Mürəkkəb şəbəkə diffuziyası, şəbəkədəki vəziyyətin, məlumatın, təsirin və ya nasazlığa bənzər prosesin düyünlər və əlaqələr vasitəsilə yayılmasını araşdıran şəbəkə elmi problemidir. Bu tədqiqat şəbəkə həndəsəsi və topologiyasının diffuziya sürətini necə dəyişdirdiyini Kertész Threshold (KT) modeli, Susceptible-Infected (SI) modeli, Stochastic Block Model simulyasiyaları, dörd düyünlü network motifləri və Bayesian Markov Chain Monte Carlo (MCMC) çıxarışı ilə araşdırır. Sintetik Erdős–Rényi, Geometric Random Graph və Delaunay Triangulation şəbəkələri ilə yanaşı Ethereum hesab–əməliyyat şəbəkəsi və İtaliya, Fransa və Almaniyanın elektrik ötürmə şəbəkələri təhlil edilmişdir. Tədqiqatın əsas nəticəsi budur ki, yayılma davranışı yalnız şəbəkədəki düyün və kənar sayından deyil; hub quruluşundan, mərkəzilik ölçülərindən, yerli motif həndəsəsindən və əlaqələr üzərindəki əlavə kovariatlardan asılı olaraq əhəmiyyətli dərəcədə dəyişir. Lakin tədqiqatdakı “infection” və “failure” terminləri əsasən model vəziyyətlərini ifadə edir; bunlar real Ethereum hesablarının və ya real elektrik stansiyalarının müşahidə edilmiş tarixi nasazlıqları deyil.
Sintetik şəbəkə simulyasiyalarında üç şəbəkə tipi təxminən eyni kənar sıxlığında müqayisə edilmişdir. Hər şəbəkə növündə 300 düyün istifadə edilmiş; Erdős–Rényi modeli üçün əlaqə ehtimalı 0.02, Geometric Random Graph üçün əlaqə radiusu 0.08 seçilmiş, Delaunay şəbəkəsi 300 təsadüfi nöqtədən qurulmuşdur. Hər şəbəkə növü üçün 1.000 müstəqil nümunə yaradılmış və KT modeli tətbiq edilmişdir. Mənbənin nəticələrinə görə diffuziya Delaunay Triangulation şəbəkələrində ən sürətli, Geometric Random Graph şəbəkələrində isə ən yavaş baş vermişdir. Bu müqayisə müəyyən parametrlərdəki simulyasiya nəticəsidir; bütün Delaunay və ya geometrik şəbəkələrin hər şəraitdə eyni sıralamanı göstərəcəyi mənasına gəlmir.
Dörd düyünlü motif təcrübəsində Stochastic Block Model şəbəkələrindən istifadə edilmişdir. M1 ulduz motifinin diffuziya sürəti ilə orta korrelyasiyası 0.9447, M2 xətt/path motifinin 0.8345, M3-ün isə 0.4776 olduğu bildirilmişdir. Bu nəticə motif konsentrasiyası ilə diffuziya sürəti arasında güclü əlaqələr göstərə bilər; lakin korrelyasiya təkbaşına konkret motifin yayılmanı səbəbli şəkildə sürətləndirdiyini sübut etmir.
Ethereum təhlili blok 10,000,000 ilə 10,001,000 arasındakı traces məlumatlarından və 4 may 2020 14:48:40–14:58:40 UTC arasında filtrlənmiş əməliyyatlardan yaradılmış hesab–əməliyyat şəbəkəsinə əsaslanır. Nəhəng komponent 627 düyün və 666 kənardan ibarət olmuşdur. KT modelində başlanğıc düyünlərinin təsadüfi seçilməsi, yüksək degree və ya betweenness centrality düyünlərinin hədəflənməsi ilə müqayisədə daha yavaş model yayılması yaratmışdır; üç ssenari arasındakı fərq üçün k-sample Anderson–Darling testi \(p<0.001\) olaraq bildirilmişdir.
Bayesian SI modelində Ethereum üçün normalized degree centrality, betweenness centrality, clustering coefficient və normallaşdırılmış transaction value modelə kovariat kimi daxil edilmişdir. Mənbə clustering coefficient üçün posterior orta əmsalı 4.5457, degree centrality üçün 1.9022 və betweenness centrality üçün 1.0475 olaraq bildirir. Bununla yanaşı clustering coefficient-in %95 credible interval-ı 0.0034–9.7166 kimi çox genişdir. Bundan əlavə, Ethereum üçün yazılmış \(\alpha\sim U(1,2)\) önsəli ilə \(\alpha=0.0616\) posterior ortalaması riyazi olaraq uyğun gəlmədiyindən bu parametrə dair mənbə qeydi ehtiyatla şərh edilməlidir.
Elektrik infrastrukturu bölməsində İtaliya, Almaniya və Fransanın ötürmə şəbəkələri müqayisə edilmişdir. KT modelində erkən dövrdə İtaliya daha sürətli yayılma göstərərkən Fransa ilk 75 timestep boyunca daha aşağı yoluxmuş düyün nisbəti göstərmiş; 75 timestep-dən sonra İtaliyadakı yayılma yavaşlamış və uzun dövrdə İtaliya daha yavaş qalmışdır. Mənbəyə görə üç elektrik şəbəkəsinin diffuziya nisbətləri arasındakı fərq həm degree-mərkəzli, həm də betweenness-mərkəzli başlanğıc ssenarilərində \(p<0.001\)-dir.
Mürəkkəb şəbəkə nədir?
Tədqiqat mürəkkəb şəbəkəni:
şəklində müəyyən edir. \(V\) düyünlər çoxluğunu, \(E\) düyünlər arasındakı kənarları, \(\omega\) isə kənar çəkilərini təmsil edən funksiyanı bildirir. Əməliyyat şəbəkəsi nəzərə alınarsa, düyün bir hesab, kənar iki hesab arasındakı əməliyyat əlaqəsi, kənar çəkisi isə əməliyyat həcmi ola bilər. Elektrik şəbəkəsində isə düyün elektrik stansiyası və ya yarımstansiya, kənar fiziki ötürmə xəttidir.
Şəbəkənin adjacency matrix-i \(A\), hansı düyünlərin bir-birinə bağlı olduğunu matris şəklində göstərir. Çəkili şəbəkədə:
Mənbə bəzi təhlillərdə çəkilərin nəzərə alınmadığı unweighted şəbəkə görünüşündən də istifadə edir; bu halda əlaqə varsa dəyər 1, yoxdursa 0 olur.
Degree, orta yol uzunluğu və diameter
Bir düyünün degree dəyəri həmin düyünə bağlı kənarların sayıdır:
Degree centrality-si yüksək olan düyün birbaşa çox sayda başqa düyünlə təmasdadır. Belə düyün diffuziyanın başlanğıc nöqtəsi seçildikdə vəziyyətin qısa müddətdə çoxsaylı qonşuya çatması mümkündür.
İki düyün arasındakı ən qısa yol uzunluğu \(\ell_{ij}\) olduqda mənbə orta yol uzunluğunu:
şəklində verir. Diameter isə şəbəkədəki bütün ən qısa yolların ən böyüyüdür:
Orta yol uzunluğu şəbəkə daxilində tipik olaraq neçə əlaqədən keçildiyini; diameter isə topoloji baxımdan bir-birindən ən uzaq iki nöqtə arasındakı ən qısa yolun uzunluğunu ümumiləşdirir.
Betweenness centrality və clustering coefficient
Betweenness centrality, bir düyünün digər düyün cütləri arasındakı ən qısa yollar üzərində nə dərəcədə vasitəçi rol oynadığını ölçür. Birbaşa çox qonşusu olmayan düyün belə iki böyük şəbəkə sahəsi arasında körpü mövqeyindədirsə, yüksək betweenness dəyərinə malik ola bilər.
Clustering coefficient isə düyünün qonşularının öz aralarında da bağlı olmağa meylini ifadə edir. Yüksək dəyər yerli səviyyədə daha sıx üçbucaq və ya qapalı əlaqə quruluşlarının mövcudluğuna işarə edir.
Bu Tədqiqatda “Yoluxma” Həqiqi Xəstəlik, Yoxsa Həqiqi Nasazlıqdır?
Xeyr. “Infection”, “adoption” və bəzi bölmələrdə “failure” tədqiqatın şəbəkə yayılma modellərində istifadə etdiyi vəziyyət dəyişənləridir; bunlar Ethereum hesabının həqiqətən ələ keçirilməsi, elektrik stansiyasının faktiki sıradan çıxması və ya real epidemiya müşahidəsi demək deyil. Real şəbəkə topologiyaları modelə giriş kimi istifadə oluna bilər, lakin KT və SI vəziyyət keçidləri modelləşdirilmiş yayılma prosesləridir.
Kertész Threshold modeli
Kertész Threshold (KT) modeli Watts threshold modelinin üç vəziyyətli genişləndirilməsi kimi istifadə olunur. Mənbənin təqdimatında düyünlər:
- Susceptible (S): Hələ yayılma vəziyyətinə keçməmiş düyün,
- Adoption/Infected (A/I): Yayılma vəziyyətinə keçmiş düyün,
- Blocked (B): Xarici təsirdən təsirlənməyən və vəziyyətini dəyişməyən düyün
kimi nəzərdən keçirilir.
Düyünün yoluxmuş qonşularının nisbəti müəyyən threshold \(\tau\)-nu aşdıqda düyün yeni vəziyyətə keçə bilər. Bundan əlavə \(\delta\) spontaneous adopter rate qonşulardan asılı olmayan ekzogen/spontan keçidi təmsil etmək üçün modelə daxil edilmişdir.
Mənbənin Appendix A pseudocode-unda qonşu yoluxma nisbəti:
şəklində hesablanır.
Mənbədaxili alqoritm uyğunsuzluğu: Mənbənin pseudocode-u daha sonra:
şərtini yazır. \(r_v\) 0–1 intervalında uniform random ədəd, \(\delta=0.001\) olduqda bu yazılmış şərt spontan keçidi çox yüksək ehtimallı edir. Bu, məqalənin \(\delta\)-nı çox kiçik adopter rate kimi izah etməsi və göstərilən diffuziya əyriləri ilə uyğun gəlmir. Verianla mənbədə hansı işarənin səhv olduğunu fərz edərək pseudocode-u dəyişdirmir.
Kertész Threshold Modeli ilə SI Modeli Arasındakı Əsas Fərq Nədir?
KT modeli əsasən qonşuların yoluxmuş nisbəti, threshold və blocked/spontaneous vəziyyətləri vasitəsilə ayrıq timestep-lərdə kaskad yaradır; SI modeli isə düyünlərin susceptible vəziyyətdən infected vəziyyətə keçid sürətini continuous-time Poisson prosesi və kovariatlardan asılı hazard/transition rate ilə modelləşdirir və parametrlərini Bayesian MCMC ilə qiymətləndirir.
KT modelində iki əsas diffuziya metriyi
Birinci metrik hər hansı \(t\) zamanındakı yoluxmuş düyün nisbətidir:
\(N_{\text{infected}}(t)\), timestep \(t\)-də model vəziyyətində yoluxmuş sayılan düyünlərin sayı; \(N_{\text{total}}\) isə ümumi düyün sayıdır. Nəticə 0 ilə 1 arasında nisbətdir.
İkinci metrik orta diffuziya sürətidir:
\(\eta(0)\) başlanğıcdakı yoluxmuş nisbəti, \(\eta(s)\) steady-state yoluxmuş nisbəti, \(t_s\) isə bu steady state-ə çatmaq üçün lazım olan timestep sayını göstərir. Mənbə bütün bu təcrübələrdə \(\eta(s)=0.95\) istifadə edir; bunun səbəbi blocked düyünlərin nisbətinin %5 olması və modeldə qalan düyünlərin sonda yoluxmuş sayılmasıdır.
Network motif nədir?
Network motif, daha böyük şəbəkə daxilində təkrarlanan kiçik bağlı alt-şəbəkə həndəsəsidir. Degree kimi ölçü tək bir düyünün əlaqə sayına baxdığı halda, motif bir neçə düyünün birlikdə yaratdığı yerli həndəsi düzəni araşdırır.
Mənbə dörd düyünlü altı connected motif müəyyən edir. Aşağıdakı təsvir bu riyazi əlaqə quruluşlarını Verianla üçün müstəqil şəkildə yenidən göstərir:
Motif konsentrasiyası
Motif növü \(i\)-nin şəbəkədəki konsentrasiyası:
şəklində müəyyən edilir. \(N_i\) konkret motif növünün sayı, məxrəcdəki cəm isə qiymətləndirilən bütün \(n\)-düyünlü motiflərin ümumi sayıdır.
Mənbə motifləri saymaq üçün xüsusi edge-disjoint motif detection alqoritmindən istifadə edir. Dörd düyünlü namizəd altqraflar Weisfeiler–Lehman (WL) hashing vasitəsilə struktur imzaya çevrilir və altı canonical template ilə müqayisə olunur. Altqrafın kənarlarından biri əvvəllər sayılmış motifdə istifadə edilibsə, yenidən sayılmır. Beləliklə eyni kənar birdən çox motif nümunəsinə töhfə vermir.
Motif Korrelyasiyaları Səbəbiyyət Göstərirmi?
Xeyr. Tədqiqatda motif konsentrasiyası ilə orta diffuziya sürəti arasında korrelyasiya hesablanmışdır; yüksək müsbət korrelyasiya konkret motifin sıx olduğu simulyasiyalarda daha sürətli yayılmanın birlikdə müşahidə edildiyini göstərir. Korrelyasiya təkbaşına motifin digər bütün topoloji xüsusiyyətlərdən müstəqil səbəbli təsirini ayırd etmir.
SI modeli
Susceptible-Infected (SI) modelində düyünlər iki vəziyyətdən birində olur: susceptible və ya infected. Mənbə bu modeli continuous-time Poisson process çərçivəsində qurur. Susceptible düyün \(i\)-nin \(t\) anındakı infection transition rate-i:
Bu düstur dörd hissəni birləşdirir:
- \(\psi_S(i)\): susceptible düyün \(i\)-nin həssaslığı,
- \(\psi_T(j)\): infected düyün \(j\)-nin transmissibility dəyəri,
- \(\kappa(i,j)\): \(i\) ilə \(j\) arasındakı əlaqə/məsafə/ortaq risk quruluşunu təmsil edən kernel,
- \(\epsilon(i)\): müşahidə olunan şəbəkədən kənardakı izah edilməmiş mənbələrdən gələ biləcək əlavə “spark” riski.
\(\lambda_{SI}\) vəziyyət keçid intensivliyidir. Daha yüksək dəyər model daxilində susceptible düyünün infected vəziyyətə daha sürətlə keçməsini ifadə edir; bu, birbaşa fiziki nasazlıq faizi deyil.
Susceptibility funksiyası
\(X_k(i)\) susceptible düyünə aid kovariatlar; \(\omega_k\) isə onların susceptibility üzərindəki əmsallarıdır.
Transmissibility funksiyası
Bu funksiya infected düyünün struktur xüsusiyyətlərinin modeldəki ötürmə/yayılma qabiliyyətinə necə daxil olduğunu göstərir.
Əlaqə kernel-i
\(d_{ij}\) iki düyün arasındakı məsafədir. \(\alpha\) distance term-in miqyasını; \(\gamma\) isə məsafənin təsirinin hansı sürətlə azaldığını müəyyən edir. \(C_{ij}^{(q)}\) ikili və ya kəmiyyət şəbəkə kovariatlarını; \(\theta_q\) isə bu kovariatların əmsallarını təmsil edir.
\(d_{ij}^{-\gamma}\) termini \(\gamma>0\) olduqda məsafə artdıqca azalır. Bu, riyazi olaraq yaxın düyünlərin daha güclü əlaqə riski daşımasına imkan verən quruluşdur. Bu şərh model tənliyinin riyazi nəticəsidir; real sistemdə eyni funksiyanın fiziki qanun olduğu iddiası deyil.
SI likelihood funksiyası
Mənbə parametr vektorunu:
şəklində müəyyən edir.
Likelihood:
Burada:
həmin anda bütün susceptible düyünlərdəki ümumi keçid intensivliyidir. Düyünün baş verən keçidə aid nisbi hazard payı:
şəklində verilir. Eksponensial termin Poisson-process / exponential inter-event-time quruluşundan gəlir.
Metropolis–Hastings qəbul ehtimalı
\(L(\Theta)\) likelihood, \(P(\Theta)\) prior distribution-dır. Yeni təklif \(\Theta_w\) qəbul edilməzsə, zəncir əvvəlki \(\Theta_{w-1}\) dəyərində qalır. Çoxsaylı iterasiyadan sonra zəncirin hədəf posterior paylanmaya yaxın nümunələr yaratması nəzərdə tutulur.
Confidence interval ilə credible interval eyni şey deyil
Sintetik KT simulyasiyasındakı %95 intervallar müəyyən timestep-dəki 1.000 simulyasiya nəticəsinin empirik %2,5–%97,5 percentillərinə əsaslanır. Bayesian SI modelindəki %95 credible interval isə posterior parameter distribution-ın %95-lik sahəsini ifadə edir. Eyni “%95” etiketi işlədilsə də, iki intervalın statistik mənası eyni deyil.
Tədqiqatın Metodu və Nəticələri
1. Sintetik şəbəkə topologiyasının müqayisəsi
| Xüsusiyyət | Erdős–Rényi (ER) | Geometric Random Graph (GRG) | Delaunay Triangulation (DT) |
|---|---|---|---|
| Düyün sayı | 300 | 300 | 300 |
| Şəbəkə parametri | \(p=0.02\) | \(r=0.08\) | 300 normally distributed point |
| Mənbədə hədəflənən kənar sayı | təxminən 897 | təxminən 900 | mənbə \(3n-6=894\) istifadə edir |
| Təxmini orta degree | 6 ətrafında saxlanmağa çalışılmışdır | ||
| Müstəqil şəbəkə nümunəsi | 1.000 | 1.000 | 1.000 |
ER üçün gözlənilən kənar sayı mənbədə:
ilə hesablanır və \(n=300,p=0.02\) üçün təxminən 897 alınır.
GRG üçün mənbə təxminən:
istifadə edərək təxminən 900 kənara çatır.
DT üçün mənbə \(3n-6=894\) kənar dəyərindən istifadə edir. Verianla bu dəyəri mənbənin simulyasiya dizaynındakı rəqəm kimi qoruyur.
KT simulyasiya parametrləri
| Parametr | Dəyər | Məna |
|---|---|---|
| \(\eta(0)\) | 0.01 | Başlanğıcda infected düyün nisbəti |
| \(k\) | 500 | Maksimum timestep/iteration |
| \(\delta\) | 0.001 | Spontaneous adopter rate kimi müəyyən edilən parametr |
| \(\beta\) | 0.05 | Blocked düyün nisbəti |
| \(\tau\) | 0.30 və 0.40 | Qonşu təsiri threshold-u |
| Başlanğıc seed seçimi | top %1 degree və ya top %1 betweenness | Yüksək centrality başlanğıc ssenariləri |
Hər timestep üçün 1.000 müstəqil simulyasiyadakı \(\eta(t)\) dəyərləri toplanmış, orta əyri hesablanmış və %2,5–%97,5 empirik percentilləri interval kimi çəkilmişdir.
Mənbədə DT şəbəkələri ən sürətli, GRG şəbəkələri isə ən yavaş yayılmanı göstərir. Eyni keyfiyyət sıralaması başlanğıc seed-lər highest betweenness centrality ilə seçildikdə supplementary təhlildə də görülmüşdür.
2. Stochastic Block Model və motif təcrübəsi
SBM təcrübəsində:
və hər community 200 düyündən ibarətdir. Başlanğıc probability matrix-i:
Within-community əlaqə ehtimalı \(p_w=0.030\) sabit saxlanmış; between-community probability \(p_b\), 0.001–0.01 arasında 10 müxtəlif dəyərdə dəyişdirilmişdir. Hər konfiqurasiya 1.000 dəfə simulyasiya edilmiş və 500 timestep-ə qədər və ya bütün uyğun düyünlər infected vəziyyətə gələnədək işlədilmişdir.
| Motif | Mənbədəki həndəsi tərif | Orta korrelyasiya | Standart sapma |
|---|---|---|---|
| M1 | Ulduz | 0.9447 | 0.0385 |
| M2 | Line-type / dörd düyünlü yol | 0.8345 | 0.0860 |
| M3 | Daha sıx üçbucaqlı/əlavə əlaqəli motif | 0.4776 | 0.2554 |
M4, M5 və M6 mənbə simulyasiyalarında çox aşağı tezlikdə görüldüyü üçün korrelyasiya təcrübəsindən çıxarılmışdır.
M1-in korrelyasiyası həm yüksəkdir, həm də simulyasiyalar arasındakı standart sapması kiçikdir. M2 də güclü müsbət korrelyasiyaya malikdir. M3-ün orta korrelyasiyası daha aşağıdır və standart sapması 0.2554 ilə daha yüksəkdir; bu da simulyasiyalar arasında əlaqənin daha dəyişkən olduğunu göstərir.
Mənbədaxili müzakirə qeydi: Section 3.2 və Cədvəl 1 M1 ulduz və M2 line-type motiflərinin güclü müsbət əlaqəsini açıq şəkildə bildirir. Discussion bölməsindəki “star and square-type motifs” / “long line-type motifs have minimal impact” ifadəsi bu təriflə uyğun gəlmir. Verianla kəmiyyət nəticəsini Cədvəl 1-ə əsasən təqdim edir və müzakirədəki terminologiyanı ayrıca düzəltmiş kimi göstərmir.
3. Ethereum məlumat dəsti
| Element | Məlumat |
|---|---|
| Mənbə | Ethereum mainnet, Infura |
| Çevirmə aləti | Ethereum ETL |
| Çıxarılan block intervalı | 10,000,000–10,001,000 |
| Təhlil olunan zaman pəncərəsi | 2020-05-04 14:48:40–14:58:40 UTC |
| Düyün | Ethereum hesabı |
| Kənar | İki hesab arasında əməliyyat |
| Kənar çəkisi | Əməliyyat həcmi |
| İstifadə olunan komponent | Giant component |
| Giant component düyün sayı | 627 |
| Giant component kənar sayı | 666 |
Burada araşdırılan şəbəkə Ethereum account transaction graph-dır. Düyünlər Ethereum P2P müştəriləri və ya fiziki network router-ları deyil. Buna görə nəticələrin birbaşa müşahidə etdiyi quruluş hesablararası əməliyyat qrafıdır; Ethereum-un altında işləyən peer-to-peer mesaj yayılma infrastrukturu ayrıca ölçülməmişdir.
Degree distribution sağa əyilmiş və hub-dominated kimi təsvir edilmişdir: az sayda düyün yüksək degree daşıdığı halda, düyünlərin çoxu aşağı əlaqəlidir.
Şəbəkə Niyə Təsadüfi Nasazlıqlara Davamlı, Hədəfli Hücumlara isə Kövrək Ola Bilər?
Hub-dominated şəbəkədə düyünlərin böyük hissəsi aşağı degree daşıyırsa, təsadüfi seçilən başlanğıc düyünün kritik hub olma ehtimalı məhdud ola bilər; bunun əksinə olaraq, ən yüksək degree və ya betweenness düyünlərini birbaşa hədəfləmək çoxsaylı yol və qonşuya eyni anda təsir göstərə bilər. Bu tədqiqatdakı Ethereum KT simulyasiyasında random seed-lər yüksək-centrality seed-lərlə müqayisədə daha yavaş model yayılması yaratmışdır.
Ethereum KT təcrübəsi
| Parametr | Dəyər |
|---|---|
| Başlanğıc infected nisbəti | 0.01 |
| Iteration | 500 |
| \(\delta\) | 0.001 |
| Blocked nisbəti \(\beta\) | 0.05 |
| Threshold \(\tau\) | 0.40 |
| Başlanğıc seçimi | random / highest degree / highest betweenness |
Random başlanğıcda model yayılması, yüksək degree və ya betweenness centrality düyünlərinin başlanğıc mənbə seçildiyi ssenarilərlə müqayisədə daha yavaşdır.
Mənbə həmçinin zaman ərzində degree və betweenness ssenarilərinin bir-birinə nəzərən sıralamasının sabit olmadığını bildirir: timestep 1–100 arasında degree başlanğıcı daha yüksək infected fraction yaradırsa, 101–200 arasında betweenness önə keçir; 201–400 arasında meyl yenidən dəyişir.
Üç paylanma üçün nonparametric k-sample Anderson–Darling testi:
nəticəsini verir. Bu test üç ssenaridə müşahidə olunan paylanmaların eyni ümumi paylanmadan gəldiyi hipotezinə qarşı fərq olduğunu dəstəkləyir. Test təkbaşına “degree hücumu betweenness hücumundan hər timestep-də səbəbli olaraq daha güclüdür” nəticəsini vermir.
Ethereum SI modeli
Ethereum tətbiqində susceptibility sabitləşdirilmişdir:
Transmissibility funksiyası:
şəklindədir. \(X_1\) normalized degree centrality, \(X_2\) normalized betweenness centrality və \(X_3\) normalized clustering coefficient-dır. Hər biri öz şəbəkəsindəki maksimum dəyərə bölünərək normallaşdırılır.
Ethereum connectivity kernel-i:
\(d_{ij}\) bu tətbiqdə shortest-path distance; \(C_{ij}\) normalized transaction value-dır. \(\theta\), əməliyyat dəyərinin transition rate üzərindəki model əmsalıdır.
Sparks function:
kimi sabitləşdirilmişdir.
Ethereum üçün mənbədə yazılmış prior-lar
Mühüm uyğunsuzluq: Yuxarıdakı \(\alpha\sim U(1,2)\) mənbədə məhz bu şəkildə yazılsa da, posterior \(\alpha\) dəyərləri 1-dən xeyli aşağıdır. Buna görə \(\alpha\)-nın Ethereum posterioru yazılmış prior ilə eyni modelin nəticəsi kimi riyazi şəkildə yenidən hasil edilə bilməz.
MCMC parametrləri
| Element | Dəyər |
|---|---|
| Proqram təminatı | Julia / Pathogen.jl |
| Alqoritm | Metropolis–Hastings MCMC |
| Ümumi iteration | 200.000 |
| Burn-in | 20.000 |
| Təxmini hesablama müddəti | 48 saat |
| RAM | 32 GB |
| CPU | 4.40 GHz Intel Core i7 |
Ethereum posterior parametrləri
| Parametr | Posterior orta | %95 credible interval | Modeldəki rol |
|---|---|---|---|
| \(\zeta\) | 0.0001 | \((3.804\times10^{-5},0.0002)\) | Şəbəkədənkənar/sparks risk |
| \(\alpha\) | 0.0616 | \((0.0107,0.1872)\) | Məsafə kernel miqyası |
| \(\gamma\) | 1.5190 | \((1.0148,1.9668)\) | Məsafə decay exponent |
| \(\theta\) | 30041.2 | \((9391.13,63724.2)\) | Normalized transaction value əmsalı |
| \(\phi_1\) | 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 |
Mənbə \(\zeta\)-nın aşağı olmasını external-source risk-in azlığı kimi şərh edir və transaction value əmsalı \(\theta\)-nın mühüm olduğunu bildirir. Lakin \(\theta\)-nın miqyası digər \(\phi\) əmsallarının miqyasından fərqli olduğuna görə yalnız əmsalların xam böyüklüklərini bir-biri ilə müqayisə etmək düzgün deyil.
\(\phi_3\)-ün posterior ortası \(\phi_1\) və \(\phi_2\)-dən böyükdür; mənbə buradan clustering coefficient-in daha güclü təsirini vurğulayır. Lakin \(\phi_3\)-ün credible interval-ı kifayət qədər geniş olduğundan qiymətləndirmə qeyri-müəyyənliyi ayrıca görünən saxlanmalıdır.
Bundan əlavə, mənbə posterior interval-ın sıfırı ehtiva etməməsini “statistically significant” hesab edir. Bu meyar positive-support prior-larla birlikdə istifadə edildiyindən klassik frequentist significance ilə eyni mənalı deyil.
4. Avropa elektrik ötürmə şəbəkələri
| Şəbəkə | Düyün | Kənar | Orta yol uzunluğu | Diameter |
|---|---|---|---|---|
| Almaniya | 445 | 567 | 11.7510 | 30 |
| İtaliya | 273 | 375 | 9.7420 | 28 |
| Fransa | 677 | 913 | 9.5920 | 26 |
Məlumatlar Union for the Coordination of the Transmission of Electricity mənbəsinə əsaslandırılır. Mənbə istifadə olunan network snapshot-ın dəqiq tarixini və ya məlumat təmizləmə/preprocessing detallarını əsas mətndə bildirmir.
Power-grid KT parametrləri
| Parametr | Dəyər |
|---|---|
| Başlanğıc infected nisbəti | 0.01 |
| Iteration \(k\) | 200 |
| \(\delta\) | 0.001 |
| Blocked nisbəti \(\beta\) | 0.05 |
| Threshold \(\tau\) | 0.30 |
| Başlanğıc seed | highest degree və ya highest betweenness |
Degree-centrality başlanğıcı altında ilk 1–25 timestep dövründə İtaliya daha sürətli yayılma göstərmişdir. Timestep 25 ətrafında mənbə İtaliya və Almaniya üçün təxminən %60 infected node bildirir. İlk 75 timestep boyunca Fransa daha aşağı infected fraction göstərir. Sonra İtaliyadakı yayılma yavaşlayır və uzun dövrdə İtaliya digər ikisindən daha aşağı infected fraction-a sahib olur.
Üç grid arasındakı fərq üçün:
bildirilmişdir. Highest-betweenness başlanğıcında supplementary təhlildə də \(p<0.001\) göstərilmişdir.
Power-grid SI modeli
Susceptibility:
Transmissibility:
\(X_1\) degree centrality, \(X_2\) betweenness centrality, \(X_3\) clustering coefficient-dır. Mənbə izah cümləsində səhvən üçüncü termini yenidən \(X_2\) kimi yazır; tənlik və elmi izah üçüncü dəyişənin clustering coefficient olduğunu aydın göstərir.
Power-grid connectivity kernel-i:
Burada \(d_{ij}\) stansiyaların coğrafi koordinatları arasındakı Euclidean distance-dır. Ethereum tətbiqindən fərqli olaraq bu kernel-ə transaction-value kimi əlavə \(C_{ij}\) kovariatı daxil edilmir.
Power-grid prior-ları
Power-grid posterior nəticələri
| Parametr | İtaliya orta (%95 CrI) | Almaniya orta (%95 CrI) | Fransa orta (%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 quruluşu üç şəbəkədə eyni deyil. İtaliyada \(\phi_2\) betweenness coefficient nisbətən böyük olduğu halda, Almaniyada \(\phi_3\) clustering coefficient; Fransada isə \(\phi_1\) degree coefficient daha yüksək posterior ortaya malikdir. Buna görə “eyni structural feature bütün power grids-də dominantdır” nəticəsi çıxarıla bilməz.
Mənbə \(\alpha\) və \(\gamma\)-nın üç şəbəkə arasında oxşar olduğunu və məsafənin təsirinin təxminən oxşar işlədiyini şərh edir. Xüsusilə \(\gamma\) dəyərləri təxminən 2.22–2.69 intervalındadır.
Tədqiqatın dəstəklədiyi nəticələr
- Müəyyən KT simulyasiya şərtlərində ER, GRG və DT şəbəkələri fərqli diffuziya əyriləri yaratmışdır.
- Mənbə simulyasiyasında DT ən sürətli, GRG isə ən yavaş diffuziyanı göstərmişdir.
- SBM simulyasiyasında M1 və M2 motif konsentrasiyaları diffuziya sürəti ilə güclü müsbət korrelyasiya göstərmişdir.
- Araşdırılan Ethereum account-transaction graph hub-dominated və sağa əyilmiş degree distribution göstərir.
- Ethereum KT simulyasiyasında high-centrality başlanğıclar random başlanğıcdan daha sürətli model yayılması yaratmışdır.
- Ethereum-un üç başlanğıc ssenarisi arasında k-sample Anderson–Darling testi \(p<0.001\) vermişdir.
- Ethereum SI modelində centrality, clustering və transaction-value kovariatları posterior modeldə müsbət əmsallarla yer almışdır.
- İtaliya, Almaniya və Fransa grid-lərinin KT diffuziya əyriləri eyni deyil; \(p<0.001\) bildirilmişdir.
- Üç power grid-də degree, betweenness və clustering əmsallarının posterior quruluşu bir-birindən fərqlidir.
- Real sistem həndəsəsinin model yayılmasını dəyişə bilməsinə dair həm simulyasiya, həm də real-topologiya case-study dəstəyi vardır.
Tədqiqatın dəstəkləmədiyi nəticələr
- Ethereum-un real P2P şəbəkəsində real hücum zamanı 627 düyünün bu şəkildə sıradan çıxdığı göstərilməmişdir.
- Araşdırılan Ethereum hub düyünlərinin həqiqətən exchange və ya mining pool olduğu məlumatlarla identifikasiya edilməmişdir.
- Motifin diffuziyaya səbəbli təsiri yalnız korrelyasiya təhlili ilə sübut edilməmişdir.
- DT şəbəkələrinin bütün şəbəkə sıxlıqlarında həmişə daha sürətli yayıldığı göstərilməmişdir.
- GRG şəbəkələrinin bütün şərtlərdə ən davamlı şəbəkə tipi olduğu sübut edilməmişdir.
- Avropa şəbəkələrində real tarixi blackout hadisələri bu KT simulyasiyası ilə yenidən yaradılmamışdır.
- SI posterior əmsalları fiziki nasazlıq ehtimalının birbaşa faiz qarşılığı deyil.
- Clustering coefficient-in bütün blockchain və power-grid sistemlərində universal olaraq ən güclü risk dəyişəni olduğu göstərilməmişdir.
- Hub-ların azaldılması və ya şəbəkənin decentralize edilməsinin real sistemdə müəyyən miqdarda təhlükəsizlik artımı yaradacağı ölçülməmişdir.
- Siyasət tövsiyələri birbaşa müdaxilə təcrübəsi ilə təsdiqlənməmişdir.
Əsas məhdudiyyətlər və təkrar istehsal edilə bilmə qeydləri
- Ethereum və power-grid şəbəkələri simmetrik modellərdən istifadə etmək üçün undirected kimi nəzərdən keçirilmişdir; real əməliyyat və enerji axınları təbii olaraq directionality daşıya bilər.
- Ethereum-da təhlil olunan transaction graph-dır; peer-to-peer message propagation network birbaşa müşahidə edilməmişdir.
- Power-grid məlumat snapshot tarixləri əsas mətndə ətraflı bildirilməmişdir.
- Mənbədə istifadə olunan KT Algorithm 1 spontaneous-adoption bərabərsizliyi izah edilən \(\delta\) mənası ilə riyazi olaraq uyğun gəlmir.
- “Bootstrap confidence interval” adı ilə Algorithm 2-dəki birbaşa empirical percentile proseduru eyni metod deyil.
- Ethereum \(\alpha\sim U(1,2)\) prior-u ilə bildirilən \(\alpha\) posterioru uyğun gəlmir.
- Motif Section 3.2/Table 1 ilə Discussion-dakı motif növü təsviri arasında terminoloji uyğunsuzluq vardır.
- Power-grid SI izahında \(X_3\) əvəzinə bir yerdə yenidən \(X_2\) yazılmışdır.
- Bayesian “significance” qərarı müsbət dəstəkli prior-lar altında credible interval-ın sıfırı ehtiva etməməsinə əsaslanır.
- Mənbə bütün məlumatların public olduğunu bildirir; lakin bütün R kodları açıq repository əvəzinə sorğu əsasında təqdim olunur.
- Müəlliflər gələcək tədqiqat kimi directionality və randomized null model–observed network müqayisəsini təklif edirlər.
Praktik məna necə oxunmalıdır?
Tədqiqat şəbəkə dizaynında yalnız ümumi əlaqə sayına baxmağın kifayət etməyə biləcəyini göstərən model və vəziyyət nəticələri təqdim edir. Təxminən eyni sıxlıqdakı şəbəkələrdə əlaqələrin hansı həndəsi qaydada təşkil olunması, hansı düyünlərin mərkəzi olması və yerli motiflərin quruluşu diffuziya dinamikasını dəyişə bilər.
Blockchain və ya kritik infrastruktur dizaynında bunun təhlükəsiz şərhi, high-centrality düyünlər və yerli həndəsənin resilience təhlili zamanı ayrıca izlənməli olmasıdır. Tədqiqatın birbaşa sübut etmədiyi şərh isə konkret yenidən dizaynın real sistemdə hücumu mütləq əngəlləyəcəyi və ya blackout riskini müəyyən faizlə azaldacağıdır.
Mənbə və Metod Qeydi
Orijinal başlıq: Understanding How Network Geometry Influences Diffusion Processes in Complex Networks: A Focus on Cryptocurrency Blockchains and Critical Infrastructure Networks
Azərbaycan dilində nəşr başlığı: Şəbəkə Həndəsəsinin Mürəkkəb Şəbəkələrdə Yayılma Proseslərinə Necə Təsir Etdiyini Anlamaq: Kriptovalyuta Blokçeynləri və Kritik İnfrastruktur Şəbəkələrinə Fokus
Müəlliflər: S M Mustaquim; Asim K. Dey; Abhijit Mandal.
Müəllif sırası: Yüklənmiş PDF-dəki sıra olduğu kimi qorunmuşdur.
Afiliasiya 1: Department of Mathematical Sciences, The University of Texas at El Paso, Texas, United States.
Afiliasiya 2: Department of Mathematics and Statistics, Texas Tech University, Lubbock, Texas, United States.
Məsul müəllif: Asim K. Dey; mənbə PDF-də və rəsmi jurnal qeydində correspondence author kimi göstərilir.
Bərabər töhfə: Mənbədə bərabər töhfə/bərabər birinci müəlliflik bəyanatı yoxdur.
Yüklənmiş versiya: arXiv:2509.23450v2 [stat.ME], 9 oktyabr 2025.
Resenziyalı nəşr: Journal of the Royal Statistical Society Series A: Statistics in Society.
Cild / say: Volume 189, Issue 2.
Say tarixi: April 2026.
Səhifələr: 646–667.
Onlayn nəşr tarixi: 9 oktyabr 2025.
Məqalə tarixçəsi: Received 19 fevral 2025; revision received 8 avqust 2025; accepted 13 sentyabr 2025.
DOI: 10.1093/jrsssa/qnaf146.
Nəşriyyat: Oxford University Press; Journal of the Royal Statistical Society Series A, Royal Statistical Society nəşri.
Mənbə növü: Yüklənmiş fayl arXiv v2-dir; eyni işin resenziyalı journal version of record-u yayımlanmışdır.
Resenziya: Resenziyalı jurnal məqaləsidir. Yüklənmiş mətn həmçinin associate editor və iki reviewer-a təşəkkür edir.
Lisenziya / təkrar istifadə: Resenziyalı versiya © The Royal Statistical Society 2025, all rights reserved; Oxford University Press Standard Journals Publication Model. Açıq CC lisenziyası deyil.
Əsas tədqiqat növü: Şəbəkə elmi və statistik modelləşdirmə; sintetik şəbəkə simulyasiyaları + real şəbəkə topologiyası case study + Bayesian SI inference.
Əsas modellər: Kertész Threshold (KT) modeli; Susceptible-Infected (SI) continuous-time model.
Motif metodu: Edge-disjoint 4-node motif detection; Weisfeiler–Lehman graph hashing.
Qeyri-müəyyənlik: KT simulyasiya əyriləri üçün 1.000 müstəqil run-ın empirical 2.5th/97.5th percentiles; mənbə bunu bootstrap confidence interval kimi də adlandırır. SI parametrləri üçün Bayesian %95 credible interval.
Statistik test: Nonparametric k-sample Anderson–Darling test; Ethereum başlanğıc ssenariləri və Avropa grid müqayisələrində \(p<0.001\) bildirilmişdir.
Ethereum məlumatı: Ethereum mainnet, Infura + Ethereum ETL; block 10,000,000–10,001,000; təhlil pəncərəsi 2020-05-04 14:48:40–14:58:40 UTC; giant component 627 node və 666 edge.
Elektrik şəbəkələri: Germany, Italy, France transmission networks; mənbə Union for the Coordination of the Transmission of Electricity kimi verilmişdir.
SI proqram təminatı: Julia Pathogen.jl.
MCMC: Metropolis–Hastings; 200.000 iteration; 20.000 burn-in; təxminən 48 saat; 32 GB RAM; 4.40 GHz Intel Core i7.
Maliyyələşdirmə: Asim K. Dey üçün National Science Foundation, USA, NSF DMS 2453756 və NASA 21-AIST21-2-0020.
Məlumatların əlçatanlığı: Mənbə “All data are publicly available” bildirir.
Kodun əlçatanlığı: Bütün R kodlarının sorğu əsasında təqdim oluna biləcəyi göstərilmişdir; tam public code repository verilməmişdir.
Maraqların toqquşması: Müəlliflər potensial maraqların toqquşmasını bildirməmişdir.
Müəllif töhfələri: Yüklənmiş PDF-də ayrıca CRediT / Author Contributions bölməsi yoxdur.
Supplementary material: Yüklənmiş preprint ancillary files-ın arXiv abstract page-də olduğunu bildirir; resenziyalı versiya da supplementary data qeydi təqdim edir.
Mənbədaxili mühüm uyğunsuzluq 1: Algorithm 1-də \(r_v\geq\delta\) şərti ilə \(\delta=0.001\) spontaneous-adopter izahı riyazi baxımdan uyğun gəlmir.
Mənbədaxili mühüm uyğunsuzluq 2: Ethereum üçün \(\alpha\sim U(1,2)\) yazılı prior-u ilə \(\alpha=0.0616\) posterioru eyni formada uyğun gəlmir.
Mənbədaxili mühüm uyğunsuzluq 3: Motif Table 1/Section 3.2 ilə Discussion-dakı line-type/square-type şərhləri tam uyğun gəlmir.
Mənbədaxili mühüm uyğunsuzluq 4: Mənbə “bootstrap” terminologiyasından istifadə etdiyi halda Algorithm 2 birbaşa müstəqil simulyasiya percentile-lərini hesablayır.
Əsas şərh sərhədi: Real Ethereum və power-grid topologiyaları istifadə olunsa da, “infection/failure” prosesləri modeldir; real hücum, real blackout və ya tarixi düyün nasazlığı müşahidələri deyil.
Directionality sərhədi: Ethereum transaction graph və elektrik şəbəkələri symmetric KT/SI modellərindən istifadə etmək üçün undirected kimi nəzərdən keçirilmişdir; müəlliflər real sistemlərdəki istiqamətliliyi gələcək tədqiqat sahəsi kimi göstərirlər.
Şərh yazın
E-poçt ünvanınız yayımlanmayacaq. Məcburi sahələr * ilə işarələnib