گراف اگر یک گره با دو گره در ارتباط باشد آیا آن دو گره نیز به هم متصل هستند یا خیر. هرچه در بررسی گراف جواب این سوال بیشتر به "بله" باشد میزان خوشه بندی گراف بالاتر و هرچه پاسخ "خیر" بیشتری بشنویم، یعنی خوشه بندی در گراف در حال بررسی پایین تر می‌باشد.

در کنار این مفهوم طول کوتاهترین مسیر بررسی می‌شود که به این مفهوم است که برای رسیدن از هر گره به گره‌ای دیگر ما باید گام‌هایی را در گراف طی کنیم که به کمترین گام‌های ممکن میان دو گره در گراف طول کوتاهترین مسیر آن گراف گفته می‌شود. توجه داشته باشیم که در گراف‌ها ممکن است مسیری میان همه‌ی گره‌ها وجود نداشته باشد و غیر متصل باشند که معمولا طول مسیر 0 یا infinity نشان داده می‌شود.

در این نمونه V (G) مجموعه ای از گره ها در نمودار G است و l(i, j) نشان دهنده کوتاه ترین طول مسیر از i تا j است. برای نمودار تراکنش بیت کوین، CBitcoin = 0.0071 و LBitcoin = 3.833 داریم که به این معنی است که بسیاری از تراکنش های غیر مستقیم میان گره‌ها وجود دارد.

مشاهده می کنیم که شبکه بیت کوین با مدل شبکه جهان کوچک مطابق CBitcoin و LBitcoin مطابقت دارد. برای یافتن شواهد این مشاهدات، لازم است که شبکه بیت کوین را با نمودار تصادفی معادل و گراف lattice مقایسه کنیم. بنابراین، میانگین کوتاه ترین مسیر شبکه تصادفی را با Lrand و میانگین ضریب خوشه بندی شبکه شبکه را با Clatt نشان می دهیم. سپس اندازه‌گیری دنیای کوچک که با ω [23] نشان داده می‌شود، به صورت زیر تعریف می‌شود:

که در هر مقایسه چندین شبکه تصادفی مختلف و شبکه های lattice را در نظر می گیریم. در این آزمایش، ما پنج شبکه تصادفی و شبکه شبکه‌ای تولید شده را برای محاسبه میانگین ارزش Lrand و Clatt به ترتیب شمارش می‌کنیم. مقدار ω به محدوده [-1، 1] محدود می شود. هر چه این میزان به 0 نزدیک تر باشد شبکه بیشتر جهان کوچک در نظر گرفته می‌شود. شکل 3 نشان می دهد که ω = 0.23، نشان می دهد که شبکه بیت کوین در واقع یک شبکه جهان کوچک با توجه به ویژگی های مربوط به آن است. این اثر نشان می‌دهد که توکن‌های بیت‌کوین را می‌توان با چند مرحله بین اکثریت منتقل کرد. در واقع میزان گام‌ها میان گره‌ها با زیاد شدن تعداد گره‌ها به صورت لگاریتمی زیاد می‌شوند.

3. مولفه همبند

از آنجایی که متوجه شدیم شبکه بلاک چین بیت کوین یک شبکه جهان کوچک است، تجزیه و تحلیل اتصال آن از اهمیت بالایی برخوردار است. در یک شبکه پیچیده، اگر هر جفت گره در یک زیرگراف حداقل یک مسیر داشته باشد، این گراف فرعی را مولفه همبند می نامیم. در همین حال، در مورد یک شبکه جهت‌دار، ما اجزای متصل قوی (SCC-Strongly connected Components) آن را اندازه‌گیری می‌کنیم، که در آن هر جفت گره تصادفی (i، j) یک مسیر هدایت‌شده از i به j و یک مسیر هدایت‌شده از j به i را به طور همزمان دارد. به طور مشابه، اجزای با اتصال ضعیف (WCC-Weakly Connected Components) به اجزای متصل بدون جهت اطلاق می شود.

شکل 4 نتایج محاسباتی اجزای متصل، از جمله تعداد SCC، اندازه بزرگترین SCC، تعداد WCC، و اندازه بزرگترین WCC را نشان می‌دهد. مشاهده می کنیم که هر دو بزرگترین SCC و بزرگترین WCC در مقایسه با اندازه کل نمودار نسبتاً بزرگ هستند (به ترتیب حدود 45٪ و 93٪ از گره ها را پوشش می دهند)، که نشان دهنده یک نمودار نسبتاً متصل است. ما همچنین حدس می زنیم که گره های هاب موجود بسیاری از گره های جدا شده را متصل می کنند. در واقع، چنین گره هابی ممکن است یک بورس، یک موسسه تجاری یا یک سازمان مالی باشد. در این میان می توان شاهد بود که تعداد WCC ها به مراتب کمتر از SCC ها است که نشان می دهد بسیاری از تراکنش ها در این نمودار تنها یک طرفه هستند. به عبارت دیگر، اکثر گره ها معاملات دو طرفه (ورودی و خروجی) را به طور مکرر انجام نمی دهند، یعنی فقط بیت کوین را پرداخت می کنند یا فقط می پذیرند.

4. مرکزیت

تجزیه و تحلیل اجزای متصل به حدس ما در مورد وجود گره های هاب در شبکه بیت کوین منجر می شود. برای تأیید آن، سپس مرکزیت آن را بیشتر تحلیل می‌کنیم، که اهمیت ساختار نسبی گره‌ها را در نمودار اندازه‌گیری می‌کند. اولاً، در شبکه بیت‌کوین، مرکزیت نزدیکی معیاری است برای اندازه‌گیری مدت زمانی که یک گره به طور متوالی کوین را به بقیه منتقل می‌کند.توضیحات محاسبه این معیار را نیز مانند معمیارهای قبلی با جزئیات پیچیده‌ی فرمول‌ها اشباع نمیکنیم.

شکل 5 مرکزیت نزدیکی و مرکزیت بین بودن را در مقابل درجه گره ترسیم می کند. ما از شکل 5 مشاهده می کنیم که نزدیکی با افزایش درجه افزایش می یابد. در همین حال، تعداد زیادی گره با مقادیر نزدیکی در حدود 0.04 وجود دارد که نشان می دهد آنها در نمودار نسبتاً به یکدیگر نزدیک هستند. این نتایج بیشتر تایید می کند که شبکه بیت کوین یک شبکه جهان کوچک است. از سوی دیگر، تنها تعداد کمی از گره‌های درجه بالا دارای مقادیر نزدیکی OWF(i)(معیاری برای اندازه‌گیری نزدیکی) بالاتری هستند، که نشان می‌دهد آنها به شدت با گره‌های دیگر مرتبط هستند، یعنی تراکنش‌های مکرر را انجام می‌دهند. از این مشاهدات، ما حدس می زنیم که آن گره ها ممکن است برخی مبادلات یا مؤسسات مرتبط باشند، همانطور که در قسمت قبل ذکر شد. شکل 5 همچنین نشان می دهد که میزان betweenness با افزایش درجه افزایش می یابد. به طور کلی، اگر تعداد زیادی گره با مقدار betweenness بالا وجود داشته باشد، باعث می شود تعداد زیادی گره "پل" در گراف ظاهر شوند. این گراف را شکننده می کند، به این معنی که اگر برخی از گره ها شکسته یا خارج شوند، شبکه نمی تواند اتصال را حفظ کند. این نتایج نشان می‌دهد که گره‌های پل‌سازی زیادی در شبکه بیت‌کوین وجود ندارد. به عبارت دیگر، در برابر حذف گره مقاوم است ولی در مقابل حذف یال‌ها با هدف مقاوم نیست.

همچنین مشاهده می‌کنیم که بیشتر گره‌ها در نمودار بیت‌کوین دارای مقادیر نسبتاً کوچکی از نزدیکی و betweenness هستند، که به این معنی است که تعداد زیادی گره مرکزی وجود ندارد. فقط تعداد کمی از گره ها نزدیکی و بینایی نسبتاً بالایی دارند. بنابراین، ما یک نمودار چند مرکزی را مشاهده می‌کنیم: برخی از گره‌های مرکزی مستقیماً با تعداد زیادی گره بدون پرش متصل می‌شوند. دلیل چند مرکزی بودن و استحکام عالی را نیز می توان با توجه به توزیع نامتناسب گره ها بدست آورد.

جمع‌بندی از شبکه بلاکچین بیت‌کوین

در این بررسی، ما یک تحلیل شبکه پیچیده در شبکه تراکنش بیت کوین انجام داده ایم. به طور خاص، ما یک روش نمونه‌گیری جدید طراحی می‌کنیم، یعنی پیاده‌روی تصادفی با ویژگی‌های بازگشت به عقب، و چندین مشاهدات مهم را از طریق تجزیه و تحلیل گراف‌های نمونه گیری شده به دست می‌آوریم. اولاً، توزیع درجه شبکه تراکنش بیت کوین با توزیع power-law با heavy-tail مطابقت دارد که به یک شبکه بدون مقیاس تقریب می‌یابد. ثانیاً، با تجزیه و تحلیل میانگین ضریب خوشه‌بندی، کوتاه‌ترین طول مسیر و اندازه‌گیری جهان کوچک، متوجه می‌شویم که شبکه تراکنش بیت‌کوین یک شبکه جهان کوچک است. ثالثاً، از طریق تجزیه و تحلیل اجزای متصل، متوجه می‌شویم که بیشتر معاملات معاملات یک طرفه هستند. علاوه بر این، مشاهده می کنیم که شبکه بیت کوین یک شبکه چند مرکزی قوی در برابر حذف گره ها است. پس از آن، با توجه به عدم تناسب شبکه بیت کوین، گره های درجه پایین ترجیح می دهند به گره هایی با درجه بالاتر متصل شوند. ما همچنین پیوست ترجیحی گره های تازه اضافه شده را پیدا می کنیم. چنین یافته هایی می تواند به ما در درک بهتر رفتارهای ساختاری بلاک چین کمک کند.

معرفی رمزارز و شبکه اتریوم

در این بخش، بلاک‌چین اتریوم را با استفاده از چارچوب مدل‌سازی شبکه‌های پیچیده تحلیل می‌کنیم. حساب‌های فعال در بلاک‌چین به‌عنوان گره‌ها نشان داده می‌شوند، در حالی که تعاملات بین این حساب‌ها، ثبت‌شده در زنجیره بلوکی، به‌عنوان پیوندهایی در شبکه تلقی می‌شوند. با استفاده از این نمایش، می‌توان ویژگی های ریاضی جالبی را استخراج کرد که درک تعاملات واقعی را که در بلاک‌چین اتفاق می افتد، بهبود می‌بخشد.

اتریوم، دومین رمز ارز بزرگ پس از بیت کوین است، که در چند سال اخیر توجه زیادی را به خود جلب کرده و رکوردهای تراکنش قابل توجهی را جمع آوری کرده است. با این حال، ساختار زیربنایی شبکه اتریوم هنوز نسبتا ناشناخته است. همچنین، تلاش‌های بسیار کمی برای انجام پیش‌بینی‌پذیری پیوند در شبکه تراکنش‌های اتریوم انجام شده است. همچنین این بخش یک تحلیل دقیق از شبکه اتریوم در چارچوب رفتار تراکنش، ساختار جامعه و پیش‌بینی پیوندبرای بررسی جنبه‌های ارزشمند مختلف شبکه اتریوم ارائه می‌کند. به طور خاص، در این بخش تغییر در توزیع و انباشت ثروت در شبکه تراکنش‌های اتریوم بررسی می‌شود.

شبکه‌ها ساختارهای داده‌ای هستند که در همه جا حاضر هستند و سناریوهای پیچیده دنیای واقعی را نشان می‌دهند که عموماً روابط بین اشیاء را شامل می‌شوند. بلاک‌چین یکی از شبکه‌های امیدوار کننده‌ای است که پتانسیل اصلاح چندین کسب و کار مرسوم را دارد. نسل اول بلاک‌چین، یعنی بیت‌کوین، نشان داده است که اجماع جهانی را می‌توان بدون شخص ثالث قابل اعتماد یا مرجع مرکزی تکمیل کرد. در نتیجه، بسیاری از محققان به دلیل کاربردهای بالای آنها در بسیاری از تنظیمات دنیای واقعی، تلاش زیادی برای طراحی سیستم‌های بلاک‌چین قدرتمندتر و چند منظوره انجام داده‌اند.

بعداً، اتریوم در سال 2015 توسعه یافت و به دومین پلتفرم بزرگ بلاک‌چین تبدیل شد که ارزش بازار آن در سال 2020 به بیش از 1000 میلیون دلار رسید. پس از توسعه اتریوم، این اتریوم با موفقیت در برنامه‌های مختلف از جمله مدیریت تراکنش، قراردادهای هوشمند و برنامه‌های کاربردی صنعتی مورد استفاده قرار گرفته شد. از آنجایی که ارزش اتریوم و پذیرش آن در بازار بالا رفت، برنامه‌های کاربردی سازمانی و تعداد کل کاربران نیز در حال افزایش است، اکنون توجه جامعه پژوهشی بر روی بررسی و تجزیه و تحلیل جنبه‌های مختلف سیستم اتریوم متمرکز شده است.

اگرچه تحلیل‌های آماری مختلفی بر روی شبکه‌های تراکنش بلاک‌چین انجام شده است، اکثر این روش‌ها بر روی خوشه‌بندی و یافتن فعالیت‌های مخرب سیستم بیت‌کوین است. با این حال، به دلیل پروتکل‌ها و طراحی‌های مختلف، چنین تجزیه و تحلیل داده‌های بیت‌کوین را نمی‌توان مستقیماً روی داده های اتریوم اعمال کرد یا انجام داد.

فعالیت‌های کاربران اتریوم همانطور که در شکل 6 نشان داده شده است در بلوک‌ها محصور می‌شوند که در آن هر تراکنش در داخل یک بلوک شامل آدرس‌های ارسال و دریافت و مقدار منتقل شده است. به عنوان یک دفتر کل مشترک باز، اتریوم به هر کاربری اجازه می‌دهد تا تاریخچه کل تراکنش را ذخیره کند. با استفاده از این تاریخچه، گره‌های ویژه (گره ماینر) می‌توانند تراکنش‌های جدید را تایید کنند.

همه کاربران شبکه اتریوم تراکنش‌ها را از طریق شناسه یا آدرسی که توسط الگوریتم امضای دیجیتال منحنی بیضوی (ECDSA)، دریافت و ارسال می‌کنند که جفت کلید خصوصی و عمومی را ارائه می‌دهد. کلید خصوصی برای ارسال تراکنش‌ها به آدرس دیگری و کلید عمومی برای دریافت تراکنش‌ها از آدرس دیگری استفاده می‌شود. یک تراکنش شامل آدرس فرستنده، آدرس گیرنده، مقدار (اتر)، زمان، و سایر ویژگی‌ها است. با این حال، برای امنیت و ناشناس ماندن، هویت واقعی کاربر به یک آدرس مرتبط نیست و تجزیه و تحلیل را دشوار می‌کند.

بلاک‌چین اتریوم به عنوان یک شبکه

می‌توان از ابزارهای موجود در حوزه شبکه‌های پیچیده برای تجزیه و تحلیل یک بلاک‌چین استفاده کرد. در این مورد، حساب‌هایی که در بلاک‌چین تعامل دارند، می‌توانند به عنوان گره‌های شبکه نمایش داده شوند، در حالی که تعاملات آنها را می‌توان به‌عنوان پیوند مشاهده کرد. همچنین می‌توان وزنی را به هر پیوند مرتبط کرد، که ممکن است این تعامل را بیشتر مشخص کند. به عنوان مثال، ممکن است یک شمارنده برای ردیابی تعداد تراکنش‌های انجام شده در بازه زمانی بررسی مرتبط باشد. از طرف دیگر، ممکن است مقدار دیگری را نشان دهد، مانند ارزی که بین دو حساب منتقل می شود. شکل۷ تصویری از تجسم سه بعدی گزارش تقریباً 1 ساعته تعاملات (یعنی 240 بلوک) در شبکه بلاک‌چین اتریوم را نشان می‌دهد. این شکل نشانه‌های جالبی را در مورد شبکه تراکنش‌ها نشان می‌دهد. در واقع، چندین گره مهم وجود دارند که در بسیاری از تراکنش‌ها دخیل هستند، در حالی که به نظر می‌رسد اکثر گره‌ها دارای یک پیوند واحد هستند که از آنها وارد یا خارج می‌شود. این کاملا منطقی است، زیرا در وضعیت فعلی این بلاک‌چین و ارز دیجیتال مربوط به آن، بعید به نظر می‌رسد که یک حساب معمولی در بیش از یک تراکنش در ساعت شرکت کند. شبکه تحلیل شده در این عکس که از مقاله[۳] گرفته شده است از 28867 گره تشکیل شده است که مربوط به همان مقدار حساب‌هایی است که در یک ساعت در نظر گرفته شده فعال بوده‌اند. تعداد لینک‌ها نیز 32800 می‌باشد.

تجزیه و تحلیل شبکه های پیچیده که در بالا توضیح داده شد با استفاده از یک نرم افزار جدید به نام EtherNetGalaxy انجام شده است. شرح کامل EtherNet Galaxy خارج از بحث این تحقیق است، اما برای کسانی که علاقه‌مند هستند، مطالعه این ابزار خالی از لطف نیست. در مرحله اول، EtherNet Galaxy داده‌های بلاک‌چین اتریوم را با استفاده از APIهای ارائه شده توسط Infura، سرویسی که دسترسی RPC را به شبکه اتریوم ارائه می‌دهد، بازیابی می کند. به لطف این سرویس، EtherNet Galaxy قادر است اطلاعات مربوط به بلوک‌ها (به عنوان مثال شماره بلوک، اندازه، لیست تراکنش‌ها و غیره) را بازیابی کند. در مرحله دوم، بلوک‌های بازیابی شده با استفاده از بسته web3-eth تجزیه و تحلیل می‌شوند. در این مرحله، هدف این است که تمام تراکنش‌های کدگذاری شده در هر بلوک را استخراج کرده و با استفاده از فرمت مورد نیاز، آنها را به‌عنوان یک شبکه نمایش داد. در نهایت، تجزیه و تحلیل شبکه بر روی نمودارهای تولید شده قبلی توسط EtherNet Galaxy با تکیه بر کتابخانه نرم افزار Python NetworkX انجام می‌شود. نرم افزار تجزیه و تحلیل شبکه Ether-Net Galaxy در حال حاضر در دست توسعه است، یک نسخه اولیه برای تجزیه و تحلیل گزارش شده در این لینک آمده است.

جدول 1 برخی از معیارهای اصلی مربوط به شش شبکه تقسیم‌بندی شده در شبکه اتریوم را نشان می‌دهد که با در نظر گرفتن مجموعه تراکنش‌های موجود در تعداد بلوک‌های مختلف به دست آمده است.

همانطور که انتظار داشتیم، اگر تراکنش‌هایی را در نظر بگیریم که در یک بلوک قرار دارند، یک شبکه بسیار ساده با گره‌ها و یال‌های کم به دست می‌آوریم. تعداد گره‌ها از تعداد یال‌ها بیشتر است. بنابراین ممکن است انتظار داشته باشیم که تراکنش‌هایی با چندین گیرنده وجود داشته باشد. با توجه به ماهیت تصادفی انتخاب تراکنش‌های درج شده در یک بلوک، می‌توانیم تصور کنیم که تراکنش‌ها شامل گره‌های مختلفی هستند. بنابراین، شبکه حاصل بسیار پراکنده است. در واقع، هیچ مثلثی در شبکه وجود ندارد (ضریب خوشه بندی صفر است). بیایید جزء اصلی شبکه 1 بلوکی را در نظر بگیریم. از 19 گره و 18 پیوند (همانطور که در جدول گزارش شده است) تشکیل شده است. قبلاً بیان کردیم که این شبکه مربوط به دسته‌ای از تراکنش‌های موجود در یک بلوک است، یعنی احتمالاً در یک بازه زمانی کوچک ایجاد شده‌اند. در اینجا ممکن است دو گزینه داشته باشیم. اولین مورد این است که جزء دارای ساختار ستاره‌ای است، به این معنی که یک آدرس خاص با مجموعه‌ای از گره ها همانطور که در شکل ۸ نشان داده شده است تعامل دارد. گزینه دوم این است که تعاملات مربوط به ساختار زنجیره‌ای از تراکنش‌های مختلف است (شکل ۹).

توزیع درجه شبکه‌ به راحتی اجازه می‌دهد تا درک کنیم که آیا، برای مثال، توزیع درجه از یک تابع قانون توزیع توانی پیروی می‌کند یا خیر. تنها با یک بلوک، شبکه به دست آمده بسیار ساده است. تعداد محدودی از گره‌ها وجود دارد که تراکنش‌ها را ایجاد می‌کنند. علاوه بر این، بعید است که یک حساب در هر بلوک بیش از یک تراکنش درگیر باشد. توزیع درجه در شکل ۱۰ این را تایید می‌کند. وقتی ترتیب بزرگی بلوک‌های در نظر گرفته شده را افزایش می‌دهیم، آنگاه همه چیز شروع به تغییر می کند. با این حال، اکثریت بالای گره‌ها یک تراکنش را انجام می‌دهند (یعنی درجه آنها برابر با 1 است). با این حال، درصد گره‌هایی با درجات بالاتر (یعنی مقادیر بالاتر تراکنش با گره های مختلف) افزایش می‌یابد. اگر به نمودار در مقیاس log-logنگاه کنیم، می‌توانیم کاهش تقریباً خطی در توزیع درجه‌ها را با یک دنباله بلند ببینیم که نشان می‌دهد این درجات از تابع قانون توان پیروی می‌کنند.

ذکر این نکته ضروری است که یک رویه رایج در ارزهای رمزنگاری شده، به ویژه در بیت کوین، ایجاد یک آدرس جدید برای هر پرداختی است که کاربر دریافت می‌کند. این به منظور جداسازی گیرنده تراکنش‌های مختلف و افزایش سطح ناشناس بودن استفاده می‌شود. در واقع، اکثر کیف پول‌های آنلاین هر بار که کاربر به عنوان خروجی تراکنش درگیر می‌شود، به طور خودکار یک آدرس جدید ایجاد می‌کنند.

همچنین مطالعات موجود در مورد اتریوم بر تجزیه و تحلیل داده‌های تراکنشی اتریوم از نظر کمیت، شبکه درون‌درجهی و توزیع‌های خارج از درجه تمرکز دارد. برای مثال، در مقاله [۴] با استفاده از الگوریتم درخت تصمیم تراکنش‌های آینده را پیش‌بینی می‌کنند، که توانایی استفاده از تئوری شبکه برای تحلیل شبکه تراکنش‌های اتریوم را نشان می‌دهد. با این حال، بیشتر مطالعات در این زمینه هنوز تحلیل‌های دقیق ساختارهای جامعه شبکه را نادیده می‌گیرند. در حالی که مطالعات گسترده‌ای بر روی شبکه‌های بلاک‌چین مانند بیت‌کوین انجام شده است به دلیل استقرار طولانی آن، تجزیه و تحلیل شبکه بر روی اتریوم کاملاً محدود است. چنین تحلیل‌هایی می‌توانند نقش مهمی در توزیع ثروت، ساختار رابطه‌ای شبکه و پیش‌بینی‌پذیری پیوند از داده‌های شبکه ناهمگن داشته باشند.

به طور خاص، در این قسمت یک تجزیه و تحلیل دقیق از شبکه اتریوم بر روی رفتار تراکنش، ساختار انجمن و چارچوب پیش‌بینی پیوند، به عنوان یک پلتفرم واحد برای انجام تحلیل‌های مختلف به طور همزمان پیشنهاد شده است. به طور خاص، DANET از چهار ماژول اصلی تشکیل شده است[5]: (1) مدیریت داده‌های اتریوم (2) تجزیه و تحلیل رفتار تراکنش اتریوم؛ (3) تجزیه و تحلیل ساختار جامعه اتریوم. و (4) تجزیه و تحلیل پیش بینی لینک اتریوم.

به طور خاص، مدیریت داده‌های اتریوم برای جمع‌آوری و فیلتر کردن داده‌های تراکنش استفاده شده در آزمایش‌ها طراحی شده است. در عین حال، تجزیه و تحلیل رفتار تراکنش اتریوم و تجزیه و تحلیل ساختار جامعه اتریوم برای درک بهتر ویژگی‌های شبکه، مانند روابط درون درجه‌ای و برون درجه‌ای، پیشنهاد شده است.

تجزیه و تحلیل داده‌های اتریوم

در مقاله چان و اولمستد[6] از یک نمودار مبتنی بر تراکنش استفاده کردند که بر روی هر گره پیکربندی شده بود تا رفتار هر آدرس را تجزیه و تحلیل کند. آنها همچنین گره‌ها را با استفاده از شباهت نمودار خوشه بندی کردند. این مطالعه به این نتیجه رسید که ورودی تراکنش‌های جدید اتریوم بر خلاف بیت‌کوین مستقل از خروجی تراکنش‌های خرج نشده گذشته است. همچنین جنسر و همکاران[7] آمار توزیع بلاک‌چین‌های مختلف را تجزیه و تحلیل کرده است. نتایج نشان می‌دهد که 61 درصد از قدرت ماینینگ هفتگی تنها توسط سه شناسه به اشتراک گذاشته می‌شود که 90 درصد از قدرت توسط 11 نهاد به اشتراک گذاشته می‌شود.

یکی دیگر از نتایج جالب که در طول تحقیقات متوجه شدیم در مقاله[۸] نهفته بود. در ایت مقاله، یک الگوریتم طبقه‌بندی برای شناسایی حساب‌های غیرقانونی در شبکه اتریوم پیشنهاد کردند. مجموعه داده‌های آن‌ها شامل ۲۱۷۹ حساب غیرقانونی است که توسط انجمن اتریوم پرچم‌گذاری شده‌اند. آنها تشخیص داده‌اند که ویژگی‌های برتر مرتبط با فعالیت‌های غیرقانونی شامل «تعادل کل اتر» و «حداقل مقدار دریافت‌شده» است.

تحلیل دیگری که مقاله لی و همکاران[۹] تمرکز داشتند که تمام تراکنش‌های ارزهای دیجیتال و توکن‌های رمزنگاری شده به‌طور دائم در دفتر کل توزیع‌شده ثبت می‌شوند و برای عموم در دسترس هستند، که امکان توسعه یک نمودار تراکنش و تجزیه و تحلیل ارتباطات بین ویژگی‌های نمودار تراکنش و پویایی قیمت کریپتو را فراهم می‌کند. آن‌ها از اصول همولوژی پایدار و عمق داده‌های عملکردی برای مطالعه توکن‌های رمزنگاری اتریوم، به‌ویژه بررسی پیش‌بینی‌های ناهنجاری قیمت و حرکت مخفی بین توکن‌ها استفاده کردند. با استفاده از تجزیه و تحلیل داده های توپولوژیکی و عمق داده های عملکردی در تجزیه و تحلیل داده های بلاک چین، آنها دریافتند که شبکه اتریوم می تواند بینش‌های ارزشمندی در مورد تغییرات قیمت رمزارزها ارائه دهد که در غیر این صورت با منابع داده‌های مرسوم و روش‌های تحلیلی سنتی تا حد زیادی قابل دسترسی نیستند.

پیش بینی لینک در شبکه اتریوم

از منظر شبکه، وظیفه پیش‌بینی پیوند یک مسئله مهم است که رویکردهای آن از سه دسته تشکیل شده است: روش‌های اکتشافی، روش‌های تعبیه گراف، و روش‌های یادگیری ویژگی. روش‌های اکتشافی معمولاً شباهت‌های گره‌ها را با استفاده از روش‌های نظری گراف محاسبه می‌کنند و از آنها به عنوان احتمال پیوند استفاده می‌کنند (ژانگ و همکاران، 2020). در میان آنها دلبستگی ترجیحی (باراباسی و آلبرت، 1999)، ضریب جاکارد (لیبن-نوول و کلینبرگ، 2007)، و شاخص کاتز (کاتز، 1953) روش‌های شناخته شده‌ای هستند. روش‌های تعبیه گراف شامل یادگیری جاسازی‌های گره با پارامتر آزاد بر اساس شبکه از پیش تعریف‌شده در یک محیط انتقالی است که در آن نمی‌توان آن‌ها را روی گره‌های دیده نشده تعمیم داد. دسته سوم شامل روش‌های قدرتمند و اخیراً پدیدار شده شبکه‌های عصبی گرافیکی (GNN) است که ویژگی‌های گره را با استفاده از مکانیزم ارسال پیام یاد می‌گیرند و به خوبی بر روی گره‌های دیده نشده تعمیم می‌دهند.

برای تجزیه و تحلیل جامع شبکه اتریوم و سوابق تراکنش، یک چارچوب تلفیقی پیشنهاد شده است: که شامل چهار ماژول اصلی برای ارائه نتایج تجزیه و تحلیل متفاوت است.

(1) مدیریت داده های اتریوم: برای جمع آوری داده‌های تراکنش‌های اتریوم برای آزمایش‌ها و محاسبه ویژگی‌های آماری شبکه اتریوم.

(2) تجزیه و تحلیل رفتار تراکنش اتریوم: برای بررسی رفتار تراکنش مانند روابط درون و برون درجه.

(3) تجزیه و تحلیل ساختار انجمن اتریوم: برای شناسایی ویژگی ساختار جامعه اتریوم.

(4) تجزیه و تحلیل پیش‌بینی لینک اتریوم: برای ارزیابی اثربخشی چارچوب ما در کار پیش‌بینی پیوند اتریوم.

جمع آوری داده های اتریوم

برای جمع‌آوری داده‌ها، از نود‌های اتریوم برای جمع‌آوری تمام داده‌های تراکنش استفاده شده است. این پروسه 11 روز طول کشید تا داده‌ها را جمع آوری کند.[] همچنین برای بازیابی بلوک‌ها و استخراج اطلاعات تراکنش از هر بلوک و ذخیره اطلاعات استخراج شده در پایگاه داده PostgreSQL استفاده شده است. کل داده‌های تراکنش‌های اتریوم جمع آوری شده از «07-08-2015» تا «01-01-2019» شامل 189 میلیون تراکنش در 55 بلاک است.

تحلیل رفتار تراکنش اتریوم

داده‌های تراکنش‌ اتریوم استخراج شده، توسط روشی که در مقاله Muzammal و همکاران ذکر شده، پردازش شده است. یک شبکه ویژه تراکنش اتریوم (ETFN) ایجاد شده است که در آن رئوس نشان‌دهنده آدرس‌ها و یال‌ها نشان‌دهنده رابطه از نظر تراکنش بین رئوس هستند. به طور رسمی،ETFN یک گراف جهت دار نسبت داده شده است G = (V,E) که در آن V = {v1,v2,v3,...,vn} و E = {e1,e2,e3,...,em}. همچنین، e = (u,v,w) را تعریف می‌کنیم که در آن u و v نشان دهنده دو گره در V و w وزن لبه بین این دو گره است.

تجزیه و تحلیل ساختار انجمنی اتریوم

کاوش در ساختار انجمنی یک شبکه نقشی حیاتی در درک ساختار شبکه ایفا می‌کند. انجمن نشان‌دهنده مجموعه‌ای از افراد با علایق مشترک در یک شبکه است. به عنوان مثال، در یک شبکه تعامل پروتئین-پروتئین، پروتئین‌هایی که عملکرد مشترک دارند ممکن است متعلق به یک انجمن باشند. یک انجمن ممکن است ناحیه خاصی از مغز را نشان دهد که دارای اتصال نورون‌های متراکم در یک شبکه مغزی دارد. به طور مشابه، در یک شبکه تراکنش، یک انجمن نشان دهنده افرادی است که اغلب با یکدیگر تراکنش انجام می‌دهند. کاوش در انجمن یک شبکه تراکنش می‌تواند اطلاعات بالقوه و ارزشمند افراد را در مورد الگوهای تراکنش و شکاف‌های زمانی آنها آشکار کند (اگر شبکه متغیر زمانی باشد) (نیومن و گیروان، 2004؛ نیومن، 2006).

با توجه به کاربردهای متعدد در طیف گسترده‌ای از تنظیمات دنیای واقعی، تشخیص انجمن توجه ویژه جامعه پژوهشی، به ویژه الگوریتم تشخیص انجمن لووین را به خود جلب کرده است (Blondel et al., 2008). الگوریتم Louvain یک روش حریصانه مبتنی بر بهینه‌سازی معیار مدولاریته است که به طور گسترده برای شناسایی انجمن در شبکه‌های ارزهای دیجیتال، مانند بیت کوین استفاده شده است (رمی، ریم و متیو، 2017؛ ژانگ، وانگ و ژائو، 2020؛ گاوین و کرین، 2021). در حالی که شبکه بیت‌کوین تفاوت‌هایی با شبکه اتریوم دارد، منطقی است که از پروتکل‌های مشابهی که به طور گسترده برای تجزیه و تحلیل این شبکه‌های ارز دیجیتال استفاده می‌شود، پیروی کنیم.

مقدار مدولاریت بین [1،1-] است، جایی که بالاترین مقدار ساختار انجمن خوب را نشان می‌دهد و بالعکس. ارزش منفی به معنای عدم وجود ساختار جامعه در شبکه است. اگر همه رئوس به یک جامعه اختصاص داده شوند، مقدار به صفر نزدیک می شود.

الگوریتم Louvain مقدار مدولار بودن شبکه را بهینه می‌کند و از دو فاز تشکیل شده است. مرحله اول یک انجمن متفاوت را به هر گره اختصاص می‌دهد و سپس به طور جذابی هر گره را با انجمن همسایه خود ترکیب می‌کند و امتیاز مدولاریت را ارزیابی می‌کند. در صورت بهبود در نمره مدولاریت، گره‌ها در یک انجمن واحد ادغام می‌شوند. این روند تا زمانی تکرار می‌شود که هیچ افزایشی در نمره مدولاریت وجود نداشته باشد. در مرحله دوم، انجمن‌های فاز اول به یک گره فشرده می‌شوند که در آن لبه‌های داخلی به عنوان خود پیوند استفاده می‌شود و مرحله اول را تکرار می‌کند. هنگامی که هیچ پیشرفت دیگری یافت نشد، الگوریتم متوقف می‌شود و ساختار انجمن شناسایی شده را برمی‌گرداند. الگوریتم تشخیص جامعه Louvain یکی از الگوریتم‌های مقیاس‌پذیر با O(nlogn) است که n تعداد گره‌ها است.

پیش بینی لینک

به یاد بیاورید که شبکه EFTN از 2.7 میلیون گره و 4.6 میلیون یال تشکیل شده است. در تحقیق مشاهده کردیم که تعداد کمی از گره‌ها (کمتر از 10) دارای درجه‌های بزرگی هستند که نقش هاب‌ها را در شبکه بازی می‌کنند. بنابراین، برای جلوگیری از پراکندگی در ماتریس ویژگی‌های، اندازه را ثابت در نظر گرفته شده است و اگر درجه یک گره از 100 بیشتر باشد، یک درجه 100 اختصاص داده شده است. با توجه به محدودیت حافظه، دو شبکه مختلف ساخته شده است. 15 روز اول حدود 0.210 میلیون تراکنش را شامل می شود، در حالی که پنج روز باقی مانده 0.211 میلیون تراکنش دارد. دو شبکه G1 و G2 را جدا از این داده ها ساخته شده است. تعداد گره‌ها و یال‌ها در G1 به ترتیب 33989 و 53261 بود، در حالی که در G2 37175 گره و 56987 یال وجود داشت. توجه داشته باشید که داده‌ها به‌طور تصادفی در نظر گرفته شده است. با این حال، نویسندگان این مقاله معتقداند که تکه‌ای از داده‌ها در هر نقطه می‌تواند در نظر گرفته شود و نتایج مشابهی ایجاد کند. همچنین، هر دو شبکه را بدون جهت در نظر گرفته شده است، زیرا تراکنش را بین دو آدرس ساخته شده از هر طرف پیش‌بینی خواهند کرد. هر دو شبکه ساخته شده را در شکل 11 نشان داده شده است.

نتایج آزمایش

در این بخش مجموعه کاملی از تحلیل‌های مبتنی بر شبکه اتریوم را به شرح زیر ارائه می‌کنیم.

مشخصات آماری شبکه اتریوم

همانطور که در شکل ۱۲ نشان داده شده است، می‌توانیم متوجه شویم که اکثر آدرس ها (88 درصد) هر کدام با کمتر از 10 تراکنش مرتبط هستند. همچنین 39 آدرس به طور مکرر در شبکه استفاده می‌شود و با حداقل 50000 تراکنش همراه است. از سوی دیگر، 32 درصد از آدرس‌ها تنها یک بار در یک تراکنش شرکت می‌کنند. همچنین شش آدرس فعال در بیش از 1,000,000 (30%) تراکنش شرکت دارند. ما شش آدرس فعال را بررسی کردیم: ENS-Registrar، YoCoin، Bittrex_2، Acronis_Contract، Poloniex_1 وKraken_5 و متوجه شدیم که آدرس‌های قرارداد هستند.

به طور مشابه، 1،700،413 (49 درصد) تراکنش‌های پشتیبانی تنها یک بار در تاریخ دریافت شدند، به این نتیجه رسیدند که اکثر آنها می‌خواستند ناشناس باقی بمانند، زیرا آدرس‌های خود را پس از هر تراکنش تغییر می‌دادند. این مطالعه نشان داد که تعداد کل اترهای دریافتی از اکثر آدرس‌ها به سختی قابل توجه است.

همچنین توزیع اندازه تراکنش‌های شبکه نشان می‌دهد که در زمان‌های دیگر، بسیاری از تراکنش‌ها بسیار کوچک هستند و قابل توجه است که کمتر از 1 اتر توسط 53 درصد تراکنش‌ها دریافت شده است. به همین ترتیب، با در نظر گرفتن مقادیر متوسط، کمتر از 10 اتر توسط 88 درصد تراکنش‌ها دریافت شد. علاوه بر این، جدول زیر نشان می‌دهد که تنها 1788 تراکنش بیش از 50000 اتر دریافت کرده‌اند.

تحلیل رفتار تراکنش اتریوم

جریان تراکنش با تقسیم داده‌ها به دو فاز، روابط ورودی و خروجی از گره، تجزیه و تحلیل شده است. از آنجایی که شبکه در طول زمان رشد می‌کند، ما نیز علاقه‌مند به اندازه‌گیری رشد شبکه هستیم. شکل ۱۳ نشان می دهد که شبکه اتریوم با گذشت زمان در حال تغییر است. خط برابری با استفاده از خط زرد نشان داده شده است. اگر خطوط دیگر به آن نزدیک شوند، این بدان معناست که سیستم به سمت برابری حرکت می‌کند.

نتیجه گیری بر روی شبکه اتریوم با رویکرد شبکه پیچیده

در این مقاله، ما یک تحلیل دقیق از شبکه اتریوم بر روی رفتار تراکنش، ساختار جامعه و چارچوب پیش‌بینی پیوند (DANET) برای ردیابی تکامل داده‌های تراکنش‌های اتریوم از دیدگاه تجزیه و تحلیل گراف پیشنهاد کردیم. همچنین، توزیع ثروت بر روی اتریوم را از نظر درجه شبکه بررسی کردیم و ساختار جامعه شبکه را با نشان دادن اطلاعات هیجان انگیز بررسی کردیم. با بررسی این نمودارها از طریق چندین معیار، مشاهدات و بینش های جدیدی به دست می آوریم که می تواند به درک شبکه اتریوم کمک کند.

مراجع

[1] Li, P., Li, K., Wang, Y., Zheng, Y., Wang, D., Yang, G., & Yu, X. (2022). A systematic mapping study for blockchain based on complex network. Concurrency and Computation: Practice and Experience, 34.

[2] Tao, B., Dai, H., Wu, J., Ho, I.W., Zheng, Z., & Cheang, C. (2022). Complex Network Analysis of the Bitcoin Transaction Network. IEEE Transactions on Circuits and Systems II: Express Briefs, 69, 1009-1013.

[3] Ferretti, Stefano & D'Angelo, Gabriele. (2019). On the Ethereum blockchain structure: A complex networks theory perspective. Concurrency and Computation: Practice and Experience. 32. 10.1002/cpe.5493.

[4] Muzammal Z, Janjua MU, Abbas W, Sher F. 2019. Wealth distribution and link predictability in ethereum. In: IEEE/WIC/ACM international conference on web intelligence-companion Volume. New York: ACM, 184–19.

[5] Said A, Janjua MU, Hassan S, Muzammal Z, Saleem T, Thaipisutikul T, Tuarob S, Nawaz R. 2021. Detailed analysis of Ethereum network on transaction behavior, community structure and link prediction. PeerJ Computer Science 7:e815.

[6] Chan W, Olmsted A. 2017. Ethereum transaction graph analysis. In: 2017 12th international conference for internet technology and secured transactions (ICITST). Piscataway: IEEE, 498–500.

[7] Gencer AE, Basu S, Eyal I, van Renesse R, Sirer EG. 2018. Decentralization in Bitcoin and Ethereum Networks. CoRR. ArXiv preprint. arXiv:1801.03998.

[8] Farrugia S, Ellul J, Azzopardi G. 2020. Detection of illicit accounts over the Ethereum blockchain. Expert Systems with Applications 150:113318 DOI 10.1016/j.eswa.2020.113318

[9] Li Y, Islambekov U, Akcora C, Smirnova E, Gel YR, Kantarcioglu M. 2020. Dissecting ethereum blockchain analytics: what we learn from topology and geometry of the ethereum graph? In: Proceedings of the 2020 SIAM international conference on data mining. Philadelphia: SIAM, 523–531.

«این مطلب، بخشی از تمرینهای درس شبکه‌های پیچیده پویا در دانشگاه شهیدبهشتی است»