آیا با دوستان خود تجارت می کنید یا با شرکای تجاری خود دوست می شوید؟یک مطالعه موردی در ( breve 1 ) cryptocurrency

ما تعامل بین روابط اجتماعی و معاملات مالی انجام شده از طریق یک رمزنگاری اخیر به نام ( breve 1 ) را مطالعه می کنیم. این ویژگی در ترکیب رکورد معامله معمول با یک شبکه قابل اعتماد از کاربران شناسایی شده است. این فرصتی را می دهد تا دقیقاً چه کسی پولی را که از طریق یک شبکه اجتماعی برای آنها ارسال کرده است ، مشاهده کند. این شبکه اجتماعی یک قطعه اصلی از این رمزنگاری است ، بنابراین تلاش زیادی را برای اطمینان از این که گره ها با کاربران انسانی واقعی و بی نظیر و زندگی واقعی زندگی می کنند ، فقط در صورتی که حداقل یک بار در دنیای واقعی با هم ملاقات کنند ، به هم پیوند می دهند. با استفاده از این داده ها ، ما بررسی می کنیم که چگونه روابط اجتماعی بر ساختار معاملات و برعکس تأثیر می گذارد. ما نشان می دهیم که کاربران تقریباً با افرادی که در شبکه اجتماعی با آنها در ارتباط هستند ، معاملات انجام می دهند. درعوض ، آنها تمایل به ایجاد ارتباطات اجتماعی با افرادی دارند که هرگز با آنها معاملات نمی کنند.

معرفی

هنگام دیدن دو دوست از یکدیگر ، چه کسی می تواند بگوید که آیا آنها دوست هستند زیرا مرتباً یکدیگر را دعوت می کنند ، یا اینکه به دلیل دوست بودن به طور مرتب یکدیگر را دعوت می کنند؟چنین سؤالاتی در سیستمهایی که تعامل در یک شبکه اجتماعی رخ می دهد متداول است. بدیهی است ، تعامل ها به طور ترجیحی بین افراد مرتبط با اجتماعی اتفاق می افتد ، اما روابط جدید نیز از طریق تعامل ایجاد می شود یا تقویت می شود. درک مکانیسم های هدایت تکامل این سیستم ها یک زمینه فعال تحقیق است.

بیشتر اوقات ، شبکه اجتماعی ناشناخته است و فقط می توان با استفاده از انواع مختلف سنسورها ، تعامل را با گذشت زمان ثبت کرد. در چنین تنظیماتی ، یک مشکل کلاسیک شامل استنباط شبکه از اثری از تعامل است. با توسعه GPS و دستگاه های مجهز به بلوتوث مانند تلفن های هوشمند ، داده های تعامل بیشتر و بیشتر در دسترس قرار می گیرند و نیاز به طراحی الگوریتم های کارآمد برای استنباط روابط اساسی بین نهادها وجود دارد. از طرف دیگر ، ممکن است فرد نیز مشکل مخالف را که شبکه شناخته شده است مطالعه کند و فرد مایل به استنباط تعامل مرتبط است. حل این نوع مشکلات کاربردهای مختلفی از شبیه سازی Trafic تا تشخیص ناهنجاری دارد. با این وجود ، حل این مشکلات دشوار است و حتی مطالعه به دلیل عدم وجود منابع داده مناسب نیز دشوار است. ما معتقدیم که درک بهتر مکانیسم های اساسی در بازی در چنین سیستمهای پیچیده یک گام مفید در این خط کار است.

در این مقاله ، ما به این ترتیب تعامل بین روابط اجتماعی و معاملات مالی را با استفاده از داده های واقعی از یک رمزنگاری خاص بررسی می کنیم. به طور مشابه با دوستانی که از یکدیگر دعوت می کنند ، می خواهیم درک کنیم که آیا معاملات بین افرادی که قبلاً از نظر اجتماعی در ارتباط بوده اند اتفاق می افتد یا اینکه افراد کراوات جدیدی می سازند زیرا در معاملات منظم شرکت می کنند. مطالعه این سؤالات غالباً چالش برانگیز است زیرا معاملات مالی اغلب به عنوان داده های حساس در نظر گرفته می شوند و بندرت عمومی می شوند. حتی وقتی آنها هستند ، تعامل ناشناس است.

در سال 2008 ، فناوری blockchain (Nakamoto 2009) درهای ارزهای مجازی جدیدی را که به یک مقام مرکزی متکی نیست ، باز کرد. معاملات در یک دفترچه توزیع شده عمومی نوشته شده است ، به گونه ای که هر کسی می تواند لیست کامل معاملات را بدست آورد. از آن زمان ، تعداد و تنوع برنامه های متکی به blockchain به طور مداوم در حال رشد بوده است (السقاف و سییدلر 2017 ؛ هیلمن و راوچس 2017). اگرچه بیت کوین هنوز یک رمزنگاری معیار است (Hileman and Rauchs 2017 ؛ Gohwong 2018) ، بسیاری از ارزهای جدید با تکیه بر انواع مختلف blockchains از آن زمان معرفی شده اند (Gohwong 2018). بیشتر آنها (تا حدی) ناشناس بودن به اشخاصی که معاملات انجام می دهند ارائه می دهد. در واقع ، کاربران این سیستم ها اغلب هنگام ایجاد یک معامله جدید ، به ایجاد آدرس جدید تشویق می شوند ، و ارتباط کاربران را ایجاد می کنند و به خودی خود به مشکل می پردازند (Meiklejohn et al. 2013 ؛ Remy et al. 2018). برخی از اکتشافات برای مقابله با این چالش پیشنهاد شده است اما آنها بیشتر برای کاربران بزرگ کار می کنند و ارزیابی آنها دشوار است. علاوه بر این ، حتی اگر کاربران به درستی شناسایی شوند ، زیربنای روابط اجتماعی ناشناخته باقی می ماند.

( breve 1 ) (BL و همکاران 2017) cryptocurrency تحت مطالعه در این مقاله به روابط اجتماعی صریح برای تقویت استحکام سیستم متکی است. این شبکه دقیق از کاربران شناسایی شده با پیوندهای اجتماعی قابل اعتماد را حفظ می کند و از آن برای رشد پولی استفاده می کند. این یک فرصت منحصر به فرد برای مطالعه تعامل بین معاملات مالی و روابط اجتماعی بین انسانهای یک جامعه خاص است.

کار مرتبط

استنباط روابط از تعامل

آثار علمی در مقابله با مشکل کلی استنباط شبکه ای از روابط اجتماعی از دنباله ای از تعامل ، دامنه های مختلفی از جامعه شناسی گرفته تا علوم کامپیوتر است. با افزایش در دسترس بودن داده های Geotagged به دلیل محبوبیت تلفن های هوشمند و سایر دستگاه های مجهز به GPS ، بخش بزرگی از این مطالعات بر استنباط پیوندهای اجتماعی از آثار تحرک متمرکز است. در واقع ، شبکه های اجتماعی در جغرافیا تعبیه شده اند به گونه ای که معمولاً فرض می شود که احتمال تعامل با نزدیکی فیزیکی افزایش می یابد. به عنوان مثال ، نویسندگان Toole و همکاران.(2015) برای کشف تعامل بین تحرک و روابط اجتماعی ، از یک رکورد جزئیات تماس (CDR) استفاده کنید ، در حالی که نویسندگان Xu و همکاران.(2019) برای ساخت شبکه اجتماعی دانش آموزان به معاملات انجام شده از طریق کارتهای شناسایی دانشجویی متکی است.

کاملاً مشهور است که تمام روابط اجتماعی معادل نیستند (Bapna و همکاران 2017 ؛ شیانگ و همکاران 2010). در واقع ، آنها می توانند ، از جمله چیزهای دیگر ، از ماهیت متفاوتی برخوردار باشند و از قدرت متفاوتی برخوردار باشند. قادر به استنباط روابط اجتماعی نه تنها از تعامل ، بلکه کمیت ماهیت و قدرت آنها یک چالش اساسی در این خط کار است. در این راستا ، نویسندگان Gelardi و همکاران.(2019) تعامل در گروهی از بابون ها را که در آن نزدیکی و نظافت را به عنوان فعالیت های محدود مشاهده می کنند ، مطالعه کنید. به همین ترتیب ، نویسندگان کوبایاشی و همکاران.(2019) روشی را برای فیلتر کردن روابط قوی از شبکه های زمانی تعامل ارائه می دهد. روش آنها برای هر جفت گره توزیع تعداد تعامل آنها در یک مدل تهی بر اساس فعالیت های گره محاسبه می کند. بنابراین جفت های قابل توجهی از گره ها به عنوان آنهایی که تعدادی از فعل و انفعالات دارند تعریف می شوند که توسط مدل تهی قابل توضیح نیست.

مطالعات کمی متفاوت با هدف پیش بینی پیوندهای از دست رفته شبکه از پیوندهای شناخته شده یا سایر ویژگی های خارجی است. به عنوان مثال ، نویسندگان کراندال و همکاران.(2010) از مجاورت ، در فضا و زمان ، عکسهای با برچسب Geo از طریق شبکه اجتماعی فلیکر استفاده کنید تا احتمال پیوند اجتماعی بین کاربران را استنباط کنید. این مقاله نشان می دهد که با افزایش تعداد تعدادی از همبستگی ها ، این احتمال با سفارشات بزرگی افزایش می یابد. با تمرکز بر روی ویژگی های توپولوژیکی ، نویسندگان Hristova و همکاران.(2016) اثر ترکیبی چندین شبکه اجتماعی را برای پیش بینی پیوند کشف کنید. به طور دقیق تر ، آنها روابط اجتماعی را به عنوان یک شبکه چند برابر نشان می دهند که در آن هر لایه یک بستر اجتماعی خاص را نشان می دهد ، و آنها نشان می دهند که چگونه می توان از این اطلاعات اضافی برای بهبود پیش بینی پیوند استفاده کرد.

در Khosravi و همکاران.(2013) ، نویسندگان پیش بینی قدرت پیوند را در یک شبکه اجتماعی مبتنی بر معاملات اجتماعی (لایک ، نظرات و غیره) بررسی می کنند. آنها نوع جدیدی از مدل فاکتور سازی چند ماتریس را برای ترکیب ماتریس معامله بین کاربران پیشنهاد می کنند و روش خود را در CLOOB (CLOOB) ، یک شبکه اجتماعی محبوب ایرانی که کاربران می توانند روابط دوستی خود را ارزیابی کنند ، آزمایش می کنند.

استنباط تعامل از روابط

اگر استنباط شبکه روابط (یا پیوندهای گمشده این شبکه) از ردپای تعاملات اغلب مورد مطالعه قرار گیرد، مسئله معکوس شبیه سازی ردپای تعاملات از شبکه نیز یک حوزه جالب تحقیق است. در Barrat et al.(2013) برای مثال، نویسندگان روشی را برای تولید شبکه های دینامیکی از هر گراف جهت دار وزنی پیشنهاد می کنند. این نمودار به عنوان تجمع مسیرها بین گره های آن در نظر گرفته می شود و روش پیشنهادی این مسیرها را با استفاده از پیاده روی تصادفی با طول های متغیر باز می کند. نویسندگان نشان می دهند که رویکرد آنها قادر به ایجاد شبکه های پویا با رفتارهای انفجاری، تکراری یا مرتبط است.

مورد تراکنش های مالی

کارهای پیشگامی که هم ماهیت و قوت پیوندهای اجتماعی را مطالعه می کنند و هم نحوه انجام معاملات را می توان در علوم اجتماعی یافت. برای مثال، در Zelizer (1996)، نویسندگان پیشنهاد می کنند که پرداخت ها را به سه دسته تقسیم کنند: هدایا، استحقاق، و غرامت، و نشان می دهند که هر دسته با مجموعه خاصی از روابط اجتماعی و نظام معانی مطابقت دارد.

اخیراً، نویسندگان Martens و Provost (2011) از سوابق تراکنش های واقعی اما ناشناس استفاده می کنند تا شبکه شبه اجتماعی از کاربران را استنباط کنند که در آن دو کاربر در صورت انتقال پول به یک موجودیت واحد به هم متصل هستند. سپس از این شبکه شبه اجتماعی برای هدف گیری اجتماعی استفاده می کنند و عملکرد بهتری نسبت به مدل های سنتی به دست می آورند.

به بهترین دانش ما ، هیچ کار قبلی در مورد معاملات مالی و تعاملات اجتماعی به طور همزمان از یک منبع داده قابل اعتماد ، حتی در تنظیمات خاص ، وجود ندارد. توسعه اخیر ارزهای رمزپایه ایجاد فرصت های جدیدی برای این نوع مطالعات است. برخلاف معاملات متکی به روشهای پرداخت معمول ، معاملات مبتنی بر blockchain عمومی هستند و تا زمانی که خود blockchain عمومی باشد ، می تواند آزادانه مورد تجزیه و تحلیل قرار گیرد. در Kondor و همکاران.(به عنوان مثال ، 2014) نویسندگان معاملات را از blockchain بیت کوین استخراج کرده و شبکه معاملات را می سازند. آنها یک تجزیه و تحلیل مبتنی بر نمودار از این شبکه ارائه می دهند و نشان می دهند که دلبستگی ترجیحی خطی باعث رشد آن می شود. در Popuri and Gunes (2016) نویسندگان شبکه معاملات بیت کوین و Litecoin را مطالعه می کنند ، در حالی که نویسندگان Maesa و همکاران.(2019) به تازگی ساختار نمودار کاربران بیت کوین را مورد مطالعه قرار داده است ، و یک کراوات مانند ساختار بین اجزای آن را نشان می دهد. در کیم و همکاران.(2016) ، نویسندگان نظرات کاربران را در جوامع آنلاین بیت کوین ، اتریوم و ریپل برای پیش بینی قیمت و تعداد معاملات در این ارزهای رمزنگاری مورد تجزیه و تحلیل قرار دادند.

محدودیت اصلی غالباً این است که ، در بیشتر این سیستم ها ، بیشتر کلیدهای عمومی فقط یک بار مورد استفاده قرار می گیرند به گونه ای که هیچ روش واضحی برای پیوند دادن کاربران واقعی به مجموعه کلیدهایی که برای انجام معاملات استفاده می کردند وجود ندارد (Meiklejohn et al. 2013 ؛ Remy etAl. 2018). علاوه بر این ، حتی اگر کاربران به درستی شناسایی شوند ، زیربنای روابط اجتماعی ناشناخته باقی می ماند.

سهم ما

در این مقاله ، ما یک رمزنگاری خاص را مطالعه می کنیم که هم ضبط معاملات و هم مرزهای اجتماعی بین انسانهای مشخص را ارائه می دهد. این بدان معنی است که ما دقیقاً می دانیم چه کسی پول به چه کسی ارسال کرده است و چه موقع. هدف اصلی ما درک تعامل بین این معاملات و روابط اجتماعی بین کاربران است.

به طور دقیق تر ، ما ابتدا بررسی می کنیم که آیا کاربران قبل از ایجاد کراوات شروع به انجام معاملات می کنند یا اینکه تمایل دارند با افرادی که قبلاً با آنها دوست هستند ، معاملات انجام دهند. در ادامه ، ما ساختارهای مختلف محله و تکامل آنها را با گذشت زمان مطالعه می کنیم. ما با سؤالاتی مانند: آیا شرکای معامله من همانند دوستانم هستند؟دوستان من در مقایسه با شرکای معامله من چگونه بین آنها مبادله می کنند؟آیا دوستان و شرکای معامله من با گذشت زمان بیشتر و بیشتر همگن هستند؟

همانطور که در بخش "Dataset and Link Modeling Stream" خواهیم دید ، اگرچه داده ها در نگاه اول بسیار ساده هستند ، مدل سازی مناسب تعامل چالش برانگیز است و هیچ رویکردی منحصر به فرد و معمولاً پذیرفته شده وجود ندارد. ما در اینجا مدل Link Stream Link اخیراً معرفی شده است ، که هم ماهیت زمانی و هم ساختاری داده ها را ضبط می کند (Latapy et al. 2017 ؛ Latapy et al. 2019). ما تجزیه و تحلیل خود را با معیارهای اساسی شروع می کنیم و سؤالات فوق را نشان می دهیم و مفاهیم جریان پیوند را همانطور که در تجزیه و تحلیل به آنها احتیاج داریم تعریف می کنیم.

بنابراین ، سهم ما دو برابر است: این مدل سازی از داده هایی را ارائه می دهد که شامل زمان و ساختار است و در سیستم ( breve 1 ) سؤالات اساسی را در مورد تعامل بین معاملات و روابط اجتماعی قرار می دهد. این بینش ها برای پیشرفت در چندین زمینه ، مانند استنباط شبکه های اجتماعی از آثار تعامل ، مهم هستند.

این مقاله به شرح زیر سازماندهی شده است. بخش " ( breve 1 ) cryptocurrency" cryptocurrency ( breve 1 ) را معرفی می کند و ایده ها و مکانیسم های اصلی در پشت آن را توضیح می دهد. در بخش "DataSet and Link Modeling Stream" ، ما مجموعه داده را تحت مطالعه ارائه می دهیم و نشان می دهیم که چگونه Link Links تعامل مدل از این مجموعه داده است. در بخش "نمای کلی صدور گواهینامه و معاملات معاملات" ، ما از سری های زمانی و مفاهیم نمودار استاتیک استفاده می کنیم تا اولین بینش در مورد ساختار جهانی و پویایی سیستم را ارائه دهیم. در "چگونه گواهینامه ها و معاملات جدید بین اعضا ظاهر می شوند؟"بخش ما زمان و ساختار را در کنار هم در نظر می گیریم اما برای درک تعامل بین روابط اجتماعی و معاملات در یک سطح پیوند اساسی قرار می گیریم. سرانجام ، در بخش "محلات گواهینامه ها و معاملات" از مفاهیم پیچیده تر جریان استفاده می کنیم تا زمان و ساختار را با هم مخلوط کنیم تا بتوانیم این تعامل بیشتر را بررسی کنیم.

cryptocurrency ( breve 1 )

( breve 1 ) (BL و همکاران 2017) در مارس 2017 در فرانسه معرفی شد و به دو نوع حساب متکی است: حسابهای عضو و ناشناس. هر دو نوع با یک جفت کلیدهای رمزنگاری مرتبط هستند که آنها را قادر به انجام معاملات می کند. در ادامه ، ما مجموعه ای از حساب های درگیر در ( breve 1 ) و توسط m ⊆ v زیر مجموعه حساب های عضو را نشان می دهیم. بنابراین ، مجموعه a = v ∖ m حاوی تمام حساب های ناشناس است. طرح برتر شکل 1 نشان می دهد که چگونه تعداد کل حساب های ناشناس و عضو از زمان ایجاد ارز در مارس 2017 تکامل یافته است. در زمانی که ما Blockchain را بارگیری کردیم ، در آوریل 2019 ، 3872 حساب وجود داشت که از جمله آنها 2128 حساب عضو.

رشد سیستم. بالا - تکامل تعداد کلیدهای عمومی (| V | ، منحنی قرمز) و اعضای (| M | ، منحنی آبی) از زمان ایجاد ارز در مارس 2017. پایین - تکامل تعداد گواهینامه ها (منحنی زرد) ، معاملات (معاملات ()منحنی قرمز) و معاملات بین اعضا (منحنی آبی)

در حالی که هیچ کنترلی بر مالکیت حساب های ناشناس وجود ندارد ، شناسایی اشخاص در پشت حساب های عضو یک نگرانی اساسی است. در واقع ، ضروری است که یک حساب عضو فقط به یک انسان واقعی و زنده تعلق داشته باشد ، به این معنی که موسساتی مانند شرکت ها یا خدمات باید به حساب های ناشناس منظم اعتماد کنند. این محدودیت با مکانیسم رشد پولی که در داخل ( breve 1 ) اجرا می شود مرتبط است: هر روز توده پولی افزایش می یابد و واحدهای جدید ارز در سیستم تزریق می شود. این واحدهای جدید به طور مساوی بین اعضا توزیع می شوند به گونه ای که هر یک از اعضا دقیقاً یک سهم از رشد پولی را دریافت می کنند.

این مبلغ پولی که اعضا هر روز دریافت می کنند ، سود سهام جهانی نامیده می شود و در ادامه توسط UD مشخص می شود. نرخ رشد توده پولی به تعداد اعضا بستگی دارد |م |در سیستم و هر شش ماه در اجرای فعلی به روز می شود (BL و همکاران 2017). هدف از این مکانیسم تورم دو برابر است: اول ، تضمین می کند که همه اعضای یک نسل معین از نظر ایجاد ارز برابر هستند. دوم ، این تضمین می کند که ارزش نسبی یک سود سهام با گذشت زمان ثابت است و هیچ نسلی از دیگر خود با ایجاد ارز ممتاز نیست. این دو مفهوم در Laborde () به عنوان تقارن مکانی و زمانی یک ارز تهیه شده است ، و ( breve 1 ) ، به بهترین دانش ما ، اولین رمزنگاری که آنها را اجرا می کند.

به راحتی می توان فهمید که بیشتر ارزها ، مستقل از استفاده از آنها از blockchain ، این قوانین را اجرا نمی کنند: برخی از افراد با هزینه دیگران از ایجاد پولی بهره مند می شوند (Kondor et al. 2014 ؛ Rose 2015). با ارزهای فیات ، ایجاد واحدهای جدید غالباً یک حریم خصوصی است که به ایالت ها و بانک ها داده می شود و برای اکثر شهروندان مبهم است. یکی از اهداف اصلی Laborde () نشان دادن این است که یک ارز می تواند هدف خود را برای فعال کردن معاملات کالاها انجام دهد ، ضمن حفظ انصاف و عدالت از نظر ایجاد پولی.

به منظور شناسایی اعضای آن ، ( breve 1 ) یک شبکه اعتماد (WOT) را بین آنها حفظ می کند. پیوندی از شخص A ∈ M به شخص B ∈ M در WOT صدور گواهینامه نامیده می شود و به این معنی است که یک تأیید می کند که B یک انسان زنده واقعی است و هیچ حساب عضو دیگری ندارد: ( Nexists B ' in M ، هویت (b ') = هویت (b) ). اعضای سیستم که مایل به شرکت در فرآیند ایجاد ارز هستند ، باید گواهینامه های کافی را در همه زمان ها نگه دارند و مجوز را امضا کنند که در آن متعهد می شوند فقط به افرادی که می شناسند و به آنها اعتماد دارند ، گواهی دهند.

هنگامی که یک پیوند اجتماعی از قبل بین دو نفر وجود داشته باشد، یک گواهی را می توان به عنوان طرحی از این محدودیت در نظر گرفت، به این معنی که همه روابط ممکن (خانواده، کار، دوستان. برای دو نفر که از قبل همدیگر را نمی شناسند، این پیوندها باید ایجاد شوند که بیشتر اوقات شامل جلسات زندگی واقعی است. انجمن (x08reve 1) رویدادهای اجتماعی محلی منظمی را برای تسهیل ساخت این پیوندها سازماندهی می کند. بنابراین، یک نمودار گواهی، یعنی یک شبکه اعتماد، ساده سازی شبکه اجتماعی واقعی است که در آن انواع مختلفی از روابط مشترک در یک نوع کران کدگذاری می شوند. علی رغم این ساده سازی، یک پیوند گواهی تنها بین انسان هایی وجود دارد که حداقل یک بار در زندگی واقعی یکدیگر را ملاقات کرده اند، که ممکن است بیش از آن چیزی باشد که در سایر شبکه های اجتماعی آنلاین انتظار می رود. بنابراین، ما در این مقاله فرض می کنیم که پیوندهای گواهی به طور دقیق پیوندهای اجتماعی را به اندازه کافی قوی نشان می دهند که اعتماد بین اعضا را نشان دهد. علاوه بر این، گواهینامه ها منقضی می شوند و باید تمدید شوند، به این معنی که اعضا انگیزه ای برای ایجاد ارتباطات جدید به منظور اطمینان از وضعیت خود دارند. علاوه بر این، ایجاد ارتباطات جدید بین اعضا راهی برای تقویت وب اعتماد و محافظت از سیستم در برابر حملات سیبیل است. نمودار پایین شکل 1 تکامل تعداد گواهینامه ها را در WoT نشان می دهد که تا 19049 گواهینامه برای 2128 عضو در آوریل 2019 افزایش می یابد.

معاملات می تواند بین هر نوع حساب ، اعضا یا ناشناس انجام شود. هیچ نرخ معامله وجود ندارد و تنها راه های کسب واحدهای ارزی یا دریافت آنها از شخصی است که قبلاً سکه دارد (با فروش یک مورد یا یک سرویس به عنوان مثال) ، یا عضویت و کسب سود سهام جهانی روزانه. طرح پایین شکل 1 ، تکامل تعداد کلی معاملات موجود در سیستم و معاملات بین اعضا را نشان می دهد. در آوریل 2019 ، 38296 معاملات در blockchain انجام شده است که از این میان 11345 بین اعضا رخ داده است. معاملات در blockchain توسط معدنچیان علیه مجازات نوشته شده است. تفاوت زیادی با سایر ارزهای رمزنگاری شده مانند بیت کوین در این است که بازپرداختهای ماینر از کمکهای مالی ناشی می شوند و نه از روند معدن خود. در واقع ، ایجاد پول توسط خود اعضای از طریق سود سهام جهانی انجام می شود و هیچ ارتباطی با معدن ندارد. به منظور جبران معدنچیان برای کارهای داوطلبانه خود ، یک حساب ویژه در ( breve 1 ) به نام Remuniter وجود دارد که کمک های مالی دریافت می کند و از آنها برای تبلیغ معدنچیان استفاده می کند.

مدل سازی مجموعه داده و پیوند

تمام داده هایی که در اینجا در نظر می گیریم از blockchain ( breve 1 ) استخراج می شود ، که در دسترس عموم است (G1 Blockchain Explorer). این شامل سه بخش اصلی اطلاعات است: هویت ، گواهینامه ها و معاملات. یک هویت یک کلید عمومی به یک نام کاربری می کند.

تعریف 1

.

تعریف 2

(معامله) یک معامله یک پیوند وزنی جهت دار بین دو کلید عمومی (عضو یا نه) u ∈ V و V ∈ V است و می تواند به عنوان A (T ، U ، V ، A) Quadruplet ارائه شود ، به این معنی که موجودیت شما ارسال می کندمبلغ A را به Entity V در زمان t.

این داده ها دارای مؤلفه های ساختاری و زمانی هستند که تجزیه و تحلیل آن را از نظر بی اهمیت دور می کند. روشهای کلاسیک مانند نمودارهای استاتیک یا سری زمانی داده ها را ساده می کند و اطلاعات در این فرآیند از بین می روند. در این مقاله ، ما از جریان های پیوند استفاده می کنیم ، که به طور دقیق در Latapy و همکاران معرفی شده اند.(2017) و Latapy و همکاران.(2019). در زیر ، ما یادداشت های اصلی جریان پیوند را ارائه می دهیم و برای جزئیات بیشتر خواننده علاقه مند را به این مقالات ارجاع می دهیم.

جریانهای لینک

تعریف 3

. پیوندهاداشتن (t ، u ، v) ∈ E به این معنی است که شما در زمان t به v مرتبط است.

شکل 2 نمونه ای را با چهار گره A ، B ، C و D نشان می دهد (برچسب های گره بر روی محور y) در یک دوره زمانی که از t = 0 تا t = 6 نشان داده می شود (زمان در محور x نشان داده شده است)بشرهر تعامل (t ، u ، v) به عنوان یک فلش که از خط افقی متناسب با گره U به یکی از گره های V در زمان t می رود ، نشان داده شده است. به عنوان مثال ، تعامل (2 ، B ، A) به عنوان فلش بین A و B در زمان t = 2 ظاهر می شود.

از آنجا که جریان های پیوند هم زمان و هم ساختار را رمزگذاری می کنند ، طبیعی است که نمودار ناشی از یک جریان و فعالیت یک جریان را تعریف کنید:

تعریف 4

(نمودار ناشی از یک جریان) نمودار ناشی از یک جریان پیوند مستقیم L = (T ، V ، E) (G Left (L Right) = Left (V ، Overline RIGHT) ) است که در آناگر حداقل یک بار در L تعامل داشته باشند ، دو گره در ارتباط هستند ، یعنی ( overline = سمت چپ < left (u,v ight), exists left (t,u,v ight) in E ight >) .

تعریف 5

(فعالیت یک جریان) فعالیت یک جریان پیوند L = (T ، V ، E) به عنوان تعداد پیوندهای فعال به عنوان تابعی از زمان تعریف می شود ، یعنی a_سعادت(t) = |<( u , v ), ( t , u , v ) ∈ E >|.

گواهینامه ها و معاملات مدل سازی با استفاده از جریان های پیوند

تعریف 6

(جریان صدور گواهینامه ( Mathcal )) ما توسط ( mathcal = سمت چپ (T_<mathcal >، م ، e_<mathcal > راست) ) جریان گواهینامه ها بین اعضا:

(t_<mathcal >= سمت چپ [1488987127 ، 1555054577 RIGHT] SUBETEQ MATHBB ) فاصله زمانی است که از اولین گواهینامه (در 2017-03-08 15:32:07) به آخرین مورد در نظر گرفته شده در این مطالعه می رود (در 2019-04-12 07:36:17)

(e_<mathcal >) مجموعه پیوندهای صدور گواهینامه است: ( سمت چپ (t ، u ، v راست) in e_<mathcal >) اگر شما V را در زمان t تأیید کنید (به تعریف 1 مراجعه کنید).

تعریف 7

(جریان معامله ( Mathcal )) ما توسط ( Mathcal = سمت چپ (T_<mathcal >، v ، e_<mathcal > راست) ) جریان معاملات:

(t_<mathcal >= سمت چپ [1488990898 ، 1555052722 RIGHT] SUBETEQ MATHBB ) فاصله زمانی است که از اولین معامله (در 2017-03-08 16:34:58) به آخرین معامله در نظر گرفته شده در این مطالعه می رود (در 2019-04-12 07:05:22)

(e_<mathcal >) مجموعه پیوندهای معامله است: ( سمت چپ (t ، u ، v راست) in e_<mathcal >) اگر در Time T پرداختی به V ارسال کردید (به تعریف 2 مراجعه کنید).

توجه داشته باشید که (mathcal ) روی مجموعه گره V تعریف شده است و شامل تراکنش های بین اعضا و حساب های ناشناس است. می توانیم جریان فرعی القا شده توسط مجموعه ای از گره ها را به عنوان جریان پیوندهای بین این گره ها تعریف کنیم (برای جزئیات بیشتر به Latapy و همکاران (2017) مراجعه کنید). بنابراین تراکنش ها می توانند بین حساب های عضو (عناصر M ⊆ V)، بین حساب های ناشناس (عناصر A ⊆ V)، یا بین حساب های عضو و ناشناس انجام شوند. بنابراین، ( mathcal ) را به چهار زیرجریان مجزا تقسیم می کنیم: ( mathcal _ ) که همه تراکنش های بین حساب های اعضا را نگه می دارد، ( mathcal _ ) که همه تراکنش ها را از یک حساب عضو به یک حساب ناشناس نگه می دارد.(mathcal _ ) که همه تراکنش ها را از یک حساب ناشناس به یک حساب عضو نگه می دارد و (mathcal _ ) که تراکنش های بین حساب های ناشناس را نگه می دارد، به طوری که ( mathcal = mathcal _ cup mathcal _ cup mathcal _ cup mathcal _ ) .

شکل 3 تقسیم مجدد معاملات بین این چهار زیرجری و همچنین تقسیم مجدد آنها را بر حسب کل حجم مبادله شده نشان می دهد. همانطور که مشاهده می شود، تراکنش های بین حساب های عضو (یعنی متعلق به (mathcal _ )) تنها 30٪ از (mathcal ) را نشان می دهد در حالی که تراکنش بین یک حساب ناشناس و یک حساب عضو (یعنی متعلق به (mathcal است. _ ) ) تقریباً 45٪ از ( mathcal ) و فقط 12. 4٪ از نظر پول مبادله شده را نشان می دهد، به این معنی که بسیاری از تراکنش های کوچک از حساب های ناشناس تا حساب های عضو وجود دارد. دلیلی برای این عدم تقارن به نحوه بازپرداخت ماینرها در (x08reve 1) مرتبط است. به یاد بیاورید که خلق پول توسط خود اعضا انجام می شود و ربطی به ماینینگ ندارد، به طوری که ماینرها با طراحی به صورت رایگان کار را انجام می دهند. برای جبران این کار داوطلبانه ماینرها، یک حساب کاربری ناشناس ویژه در (x08reve 1) به نام Remuniter وجود دارد که کمک های مالی را دریافت می کند و از آنها برای تلافی ماینرها استفاده می کند. بنابراین این حساب خاص یک مرکز بزرگ در (mathcal ) است و تقریباً 40٪ از کل تراکنش ها را تشکیل می دهد.

جریان معامله ( Mathcal ) را می توان در چهار زیر استری تقسیم کرد: معاملات بین حساب های عضو ( Mathcal _ ) ، بین حساب های عضو و ناشناس ( Mathcal _ ) ، بین حساب های ناشناس و عضو ( Mathcalal_ ) ، و بین حساب های ناشناس ( mathcal _ ). سمت چپ - بازپرداخت معاملات بین زیر استریم های مختلف معامله. سمت راست - بازپرداخت مبالغ مبادله شده بین زیر استریم های مختلف معامله. توجه کنید که ، اگرچه ( Mathcal _ ) از نظر تعداد معاملات حدود 45 ٪ از ( Mathcal ) را نشان می دهد ، اما فقط 12. 4 ٪ از حجم مبادله شده را اضافه می کند

مشاهده 1

تقریباً 40 ٪ از کل معاملات مربوط به مجازات معدنچی است.

حذف کلیه معاملات مربوط به Remuniter ، بازپرداخت تعداد معامله را تغییر می دهد: 49. 2 ٪ برای ( Mathcal _ ) ، 28. 4 ٪ برای ( Mathcal _ ) ، 10. 3 ٪ برای ( Mathcal _ ) و 12. 2 ٪ برای ( Mathcal _ ). توجه داشته باشید که به لطف این کیف پول خاص ، ما می توانیم به راحتی معدنچیان ( breve 1 ) را به عنوان همسایگان خروجی Remuniter در ( Mathcal _ ) (یعنی کلیه اعضایی که از Remuniter دریافت کرده اند) شناسایی کنیم. در زمانی که ما Blockchain را بارگیری کردیم ، در مارس 2019 ، 158 معدنکار وجود داشت.

بررسی اجمالی جریان صدور گواهینامه و معامله

در این بخش ، ما ویژگی های کلی ( Mathcal ) و ( Mathcal ) را برای به دست آوردن درک بهتر از ساختار و پویایی آنها ارائه می دهیم. ما با مطالعه فعالیتها (به تعریف 5) از جریان صدور گواهینامه ( Mathcal ) و جریان معامله بین اعضا ( Mathcal _ ) شروع می کنیم. شکل 4 مبلغ 30 روزه این فعالیت ها را از مارس 2017 تا مارس 2019 نشان می دهد. به وضوح به نظر می رسد که آنها در این دوره از روندهای بسیار مشابه پیروی می کنند. اولین دوره رشد از مارس 2017 تا آوریل 2018 قبل از کاهش شدید فعالیت تا اوایل اکتبر 2018 می گذرد. از آن زمان ، هر دو فعالیت معاملات و صدور گواهینامه با نوسانات بیشتری برای معاملات افزایش می یابد.

30 روز نورد فعالیت (به تعریف 5) از جریان صدور گواهینامه ( Mathcal ) (منحنی قرمز) و جریان معامله بین اعضا ( Mathcal _ ) (منحنی آبی)

مشاهده 2

دینامیک صدور گواهینامه به شدت با تعداد معاملات بین اعضا ارتباط دارد.

با جمع شدن تعامل در یک نمودار استاتیک ، ما دو نمودار القایی ناشی از (G Left ( Mathcal Right) ) و (G Left ( Mathcal _ RIGHT) ) (به تعریف 4 مراجعه کنید). شکل 5 توزیع داخل و خارج از هر نمودار را نشان می دهد. درجه خارج از یک گره در (G سمت چپ ( Mathcal Right) ) تعداد گواهینامه هایی است که توسط این عضو داده شده است ، در حالی که درجه آن تعداد گواهینامه های دریافت شده است. در (G سمت چپ ( Mathcal _ RIGHT) ) ، درجه خارج از یک گره تعداد معاملات آغاز شده توسط این عضو است ، در حالی که درجه آن تعداد معاملات دریافت شده است. اول ، توجه داشته باشید که هیچ گره ای با درجه در درجه کوچکتر از 5 در (G سمت چپ ( Mathcal Right) ) وجود ندارد زیرا حداقل تعداد گواهینامه های لازم برای عضویت در 5 در اجرای فعلی تنظیم شده است ( breve 1 ) (Bl و همکاران 2017). هر دو نمودار به وضوح توزیع درجه دم سنگین را نشان می دهند به این معنی که برخی از اعضا نسبت به اکثریت در گواهینامه ها یا معاملات بیشتری شرکت می کنند.

توزیع در درجه (به رنگ آبی) و خارج از درجه (به رنگ قرمز). سمت چپ برای (G Left ( Mathcal RIGHT) ) ، و راست برای (G Left ( Mathcal _ RIGHT) )

مشاهده 3

نمودار صدور گواهینامه و نمودار معاملات عضو دارای توزیع ناهمگن در و خارج هستند.

شکل 6 همبستگی بین درجه های گره را در (G Left ( Mathcal راست) ) و (G Left ( Mathcal _ RIGHT) ) نشان می دهد. زیرمجموعه بالا سمت راست نشان می دهد که اعضا تمایل دارند گواهینامه های بیشتری را نسبت به تمایل به شروع معاملات ، به ویژه برای مقادیر درجه بالا ، ارائه دهند. زیرمجموعه سمت چپ پایین نشان می دهد که گره ها مقادیر درجه و خارج از درجه در (G سمت چپ ( Mathcal Right) ) به شدت همبستگی دارند ، به این معنی که افرادی که گواهینامه های زیادی دریافت می کنند ، تمایل دارند که تعداد زیادی از آنها را نیز به آنها بدهند، و تمایل دارند که در واقع گواهینامه های بیشتری را نسبت به آنها دریافت کنند.

توطئه های پراکندگی از همبستگی درجه درون و خارج در (G Left ( Mathcal RIGHT) ) و (G LEFT ( Mathcal _ RIGHT) )

مشاهده 4

فعالیت های در حال انجام و خارج از کشور هم از نظر گواهینامه و هم از دیدگاه های معامله ارتباط برقرار می کند.

چگونه گواهینامه ها و معاملات جدید بین اعضا ظاهر می شوند؟

هدف اصلی این مقاله ، به دست آوردن بینش در مورد چگونگی تأثیر گواهینامه ها معاملات و برعکس است. بنابراین ما روی جریان صدور گواهینامه ( Mathcal ) و جریان معامله محدود به اعضای شناسایی شده ( Mathcal _ ) تمرکز می کنیم. در این بخش از یک رویکرد مبتنی بر پیوند مستقیم استفاده می کنیم تا درک کنیم که چگونه پیوندهای جدید در این دو جریان ظاهر می شوند. به طور خاص ، ما می خواهیم درک کنیم که آیا رابطه بین دو عضو تمایل به وجود در هر دو جریان دارد و اگر بیشتر با صدور گواهینامه (به عنوان یک کراوات اجتماعی دیده می شود) یا از طریق معاملات شروع می شود.

آیا روابط اجتماعی قبل از معاملات انجام می شود؟

هنگامی که یک گواهینامه بین دو گره قبلاً قطع شده در ( Mathcal ) اتفاق می افتد ، ما اولین معامله را بین این دو گره جستجو می کنیم. این معامله می تواند قبل از صدور گواهینامه ، بعد از آن یا هرگز اتفاق بیفتد. برای 73 ٪ گواهینامه ها ، این دو گره درگیر هرگز معامله نکردند. در عوض ، 16 ٪ از گواهینامه ها دارای یک معامله از قبل موجود هستند و 11 ٪ در آینده معامله را انجام می دهند. طرح برتر شکل 7 توزیع تأخیر بین یک گواهینامه (بین دو گره در ( Mathcal )) و نزدیکترین معامله تطبیق (بین این دو گره در ( Mathcal _ )) را نشان می دهد. تأخیر در بیشتر موارد کوچک است. یک توضیح احتمالی این است که اعضای جدید اغلب در معاملات کوچک (هدایای خوش آمدید یا تصدیق) اندکی پس از تأیید (یا قبل از آن) شرکت می کنند. طرح پایین شکل 7 توزیع تعداد معاملات را در ( Mathcal _ ) قبل از صدور گواهینامه در ( mathcal ) برای این گواهینامه هایی که پس از معاملات اتفاق می افتد ، نشان می دهد. تقریباً تمام این گواهینامه ها فقط پس از یک یا دو معاملات اتفاق می افتد ، اما در موارد بسیار کمی ، صدور گواهینامه می تواند پس از 14 معاملات قبلی اتفاق بیفتد.

Top - توزیع فاصله زمانی Δ T (در روزها) بین صدور گواهینامه در ( Mathcal ) و نزدیکترین معامله تطبیق در ( Mathcal _ ). میانه - توزیع فاصله زمانی Δ t (در روزها) بین یک معامله جدید در ( mathcal _ ) (یعنی معامله بین دو عضو که قبلاً هرگز معامله نکرده اند) و نزدیکترین گواهینامه تطبیق در ( mathcal ). پایین - توزیع تعداد معاملات تطبیق در ( mathcal _ ) قبل از صدور گواهینامه در ( mathcal ) برای گواهینامه هایی که پس از معاملات قبلی اتفاق می افتد

مشاهده 5

بیشتر روابط صدور گواهینامه در ( mathcal ) معامله تطبیق در ( mathcal _ ) ندارند ، اما وقتی این کار را انجام می دهند ، بیشتر به موقع نزدیک هستند.

بگذارید اکنون راه دیگری را بررسی کنیم: وقتی معامله در ( Mathcal _ ) رخ می دهد ، آیا این دو گره درگیر قبلاً با صدور گواهینامه مرتبط هستند یا در آینده آنها را تأیید می کنند؟به نظر می رسد که 64 ٪ از کل معاملات از ( Mathcal _ ) بین دو عضو مرتبط با یک رابطه صدور گواهینامه در ( Mathcal ) اتفاق می افتد. به طور دقیق تر ، 42 ٪ بین دو عضو قبلاً دارای مجوز اتفاق می افتد ، در حالی که تنها 22 ٪ بین اعضایی که در آینده خود را تأیید می کنند رخ می دهد. این اعداد همچنین بدان معنی است که حدود 36 ٪ از کل معاملات از ( Mathcal _ ) بین اعضایی که هرگز خود را مستقیماً در ( Mathcal ) تأیید نمی کنند ، رخ می دهد. ما همچنین می توانیم فقط معاملات جدید را در ( Mathcal _ ) در نظر بگیریم ، یعنی معاملات بین دو عضو که قبلاً هرگز معامله نکرده اند. طرح میانی شکل 7 توزیع فواصل زمانی Δ T (در روزها) بین یک معامله جدید در ( Mathcal _ ) و نزدیکترین گواهینامه تطبیق در ( Mathcal ) را نشان می دهد. همانطور که مشاهده می شود ، اکثر معاملات جدید در ( Mathcal _ ) اندکی پس از صدور گواهینامه تطبیق در ( Mathcal ) رخ می دهد.

مشاهده 6

تقریباً دو سوم معاملات بین اعضا بین اعضای مرتبط با یک گواهینامه انجام می شود.

به دلیل محدودیت های تحمیل شده بر روی WOT ، نسخه غیر مستقیم (G Left ( Mathcal Right) ) به هم متصل شده است و می توانیم فاصله صدور گواهینامه را بین هر دو عضو محاسبه کنیم. از آنجا که WOT ناشی از تعامل اجتماعی است ، ما انتظار داریم که گره هایی که در (G سمت چپ ( Mathcal Right) ) قرار دارند ، احتمال کمی برای شناخت یکدیگر و بنابراین انجام معاملات داشته باشند. شکل 8 کسری از گره ها را در مسافت های مختلف در (G Left ( Mathcal Right) ) و همچنین کسری از معاملات بین اعضایی که بین گره ها در مسافت های مختلف در (G سمت چپ ( Mathcal RIGHT) اتفاق می افتد ، نشان می دهد.) ). اگرچه بیشتر گره ها در فاصله 3 و 4 (به ترتیب 38 ٪ و 43 ٪) در (G سمت چپ ( Mathcal Right) ) هستند ، اکثریت بزرگی از معاملات بین گره های متصل مستقیم و کسری به عنوان فاصله کاهش می یابددر (g سمت چپ ( mathcal راست) ) افزایش می یابد.

کسری از گره ها در یک فاصله معین در (G سمت چپ ( Mathcal RIGHT) ) (منحنی آبی) ، و کسری از معاملات بین اعضا که بین گره ها در یک فاصله معین در (G سمت چپ ( Mathcal RIGHT) اتفاق می افتد) ) (منحنی قرمز). اگرچه بیشتر گره ها در فاصله 3 و 4 در (G سمت چپ ( Mathcal Right) ) قرار دارند ، اکثریت بزرگی از معاملات بین گره های مستقیم متصل اتفاق می افتد و کسری به عنوان فاصله در (G سمت چپ ( Mathcal) کاهش می یابد. راست) ) افزایش می یابد

مشاهده 7

اعضایی که بدون داشتن مجوز معاملات انجام می دهند ، با زنجیرهای بسیار کوتاه گواهینامه ها مرتبط هستند.

احتمال اتصال

چه چیزی باعث می شود که دو عضو از دیدگاه معاملات از نظر اجتماعی بیشتر ارتباط برقرار کنند؟آیا در صورت انجام چندین معاملات با همان جهت گیری ، دو عضو احتمالاً یکدیگر را می شناسند یا اینکه حداقل یک معامله متقابل انجام داده اند؟برای پاسخ به چنین سؤالاتی ، ما معرفی می کنیم: < pan> کسری از گره ها در فاصله مشخصی در (g سمت چپ ( mathcal راست) ) (منحنی آبی) ، و کسری از معاملات بین اعضا که بین گره ها در یک فاصله معین اتفاق می افتددر (g سمت چپ ( mathcal راست) ) (منحنی قرمز). اگرچه بیشتر گره ها در فاصله 3 و 4 در (G سمت چپ ( Mathcal Right) ) قرار دارند ، اکثریت بزرگی از معاملات بین گره های مستقیم متصل اتفاق می افتد و کسری به عنوان فاصله در (G سمت چپ ( Mathcal) کاهش می یابد. راست) ) افزایش می یابد