Karmaşık ağ difüzyonu, bir ağdaki durum, bilgi, etki veya arıza benzeri bir sürecin düğümler ve bağlantılar üzerinden yayılmasını inceleyen ağ bilimi problemidir. Bu çalışma ağ geometrisi ve topolojisinin difüzyon hızını nasıl değiştirdiğini Kertész Threshold (KT) modeli, Susceptible-Infected (SI) modeli, Stochastic Block Model simülasyonları, dört düğümlü network motifleri ve Bayesian Markov Chain Monte Carlo (MCMC) çıkarımıyla araştırmaktadır. Sentetik Erdős–Rényi, Geometric Random Graph ve Delaunay Triangulation ağlarının yanı sıra Ethereum hesap–işlem ağı ve İtalya, Fransa ve Almanya elektrik iletim ağları incelenmiştir. Çalışmanın temel sonucu, yayılım davranışının yalnız ağdaki düğüm ve kenar sayısına değil; hub yapısına, merkeziyet ölçülerine, yerel motif geometrisine ve bağlantılar üzerindeki ek kovaryatlara bağlı olarak önemli ölçüde değiştiğidir. Ancak çalışmadaki “infection” ve “failure” terimleri çoğunlukla model durumlarını ifade eder; gerçek Ethereum hesaplarının veya gerçek elektrik santrallerinin gözlenen tarihsel arızaları değildir.
Sentetik ağ simülasyonlarında üç ağ tipi yaklaşık aynı kenar yoğunluğunda karşılaştırılmıştır. Her ağ türünde 300 düğüm kullanılmış; Erdős–Rényi modeli için bağlantı olasılığı 0.02, Geometric Random Graph için bağlantı yarıçapı 0.08 seçilmiş, Delaunay ağı 300 rastgele noktadan oluşturulmuştur. Her ağ türü için 1.000 bağımsız örnek oluşturulmuş ve KT modeli uygulanmıştır. Kaynağın sonuçlarına göre Delaunay Triangulation ağlarında difüzyon en hızlı, Geometric Random Graph ağlarında ise en yavaş gerçekleşmiştir. Bu karşılaştırma belirli parametrelerdeki simülasyon sonucudur; bütün Delaunay veya geometrik ağların her koşulda aynı sıralamayı göstereceği anlamına gelmez.
Dört düğümlü motif deneyinde Stochastic Block Model ağları kullanılmıştır. M1 yıldız motifinin difüzyon hızıyla ortalama korelasyonu 0.9447, M2 çizgi/path motifinin 0.8345, M3'ün ise 0.4776 olarak raporlanmıştır. Bu sonuç motif konsantrasyonu ile difüzyon hızı arasında güçlü ilişkiler gösterebilir; fakat korelasyon tek başına belirli bir motifin nedensel olarak yayılımı hızlandırdığını kanıtlamaz.
Ethereum analizi, blok 10,000,000 ile 10,001,000 arasındaki traces verisinden ve 4 Mayıs 2020 14:48:40–14:58:40 UTC arasındaki filtrelenmiş işlemlerden oluşturulan bir hesap–işlem ağına dayanmaktadır. Dev bileşen 627 düğüm ve 666 kenardan oluşmuştur. KT modelinde başlangıç düğümlerinin rastgele seçilmesi, yüksek degree veya betweenness centrality düğümlerinin hedeflenmesine göre daha yavaş model yayılımı üretmiştir; üç senaryo arasındaki fark için k-sample Anderson–Darling testi \(p<0.001\) raporlanmıştır.
Bayesian SI modelinde Ethereum için normalized degree centrality, betweenness centrality, clustering coefficient ve normalize transaction value modele kovaryat olarak alınmıştır. Kaynak clustering coefficient için posterior ortalama katsayıyı 4.5457, degree centrality için 1.9022 ve betweenness centrality için 1.0475 olarak raporlamaktadır. Bununla birlikte clustering coefficient'ın %95 credible interval'ı 0.0034–9.7166 gibi çok geniştir. Ayrıca Ethereum için yazılı \(\alpha\sim U(1,2)\) önseli ile \(\alpha=0.0616\) posterior ortalaması matematiksel olarak uyuşmadığından bu parametreye ilişkin kaynak kaydı dikkatle yorumlanmalıdır.
Elektrik altyapısı bölümünde İtalya, Almanya ve Fransa iletim ağları karşılaştırılmıştır. KT modelinde erken dönemde İtalya daha hızlı yayılım gösterirken Fransa ilk 75 timestep boyunca daha düşük enfekte düğüm oranı göstermiş; 75 timestep sonrasında İtalya'daki yayılım yavaşlamış ve uzun dönemde İtalya daha yavaş kalmıştır. Kaynağa göre üç güç şebekesinin difüzyon oranları arasındaki fark hem degree-merkezli hem betweenness-merkezli başlangıç senaryolarında \(p<0.001\)'dir.
Karmaşık ağ nedir?
Çalışma bir karmaşık ağı:
biçiminde tanımlar. \(V\) düğümler kümesi, \(E\) düğümler arasındaki kenarlar ve \(\omega\) kenar ağırlıklarını temsil eden fonksiyondur. Bir işlem ağı düşünülürse düğüm bir hesap, kenar iki hesap arasındaki işlem ilişkisi ve kenar ağırlığı işlem hacmi olabilir. Elektrik şebekesinde ise düğüm santral veya trafo merkezi, kenar fiziksel iletim hattıdır.
Ağın adjacency matrix'i \(A\), hangi düğümlerin birbirine bağlandığını matris biçiminde gösterir. Ağırlıklı bir ağda:
Kaynak bazı analizlerde ağırlıkların dikkate alınmadığı unweighted ağ görünümünü de kullanır; bu durumda bağlantı varsa değer 1, yoksa 0'dır.
Degree, ortalama yol uzunluğu ve diameter
Bir düğümün degree değeri o düğüme bağlı kenarların sayısıdır:
Degree centrality yüksek bir düğüm doğrudan çok sayıda başka düğümle temas eder. Böyle bir düğüm difüzyonun başlangıç noktası seçildiğinde, durumun kısa sürede çok sayıda komşuya erişebilmesi mümkündür.
İki düğüm arasındaki en kısa yol uzunluğu \(\ell_{ij}\) ise kaynak ortalama yol uzunluğunu:
olarak verir. Diameter ise ağdaki bütün en kısa yolların en büyüğüdür:
Ortalama yol uzunluğu ağ içinde tipik olarak kaç bağlantı üzerinden gidildiğini; diameter ise birbirinden topolojik olarak en uzak iki nokta arasındaki en kısa yolun uzunluğunu özetler.
Betweenness centrality ve clustering coefficient
Betweenness centrality, bir düğümün diğer düğüm çiftleri arasındaki en kısa yollar üzerinde ne ölçüde aracılık yaptığını ölçer. Doğrudan çok komşusu olmayan bir düğüm bile iki büyük ağ bölgesi arasındaki köprü konumundaysa yüksek betweenness değerine sahip olabilir.
Clustering coefficient ise bir düğümün komşularının kendi aralarında da bağlı olma eğilimini ifade eder. Yüksek değer, yerel olarak daha sıkı üçgen veya kapalı bağlantı yapılarının varlığına işaret eder.
Bu Çalışmada “Enfeksiyon” Gerçek Bir Hastalık ya da Gerçek Bir Arıza mı?
Hayır. “Infection”, “adoption” ve bazı bölümlerde “failure” çalışmanın ağ yayılım modellerinde kullandığı durum değişkenleridir; Ethereum hesabının gerçekten ele geçirilmesi, elektrik istasyonunun fiilen arızalanması veya gerçek bir salgın gözlemi anlamına gelmez. Gerçek ağ topolojileri modele girdi olarak kullanılabilir, fakat KT ve SI durum geçişleri modellenen yayılım süreçleridir.
Kertész Threshold modeli
Kertész Threshold (KT) modeli, Watts threshold modelinin üç durumlu genişletilmesi olarak kullanılır. Kaynağın gösteriminde düğümler:
- Susceptible (S): Henüz yayılım durumuna geçmemiş düğüm,
- Adoption/Infected (A/I): Yayılım durumuna geçmiş düğüm,
- Blocked (B): Dış etkiden etkilenmeyen ve durumunu değiştirmeyen düğüm
olarak ele alınır.
Bir düğümün enfekte komşu oranı belirli threshold \(\tau\)'yu aştığında düğüm yeni duruma geçebilir. Ayrıca \(\delta\) spontaneous adopter rate, komşularından bağımsız dışsal/spontan geçişi temsil etmek üzere modele dahil edilmiştir.
Kaynağın Appendix A pseudocode'unda komşu enfeksiyon oranı:
olarak hesaplanmaktadır.
Kaynak-içi algoritma tutarsızlığı: Kaynak pseudocode'u daha sonra:
koşulunu yazmaktadır. \(r_v\) 0–1 aralığında uniform random sayı ve \(\delta=0.001\) ise bu yazılı koşul spontane geçişi çok yüksek olasılıklı hale getirir. Bu durum makalenin \(\delta\)'yı çok küçük adopter rate olarak açıklaması ve gösterilen difüzyon eğrileriyle uyuşmamaktadır. Verianla kaynakta hangi işaretin hatalı olduğunu varsayarak pseudocode'u değiştirmemektedir.
Kertész Threshold Modeli ile SI Modeli Arasındaki Temel Fark Nedir?
KT modeli ağırlıklı olarak komşuların enfekte oranı, eşik ve blocked/spontaneous durumları üzerinden ayrık timestep'lerde kaskad oluştururken; SI modeli düğümlerin susceptible durumdan infected duruma geçiş hızını continuous-time Poisson süreci ve kovaryatlara bağlı hazard/transition rate ile modeller ve parametrelerini Bayesian MCMC ile tahmin eder.
KT modelinde iki ana difüzyon metriği
Birinci metrik herhangi bir \(t\) zamanındaki enfekte düğüm oranıdır:
\(N_{\text{infected}}(t)\), timestep \(t\)'de model durumunda enfekte kabul edilen düğüm sayısı; \(N_{\text{total}}\) toplam düğüm sayısıdır. Sonuç 0 ile 1 arasında bir orandır.
İkinci metrik ortalama difüzyon hızıdır:
\(\eta(0)\) başlangıçtaki enfekte oranını, \(\eta(s)\) steady-state enfekte oranını, \(t_s\) ise bu steady state'e ulaşmak için gereken timestep sayısını gösterir. Kaynak bütün bu deneylerde \(\eta(s)=0.95\) kullanır; bunun gerekçesi blocked düğümlerin oranının %5 olması ve modelde geri kalan düğümlerin sonunda enfekte kabul edilmesidir.
Network motif nedir?
Network motif, daha büyük ağ içerisinde tekrar eden küçük bağlı alt-ağ geometrisidir. Degree gibi bir ölçü tek bir düğümün bağlantı sayısına bakarken motif, birkaç düğümün birlikte oluşturduğu yerel geometrik düzeni inceler.
Kaynak dört düğümlü altı connected motif tanımlar. Aşağıdaki çizim, bu matematiksel bağlantı yapılarını Verianla için bağımsız biçimde yeniden gösterir:
Motif konsantrasyonu
Motif türü \(i\)'nin ağdaki konsantrasyonu:
şeklinde tanımlanır. \(N_i\) belirli motif türünün sayısı, paydadaki toplam ise bütün değerlendirilen \(n\)-düğümlü motiflerin toplam sayısıdır.
Kaynak motifleri saymak için özel bir edge-disjoint motif detection algoritması kullanır. Dört düğümlü aday altgraflar Weisfeiler–Lehman (WL) hashing ile yapısal imzaya dönüştürülür ve altı canonical template ile karşılaştırılır. Bir altgrafın kenarlarından biri daha önce sayılmış bir motifte kullanılmışsa tekrar sayılmaz. Böylece aynı kenar birden fazla motif örneğine katkı vermez.
Motif Korelasyonları Nedensellik Gösteriyor mu?
Hayır. Çalışmada motif konsantrasyonu ile ortalama difüzyon hızı arasında korelasyon hesaplanmıştır; yüksek pozitif korelasyon, belirli motifin yoğun olduğu simülasyonlarda daha hızlı yayılımın birlikte görüldüğünü gösterir. Tek başına korelasyon, motifin diğer bütün topolojik özelliklerden bağımsız nedensel etkisini izole etmez.
SI modeli
Susceptible-Infected (SI) modelinde düğümler iki durumdan birindedir: susceptible veya infected. Kaynak bu modeli continuous-time Poisson process çerçevesinde kurar. Susceptible düğüm \(i\)'nin \(t\) anındaki infection transition rate'i:
Bu formül dört parçayı bir araya getirir:
- \(\psi_S(i)\): susceptible düğüm \(i\)'nin duyarlılığı,
- \(\psi_T(j)\): infected düğüm \(j\)'nin transmissibility değeri,
- \(\kappa(i,j)\): \(i\) ile \(j\) arasındaki bağlantı/mesafe/ortak risk yapısını temsil eden kernel,
- \(\epsilon(i)\): gözlenen ağ dışındaki açıklanmamış kaynaklardan gelebilecek ek “spark” riski.
\(\lambda_{SI}\) bir durum geçiş yoğunluğudur. Daha yüksek değer, model altında susceptible düğümün infected duruma daha hızlı geçmesini ifade eder; doğrudan fiziksel arıza yüzdesi değildir.
Susceptibility fonksiyonu
\(X_k(i)\) susceptible düğüme ait kovaryatlar; \(\omega_k\) bunların susceptibility üzerindeki katsayılarıdır.
Transmissibility fonksiyonu
Bu fonksiyon infected düğümün yapısal özelliklerinin modeldeki aktarım/yayılım kapasitesine nasıl girdiğini gösterir.
Bağlantı kernel'i
\(d_{ij}\), iki düğüm arasındaki mesafedir. \(\alpha\) distance term'ün ölçeğini; \(\gamma\) mesafenin etkisinin ne hızla azaldığını belirler. \(C_{ij}^{(q)}\) ikili veya nicel ağ kovaryatlarını; \(\theta_q\) bu kovaryatların katsayılarını temsil eder.
\(d_{ij}^{-\gamma}\) terimi \(\gamma>0\) olduğunda mesafe büyüdükçe azalır. Bu matematiksel olarak yakın düğümlerin daha güçlü bağlantı riski taşıyabilmesini sağlayan bir yapıdır. Bu yorum model denkleminin matematiksel sonucudur; gerçek sistemde aynı fonksiyonun fiziksel yasa olduğu iddiası değildir.
SI likelihood fonksiyonu
Kaynak parametre vektörünü:
olarak tanımlar.
Likelihood:
Burada:
o anda bütün susceptible düğümlerdeki toplam geçiş yoğunluğudur. Bir düğümün gerçekleşen geçişe ait göreli hazard payı:
şeklinde verilir. Üstel terim, Poisson-process / exponential inter-event-time yapısından gelir.
Metropolis–Hastings kabul olasılığı
\(L(\Theta)\) likelihood, \(P(\Theta)\) prior distribution'dır. Yeni öneri \(\Theta_w\) kabul edilmezse zincir önceki \(\Theta_{w-1}\) değerinde kalır. Çok sayıda iterasyondan sonra zincirin hedef posterior dağılıma yakın örnekler üretmesi amaçlanır.
Confidence interval ile credible interval aynı şey değildir
Sentetik KT simülasyonundaki %95 aralıklar, belirli timestep'teki 1.000 simülasyon sonucunun ampirik %2,5–%97,5 yüzdeliklerine dayanır. Bayesian SI modelindeki %95 credible interval ise posterior parameter distribution'ın %95'lik bölgesini ifade eder. Aynı “%95” etiketi kullanılsa da iki aralığın istatistiksel anlamı aynı değildir.
Çalışmanın Yöntemi ve Bulguları
1. Sentetik ağ topolojisi karşılaştırması
| Özellik | Erdős–Rényi (ER) | Geometric Random Graph (GRG) | Delaunay Triangulation (DT) |
|---|---|---|---|
| Düğüm sayısı | 300 | 300 | 300 |
| Ağ parametresi | \(p=0.02\) | \(r=0.08\) | 300 normally distributed point |
| Kaynakta hedeflenen kenar sayısı | yaklaşık 897 | yaklaşık 900 | kaynak \(3n-6=894\) kullanıyor |
| Yaklaşık ortalama degree | 6 civarında tutulmaya çalışılmıştır | ||
| Bağımsız ağ örneği | 1.000 | 1.000 | 1.000 |
ER için beklenen kenar sayısı kaynakta:
ile hesaplanır ve \(n=300,p=0.02\) için yaklaşık 897 elde edilir.
GRG için kaynak yaklaşık:
kullanarak yaklaşık 900 kenara ulaşır.
DT için kaynak \(3n-6=894\) kenar değerini kullanır. Verianla bu değeri kaynak simülasyon tasarımındaki sayı olarak korumaktadır.
KT simülasyon parametreleri
| Parametre | Değer | Anlam |
|---|---|---|
| \(\eta(0)\) | 0.01 | Başlangıçta infected düğüm oranı |
| \(k\) | 500 | Maksimum timestep/iteration |
| \(\delta\) | 0.001 | Spontaneous adopter rate olarak tanımlanan parametre |
| \(\beta\) | 0.05 | Blocked düğüm oranı |
| \(\tau\) | 0.30 ve 0.40 | Komşu etkisi threshold'u |
| Başlangıç seed seçimi | top %1 degree veya top %1 betweenness | Yüksek centrality başlangıç senaryoları |
Her timestep için 1.000 bağımsız simülasyondaki \(\eta(t)\) değerleri toplanmış, ortalama eğri hesaplanmış ve %2,5–%97,5 ampirik yüzdelikleri aralık olarak çizilmiştir.
Kaynakta DT ağları en hızlı yayılımı, GRG ağları en yavaş yayılımı göstermektedir. Aynı nitel sıralama başlangıç seed'leri highest betweenness centrality ile seçildiğinde de supplementary analizde görülmüştür.
2. Stochastic Block Model ve motif deneyi
SBM deneyinde:
ve her community 200 düğümdür. Başlangıç probability matrix'i:
Within-community bağlantı olasılığı \(p_w=0.030\) sabit tutulmuş; between-community probability \(p_b\), 0.001–0.01 arasında 10 farklı değerde değiştirilmiştir. Her konfigürasyon 1.000 kez simüle edilmiş ve 500 timestep'e kadar veya bütün uygun düğümler infected hale gelene kadar çalıştırılmıştır.
| Motif | Kaynak geometrik tanımı | Ortalama korelasyon | Standart sapma |
|---|---|---|---|
| M1 | Yıldız | 0.9447 | 0.0385 |
| M2 | Line-type / dört düğümlü yol | 0.8345 | 0.0860 |
| M3 | Daha yoğun üçgenli/ek bağlantılı motif | 0.4776 | 0.2554 |
M4, M5 ve M6 kaynak simülasyonlarında çok düşük frekansta görüldüğü için korelasyon deneyinden çıkarılmıştır.
M1'in korelasyonu hem yüksek hem de simülasyonlar arasındaki standart sapması küçüktür. M2 de güçlü pozitif korelasyona sahiptir. M3'ün ortalama korelasyonu daha düşüktür ve standart sapması 0.2554 ile daha yüksektir; bu da simülasyonlar arasında ilişkinin daha değişken olduğunu gösterir.
Kaynak-içi tartışma notu: Section 3.2 ve Tablo 1 açık biçimde M1 yıldız ve M2 line-type motiflerinin güçlü pozitif ilişkisini bildirir. Discussion'daki “star and square-type motifs” / “long line-type motifs have minimal impact” ifadesi bu tanımlamayla uyuşmamaktadır. Verianla nicel sonucu Tablo 1'e göre sunmaktadır ve tartışmadaki terminolojiyi ayrıca düzeltmiş gibi göstermemektedir.
3. Ethereum veri seti
| Öğe | Bilgi |
|---|---|
| Kaynak | Ethereum mainnet, Infura |
| Dönüştürme aracı | Ethereum ETL |
| Çıkarılan block aralığı | 10,000,000–10,001,000 |
| Analiz edilen zaman penceresi | 2020-05-04 14:48:40–14:58:40 UTC |
| Düğüm | Ethereum hesabı |
| Kenar | İki hesap arasında işlem |
| Kenar ağırlığı | İşlem hacmi |
| Kullanılan bileşen | Giant component |
| Giant component düğüm sayısı | 627 |
| Giant component kenar sayısı | 666 |
Burada incelenen ağ Ethereum account transaction graph'ıdır. Düğümler Ethereum P2P istemcileri veya fiziksel network router'ları değildir. Dolayısıyla sonuçların doğrudan gözlediği yapı hesaplar arası işlem grafiğidir; Ethereum'un altında çalışan peer-to-peer mesaj yayılım altyapısı ayrıca ölçülmemiştir.
Degree distribution sağa çarpık ve hub-dominated olarak tanımlanmıştır: az sayıdaki düğüm yüksek degree taşırken çoğu düğüm düşük bağlantılıdır.
Bir Ağ Neden Rastgele Arızalara Dayanıklı Olup Hedefli Saldırılara Kırılgan Olabilir?
Hub-dominated bir ağda düğümlerin büyük bölümü düşük degree taşıyorsa rastgele seçilen bir başlangıç düğümünün kritik bir hub olma olasılığı sınırlı olabilir; buna karşılık doğrudan en yüksek degree veya betweenness düğümlerini hedeflemek çok sayıda yol ve komşuyu aynı anda etkileyebilir. Bu çalışmadaki Ethereum KT simülasyonunda random seed'ler yüksek-centrality seed'lere göre daha yavaş model yayılımı üretmiştir.
Ethereum KT deneyi
| Parametre | Değer |
|---|---|
| Başlangıç infected oranı | 0.01 |
| Iteration | 500 |
| \(\delta\) | 0.001 |
| Blocked oranı \(\beta\) | 0.05 |
| Threshold \(\tau\) | 0.40 |
| Başlangıç seçimi | random / highest degree / highest betweenness |
Random başlangıçta model yayılımı, yüksek degree veya betweenness centrality düğümlerinin başlangıç kaynağı seçildiği senaryolardan daha yavaştır.
Kaynak ayrıca zaman içinde degree ve betweenness senaryolarının birbirine göre sıralamasının sabit olmadığını bildirir: timestep 1–100 arasında degree başlangıcı daha yüksek infected fraction üretirken, 101–200 arasında betweenness öne geçer; 201–400 arasında eğilim tekrar değişir.
Üç dağılım için nonparametric k-sample Anderson–Darling testi:
sonucunu verir. Bu test, üç senaryoda gözlenen dağılımların ortak aynı dağılımdan geldiği hipotezine karşı fark bulunduğunu destekler. Test, tek başına “degree saldırısı betweenness saldırısından her timestep'de nedensel olarak daha güçlüdür” sonucunu vermez.
Ethereum SI modeli
Ethereum uygulamasında susceptibility sabitlenmiştir:
Transmissibility fonksiyonu:
şeklindedir. \(X_1\) normalized degree centrality, \(X_2\) normalized betweenness centrality ve \(X_3\) normalized clustering coefficient'tır. Her biri kendi ağdaki maksimum değerine bölünerek normalize edilir.
Ethereum connectivity kernel'i:
\(d_{ij}\) bu uygulamada shortest-path distance; \(C_{ij}\) normalized transaction value'dır. \(\theta\), işlem değerinin transition rate üzerindeki model katsayısıdır.
Sparks function:
olarak sabitlenmiştir.
Ethereum için kaynakta yazılan prior'lar
Önemli tutarsızlık: Yukarıdaki \(\alpha\sim U(1,2)\) kaynakta aynen bu şekilde yazılmasına rağmen posterior \(\alpha\) değerleri 1'in çok altındadır. Bu nedenle \(\alpha\)'nın Ethereum posterioru, yazılı prior ile aynı modelin sonucu olarak matematiksel biçimde yeniden üretilemez.
MCMC ayarları
| Öğe | Değer |
|---|---|
| Yazılım | Julia / Pathogen.jl |
| Algoritma | Metropolis–Hastings MCMC |
| Toplam iteration | 200.000 |
| Burn-in | 20.000 |
| Yaklaşık hesaplama süresi | 48 saat |
| RAM | 32 GB |
| CPU | 4.40 GHz Intel Core i7 |
Ethereum posterior parametreleri
| Parametre | Posterior ortalama | %95 credible interval | Modeldeki rol |
|---|---|---|---|
| \(\zeta\) | 0.0001 | \((3.804\times10^{-5},0.0002)\) | Ağ dışı/sparks risk |
| \(\alpha\) | 0.0616 | \((0.0107,0.1872)\) | Mesafe kernel ölçeği |
| \(\gamma\) | 1.5190 | \((1.0148,1.9668)\) | Mesafe decay exponent |
| \(\theta\) | 30041.2 | \((9391.13,63724.2)\) | Normalized transaction value katsayısı |
| \(\phi_1\) | 1.9022 | \((0.6492,4.4153)\) | Degree centrality |
| \(\phi_2\) | 1.0475 | \((0.1119,3.0667)\) | Betweenness centrality |
| \(\phi_3\) | 4.5457 | \((0.0034,9.7166)\) | Clustering coefficient |
Kaynak \(\zeta\)'nın düşük olmasını external-source risk'in azlığı olarak yorumlar ve transaction value katsayısı \(\theta\)'nın önemli olduğunu belirtir. Fakat \(\theta\)'nın ölçeği diğer \(\phi\) katsayılarının ölçeğinden farklı olduğundan sadece katsayıların ham büyüklüklerini birbirleriyle karşılaştırmak doğru değildir.
\(\phi_3\)'ün posterior ortalaması \(\phi_1\) ve \(\phi_2\)'den büyüktür; kaynak buradan clustering coefficient'ın daha güçlü etkisini vurgular. Ancak \(\phi_3\)'ün credible interval'ı oldukça geniş olduğundan tahmin belirsizliği ayrıca görünür tutulmalıdır.
Ayrıca kaynak posterior interval'ın sıfırı içermemesini “statistically significant” sayar. Bu kriter pozitif-support prior'larla birlikte kullanıldığı için klasik frequentist significance ile eş anlamlı değildir.
4. Avrupa elektrik iletim ağları
| Ağ | Düğüm | Kenar | Ortalama yol uzunluğu | Diameter |
|---|---|---|---|---|
| Almanya | 445 | 567 | 11.7510 | 30 |
| İtalya | 273 | 375 | 9.7420 | 28 |
| Fransa | 677 | 913 | 9.5920 | 26 |
Veriler Union for the Coordination of the Transmission of Electricity kaynağına dayandırılmaktadır. Kaynak, kullanılan network snapshot'ının kesin tarihini veya veri temizleme/preprocessing ayrıntılarını ana metinde raporlamamaktadır.
Power-grid KT parametreleri
| Parametre | Değer |
|---|---|
| Başlangıç infected oranı | 0.01 |
| Iteration \(k\) | 200 |
| \(\delta\) | 0.001 |
| Blocked oranı \(\beta\) | 0.05 |
| Threshold \(\tau\) | 0.30 |
| Başlangıç seed | highest degree veya highest betweenness |
Degree-centrality başlangıcı altında ilk 1–25 timestep döneminde İtalya daha hızlı yayılım göstermiştir. Timestep 25 civarında kaynak İtalya ve Almanya için yaklaşık %60 infected node raporlar. İlk 75 timestep boyunca Fransa daha düşük infected fraction gösterir. Daha sonra İtalya'daki yayılım yavaşlar ve uzun dönemde İtalya diğer ikisinden daha düşük infected fraction'a sahip hale gelir.
Üç grid arasındaki farklılık için:
raporlanmıştır. Highest-betweenness başlangıcında supplementary analizde de \(p<0.001\) bildirilmektedir.
Power-grid SI modeli
Susceptibility:
Transmissibility:
\(X_1\) degree centrality, \(X_2\) betweenness centrality, \(X_3\) clustering coefficient'tır. Kaynak açıklama cümlesinde yanlışlıkla üçüncü terimi tekrar \(X_2\) olarak yazmaktadır; denklem ve bilimsel açıklama üçüncü değişkenin clustering coefficient olduğunu açıkça göstermektedir.
Power-grid connectivity kernel'i:
Burada \(d_{ij}\), istasyonların coğrafi koordinatları arasındaki Euclidean distance'dır. Ethereum uygulamasından farklı olarak bu kernel'e transaction-value benzeri ek bir \(C_{ij}\) kovaryatı eklenmez.
Power-grid prior'ları
Power-grid posterior sonuçları
| Parametre | İtalya ortalama (%95 CrI) | Almanya ortalama (%95 CrI) | Fransa ortalama (%95 CrI) |
|---|---|---|---|
| \(\zeta\) | 0.0003 (0.0001, 0.0003) | 0.0003 (0.0001, 0.0005) | 0.0002 (0.0001, 0.0003) |
| \(\alpha\) | 0.0340 (0.0191, 0.0519) | 0.0313 (0.0075, 0.0877) | 0.0065 (0.0039, 0.0114) |
| \(\gamma\) | 2.2239 (2.0993, 2.3578) | 2.4890 (2.2350, 2.6901) | 2.6942 (2.4689, 2.8499) |
| \(\phi_1\) degree | 0.0153 (0.0009, 0.0522) | 0.8960 (0.2358, 2.3969) | 3.6950 (1.8890, 4.9582) |
| \(\phi_2\) betweenness | 2.8538 (1.5946, 4.3712) | 0.7867 (0.0814, 2.5497) | 1.4909 (0.1815, 3.5957) |
| \(\phi_3\) clustering | 0.1214 (0.0002, 0.3141) | 3.1224 (0.7691, 4.8967) | 0.0556 (0.0012, 0.2199) |
Posterior yapısı üç ağda aynı değildir. İtalya'da \(\phi_2\) betweenness coefficient görece büyükken, Almanya'da \(\phi_3\) clustering coefficient; Fransa'da ise \(\phi_1\) degree coefficient daha yüksek posterior ortalamaya sahiptir. Bu nedenle “aynı structural feature bütün power grids'de baskındır” sonucu çıkarılamaz.
Kaynak \(\alpha\) ve \(\gamma\)'nın üç ağ arasında benzer olduğunu ve mesafenin etkisinin yaklaşık benzer işlediğini yorumlar. Özellikle \(\gamma\) değerleri yaklaşık 2.22–2.69 aralığındadır.
Çalışmanın desteklediği sonuçlar
- Belirli KT simülasyon koşullarında ER, GRG ve DT ağları farklı difüzyon eğrileri üretmiştir.
- Kaynak simülasyonunda DT en hızlı, GRG en yavaş difüzyon göstermiştir.
- SBM simülasyonunda M1 ve M2 motif konsantrasyonları difüzyon hızıyla güçlü pozitif korelasyon göstermiştir.
- İncelenen Ethereum account-transaction graph hub-dominated ve sağa çarpık degree distribution göstermektedir.
- Ethereum KT simülasyonunda high-centrality başlangıçlar random başlangıçtan daha hızlı model yayılımı oluşturmuştur.
- Ethereum'un üç başlangıç senaryosu arasında k-sample Anderson–Darling testi \(p<0.001\) vermiştir.
- Ethereum SI modelinde centrality, clustering ve transaction-value kovaryatları posterior modelde pozitif katsayılarla yer almıştır.
- İtalya, Almanya ve Fransa grid'lerinin KT difüzyon eğrileri aynı değildir; \(p<0.001\) raporlanmıştır.
- Üç power grid'de degree, betweenness ve clustering katsayılarının posterior yapısı birbirinden farklıdır.
- Gerçek sistem geometrisinin model yayılımını değiştirebileceğine ilişkin hem simülasyon hem gerçek-topoloji case-study desteği bulunmaktadır.
Çalışmanın desteklemediği sonuçlar
- Ethereum'un gerçek P2P ağında gerçek saldırı sırasında 627 düğümün bu şekilde arızalandığı gösterilmemiştir.
- İncelenen Ethereum hub düğümlerinin gerçekten exchange veya mining pool olduğu veriyle kimliklendirilmemiştir.
- Bir motifin difüzyona nedensel etkisi yalnız korelasyon analiziyle kanıtlanmamıştır.
- DT ağlarının bütün ağ yoğunluklarında daima daha hızlı yayıldığı gösterilmemiştir.
- GRG ağlarının bütün koşullarda en dayanıklı ağ tipi olduğu kanıtlanmamıştır.
- Avrupa şebekelerinde gerçek tarihsel blackout olayları bu KT simülasyonuyla yeniden oluşturulmamıştır.
- SI posterior katsayıları fiziksel arıza olasılığının doğrudan yüzde karşılığı değildir.
- Clustering coefficient'ın bütün blockchain ve power-grid sistemlerinde universal olarak en güçlü risk değişkeni olduğu gösterilmemiştir.
- Hub azaltma veya ağın decentralize edilmesinin gerçek bir sistemde belirli miktarda güvenlik artışı sağlayacağı ölçülmemiştir.
- Politika önerileri doğrudan müdahale deneyiyle doğrulanmamıştır.
Temel sınırlılıklar ve yeniden üretilebilirlik notları
- Ethereum ve power-grid ağları simetrik modeller kullanabilmek için undirected olarak ele alınmıştır; gerçek işlem ve güç akışları doğal olarak directionality taşıyabilir.
- Ethereum analiz edilen transaction graph'tır; peer-to-peer message propagation network doğrudan gözlenmemiştir.
- Power-grid veri snapshot tarihleri ana metinde ayrıntılı raporlanmamıştır.
- Kaynakta kullanılan KT Algorithm 1 spontaneous-adoption eşitsizliği, açıklanan \(\delta\) anlamıyla matematiksel olarak uyuşmamaktadır.
- “Bootstrap confidence interval” adı ile Algorithm 2'deki doğrudan empirical percentile prosedürü aynı yöntem değildir.
- Ethereum \(\alpha\sim U(1,2)\) prior'ı ile raporlanan \(\alpha\) posterioru uyuşmamaktadır.
- Motif Section 3.2/Table 1 ile Discussion'daki motif tipi anlatımı arasında terminolojik tutarsızlık vardır.
- Power-grid SI açıklamasında \(X_3\) yerine bir yerde tekrar \(X_2\) yazılmıştır.
- Bayesian “significance” kararı pozitif destekli prior'lar altında credible interval'ın sıfırı içermemesine dayanır.
- Kaynak bütün verilerin public olduğunu söyler; fakat bütün R kodları açık repository yerine istek üzerine sağlanmaktadır.
- Yazarlar gelecek çalışma olarak directionality ve randomized null model–observed network karşılaştırmasını önermektedir.
Pratik anlam nasıl okunmalıdır?
Çalışma ağ tasarımında yalnız toplam bağlantı sayısına bakmanın yeterli olmayabileceğini gösteren model ve vaka sonuçları sunmaktadır. Aynı yaklaşık yoğunluktaki ağlarda bağlantıların hangi geometrik düzende örgütlendiği, hangi düğümlerin merkezî olduğu ve yerel motiflerin yapısı difüzyon dinamiklerini değiştirebilir.
Blockchain veya kritik altyapı tasarımında bunun güvenli yorumu, high-centrality düğümler ile yerel geometrinin resilience analizi sırasında ayrıca izlenmesi gerektiğidir. Çalışmanın doğrudan kanıtlamadığı yorum ise belirli bir yeniden tasarımın gerçek sistemde kesin olarak saldırıyı engelleyeceği veya blackout riskini belirli bir yüzde azaltacağıdır.
Kaynak ve Yöntem Notu
Özgün başlık: Understanding How Network Geometry Influences Diffusion Processes in Complex Networks: A Focus on Cryptocurrency Blockchains and Critical Infrastructure Networks
Türkçe yayın başlığı: Ağ Geometrisinin Karmaşık Ağlardaki Yayılım Süreçlerini Nasıl Etkilediğini Anlamak: Kripto Para Blokzincirleri ve Kritik Altyapı Ağlarına Odaklanma
Yazarlar: S M Mustaquim; Asim K. Dey; Abhijit Mandal.
Yazar sırası: Yüklenen PDF'deki sıra aynen korunmuştur.
Afiliasyon 1: Department of Mathematical Sciences, The University of Texas at El Paso, Texas, United States.
Afiliasyon 2: Department of Mathematics and Statistics, Texas Tech University, Lubbock, Texas, United States.
Sorumlu yazar: Asim K. Dey; kaynak PDF ve resmî dergi kaydında correspondence author olarak gösterilmektedir.
Eş katkı: Kaynakta eş katkı/eş birinci yazarlık bildirimi bulunmamaktadır.
Yüklenen sürüm: arXiv:2509.23450v2 [stat.ME], 9 Ekim 2025.
Hakemli yayın: Journal of the Royal Statistical Society Series A: Statistics in Society.
Cilt / sayı: Volume 189, Issue 2.
Sayı tarihi: April 2026.
Sayfalar: 646–667.
Çevrim içi yayın tarihi: 9 Ekim 2025.
Makale geçmişi: Received 19 Şubat 2025; revision received 8 Ağustos 2025; accepted 13 Eylül 2025.
DOI: 10.1093/jrsssa/qnaf146.
Yayınevi: Oxford University Press; Journal of the Royal Statistical Society Series A, Royal Statistical Society yayını.
Kaynak türü: Yüklenen dosya arXiv v2; aynı çalışmanın hakemli journal version of record'u yayımlanmıştır.
Hakemlik: Hakemli dergi makalesidir. Yüklenen metin ayrıca associate editor ve iki reviewer'a teşekkür etmektedir.
Lisans / yeniden kullanım: Hakemli sürüm © The Royal Statistical Society 2025, all rights reserved; Oxford University Press Standard Journals Publication Model. Açık CC lisansı değildir.
Ana çalışma türü: Ağ bilimi ve istatistiksel modelleme; sentetik ağ simülasyonları + gerçek ağ topolojisi case study + Bayesian SI inference.
Ana modeller: Kertész Threshold (KT) modeli; Susceptible-Infected (SI) continuous-time model.
Motif yöntemi: Edge-disjoint 4-node motif detection; Weisfeiler–Lehman graph hashing.
Belirsizlik: KT simülasyon eğrileri için 1.000 bağımsız run'ın empirical 2.5th/97.5th percentiles; kaynak bunu bootstrap confidence interval olarak da adlandırmaktadır. SI parametreleri için Bayesian %95 credible interval.
İstatistiksel test: Nonparametric k-sample Anderson–Darling test; Ethereum başlangıç senaryoları ve Avrupa grid karşılaştırmalarında \(p<0.001\) raporlanmıştır.
Ethereum verisi: Ethereum mainnet, Infura + Ethereum ETL; block 10,000,000–10,001,000; analiz penceresi 2020-05-04 14:48:40–14:58:40 UTC; giant component 627 node ve 666 edge.
Elektrik şebekeleri: Germany, Italy, France transmission networks; kaynak Union for the Coordination of the Transmission of Electricity olarak verilmiştir.
SI yazılımı: Julia Pathogen.jl.
MCMC: Metropolis–Hastings; 200.000 iteration; 20.000 burn-in; yaklaşık 48 saat; 32 GB RAM; 4.40 GHz Intel Core i7.
Finansman: Asim K. Dey için National Science Foundation, USA, NSF DMS 2453756 ve NASA 21-AIST21-2-0020.
Veri erişilebilirliği: Kaynak “All data are publicly available” demektedir.
Kod erişilebilirliği: Tüm R kodlarının istek üzerine sağlanabileceği belirtilmiştir; tam public code repository verilmemiştir.
Çıkar çatışması: Yazarlar potansiyel çıkar çatışması bildirmemiştir.
Yazar katkıları: Yüklenen PDF'de ayrı CRediT / Author Contributions bölümü bulunmamaktadır.
Supplementary material: Yüklenen preprint, ancillary files'ın arXiv abstract page üzerinde bulunduğunu belirtmektedir; hakemli sürüm de supplementary data kaydı sunmaktadır.
Kaynak-içi önemli tutarsızlık 1: Algorithm 1'de \(r_v\geq\delta\) koşulu ile \(\delta=0.001\) spontaneous-adopter açıklaması matematiksel olarak bağdaşmamaktadır.
Kaynak-içi önemli tutarsızlık 2: Ethereum için \(\alpha\sim U(1,2)\) yazılı prior'ı ile \(\alpha=0.0616\) posterioru aynı haliyle bağdaşmamaktadır.
Kaynak-içi önemli tutarsızlık 3: Motif Table 1/Section 3.2 ile Discussion'daki line-type/square-type yorumları tam uyuşmamaktadır.
Kaynak-içi önemli tutarsızlık 4: Kaynak “bootstrap” terminolojisini kullanırken Algorithm 2 doğrudan bağımsız simülasyon percentile'larını hesaplamaktadır.
Temel yorum sınırı: Gerçek Ethereum ve power-grid topolojileri kullanılmış olsa da “infection/failure” süreçleri modeldir; gerçek saldırı, gerçek blackout veya tarihsel düğüm arızası gözlemleri değildir.
Directionality sınırı: Ethereum transaction graph ve elektrik ağları symmetric KT/SI modellerini kullanabilmek için undirected ele alınmıştır; yazarlar gerçek sistemlerdeki yönlülüğü gelecekteki çalışma alanı olarak belirtmektedir.
Bir yorum bırakın
E-posta adresiniz yayınlanmayacaktır. Gerekli alanlar * ile işaretlenmiştir