Utafiti wa kitaaluma, lugha inayoeleweka

Verianla | Akademik Araştırmalardan Türkçe Ekonomi ve Bilim İçerikleri

19 Novemba 2026, Alhamisi
VERİANLA Uchapishaji huru wa sayansi
Fungua au funga menyu
...
Home / Sayansi za Jamii / Uchumi wa Kifedha / Kuelewa Jinsi Jiometria ya Mtandao Inavyoathiri Michakato ya Usambaaji katika Mitandao Changamano: Kuzingatia Blockchain za Sarafu-fiche na Mitandao ya Miundombinu Muhimu
Uchumi wa Kifedha

Kuelewa Jinsi Jiometria ya Mtandao Inavyoathiri Michakato ya Usambaaji katika Mitandao Changamano: Kuzingatia Blockchain za Sarafu-fiche na Mitandao ya Miundombinu Muhimu

Usambaaji katika mtandao changamano ni tatizo la sayansi ya mitandao linalochunguza jinsi hali, taarifa, athari au mchakato unaofanana na hitilafu unavyoenea kupitia nodi na miunganisho katika mtandao.

16/11/2026  Veri Anla  Imetazamwa mara 218
Kuelewa Jinsi Jiometria ya Mtandao Inavyoathiri Michakato ya Usambaaji katika Mitandao Changamano: Kuzingatia Blockchain za Sarafu-fiche na Mitandao ya Miundombinu Muhimu

Usambaaji katika mtandao changamano ni tatizo la sayansi ya mitandao linalochunguza jinsi hali, taarifa, athari au mchakato unaofanana na hitilafu unavyoenea kupitia nodi na miunganisho katika mtandao. Utafiti huu unachunguza jinsi jiometria na topolojia ya mtandao vinavyobadilisha kasi ya usambaaji kwa kutumia modeli ya Kertész Threshold (KT), modeli ya Susceptible-Infected (SI), uigaji wa Stochastic Block Model, network motif za nodi nne na uinferensi wa Bayesian Markov Chain Monte Carlo (MCMC). Mbali na mitandao sanisi ya Erdős–Rényi, Geometric Random Graph na Delaunay Triangulation, mtandao wa akaunti–miamala wa Ethereum pamoja na mitandao ya usafirishaji wa umeme ya Italia, Ufaransa na Ujerumani imechunguzwa. Hitimisho kuu la utafiti ni kwamba tabia ya ueneaji hubadilika kwa kiasi kikubwa si kwa kutegemea tu idadi ya nodi na edges katika mtandao, bali pia muundo wa hub, vipimo vya centrality, jiometria ya motif za eneo na kovariati za ziada kwenye miunganisho. Hata hivyo, maneno “infection” na “failure” katika utafiti huu kwa kiasi kikubwa yanawakilisha hali za modeli; si hitilafu za kihistoria zilizoshuhudiwa katika akaunti halisi za Ethereum au vituo halisi vya umeme.

Katika uigaji wa mitandao sanisi, aina tatu za mitandao zililinganishwa kwa msongamano wa edges unaokaribiana. Nodi 300 zilitumika kwa kila aina ya mtandao; uwezekano wa muunganisho wa 0.02 ulichaguliwa kwa modeli ya Erdős–Rényi, radius ya muunganisho ya 0.08 kwa Geometric Random Graph, na mtandao wa Delaunay uliundwa kutoka pointi 300 za nasibu. Sampuli huru 1.000 ziliundwa kwa kila aina ya mtandao na modeli ya KT ikatumika. Kwa mujibu wa matokeo ya chanzo, usambaaji ulikuwa wa haraka zaidi katika mitandao ya Delaunay Triangulation na wa polepole zaidi katika mitandao ya Geometric Random Graph. Ulinganisho huu ni matokeo ya uigaji katika vigezo maalumu; haumaanishi kuwa mitandao yote ya Delaunay au ya kijiometria itaonyesha mpangilio huo huo katika kila hali.

Katika jaribio la motif za nodi nne, mitandao ya Stochastic Block Model ilitumika. Wastani wa korelesheni kati ya motif ya nyota M1 na kasi ya usambaaji uliripotiwa kuwa 0.9447, motif ya mstari/path M2 kuwa 0.8345, na M3 kuwa 0.4776. Matokeo haya yanaweza kuonyesha uhusiano wenye nguvu kati ya mkusanyiko wa motif na kasi ya usambaaji; lakini korelesheni pekee haithibitishi kuwa motif fulani husababisha ueneaji kuwa wa haraka zaidi.

Uchanganuzi wa Ethereum unategemea mtandao wa akaunti–miamala ulioundwa kutoka data za traces kati ya block 10,000,000 na 10,001,000 na miamala iliyochujwa kati ya 4 Mei 2020 saa 14:48:40–14:58:40 UTC. Giant component ilikuwa na nodi 627 na edges 666. Katika modeli ya KT, kuchagua nodi za mwanzo kwa nasibu kulizalisha ueneaji wa modeli ulio polepole kuliko kulenga nodi zenye degree au betweenness centrality ya juu; kwa tofauti kati ya hali hizo tatu, jaribio la k-sample Anderson–Darling liliripoti \(p<0.001\).

Katika modeli ya Bayesian SI kwa Ethereum, normalized degree centrality, betweenness centrality, clustering coefficient na normalized transaction value ziliingizwa kama kovariati katika modeli. Chanzo kinaripoti wastani wa posterior coefficient wa 4.5457 kwa clustering coefficient, 1.9022 kwa degree centrality na 1.0475 kwa betweenness centrality. Hata hivyo, %95 credible interval ya clustering coefficient ni pana sana, 0.0034–9.7166. Zaidi ya hayo, prior iliyoandikwa kwa Ethereum ya \(\alpha\sim U(1,2)\) hailingani kihisabati na wastani wa posterior wa \(\alpha=0.0616\), hivyo rekodi ya chanzo kuhusu kigezo hiki inapaswa kutafsiriwa kwa tahadhari.

Katika sehemu ya miundombinu ya umeme, mitandao ya usafirishaji ya Italia, Ujerumani na Ufaransa ililinganishwa. Katika modeli ya KT, Italia ilionyesha ueneaji wa haraka zaidi mwanzoni, huku Ufaransa ikiwa na uwiano mdogo wa nodi infected katika timestep 75 za kwanza; baada ya timestep 75, ueneaji nchini Italia ulipungua kasi na kwa muda mrefu Italia ikabaki polepole zaidi. Kwa mujibu wa chanzo, tofauti ya viwango vya usambaaji kati ya grid tatu za umeme ni \(p<0.001\) katika hali za mwanzo zinazolenga degree na zinazolenga betweenness.

Mtandao changamano ni nini?

Utafiti unafafanua mtandao changamano kama:

\[ G=(V,E,\omega) \]

ambapo \(V\) ni mkusanyiko wa nodi, \(E\) ni edges kati ya nodi, na \(\omega\) ni kazi inayowakilisha uzito wa edge. Tukifikiria mtandao wa miamala, nodi inaweza kuwa akaunti, edge inaweza kuwa uhusiano wa muamala kati ya akaunti mbili, na uzito wa edge unaweza kuwa kiasi cha muamala. Katika grid ya umeme, nodi inaweza kuwa kituo cha kuzalisha umeme au substation, na edge ni laini halisi ya usafirishaji.

Adjacency matrix ya mtandao \(A\) huonyesha kwa mfumo wa matriksi nodi zipi zimeunganishwa. Katika mtandao wenye uzito:

\[ A_{ij}= \begin{cases} \omega_{ij}, & \{i,j\}\in E,\\ 0, & \text{aksi halde}. \end{cases} \]

Chanzo pia hutumia katika baadhi ya uchanganuzi mwonekano wa unweighted network ambapo uzito hauzingatiwi; katika hali hiyo thamani ni 1 ikiwa muunganisho upo na 0 ikiwa haupo.

Degree, urefu wa wastani wa njia na diameter

Thamani ya degree ya nodi ni idadi ya edges zilizounganishwa na nodi hiyo:

\[ \deg(u)= \sum_{u\neq v} \mathbf{1}_{\{u,v\}\in E}. \]

Nodi yenye degree centrality ya juu imeunganishwa moja kwa moja na nodi nyingi nyingine. Nodi kama hiyo ikichaguliwa kuwa sehemu ya kuanzia ya usambaaji, hali inaweza kufikia majirani wengi kwa muda mfupi.

Ikiwa urefu wa njia fupi zaidi kati ya nodi mbili ni \(\ell_{ij}\), chanzo kinatoa urefu wa wastani wa njia kama:

\[ L= \frac{\sum_{i\neq j}\ell_{ij}} {n(n-1)} \]

Diameter ni urefu mkubwa zaidi kati ya njia zote fupi zaidi katika mtandao:

\[ \operatorname{diam}(G) = \max_{i,j}\{\ell_{ij}\}. \]

Urefu wa wastani wa njia hufupisha kwa kawaida idadi ya miunganisho inayopitiwa ndani ya mtandao; diameter hufupisha urefu wa njia fupi zaidi kati ya pointi mbili zilizo mbali zaidi kitopolojia.

Betweenness centrality na clustering coefficient

Betweenness centrality hupima kiwango ambacho nodi hufanya kazi ya kati kwenye njia fupi zaidi kati ya jozi nyingine za nodi. Hata nodi isiyo na majirani wengi wa moja kwa moja inaweza kuwa na betweenness ya juu ikiwa iko katika nafasi ya daraja kati ya sehemu mbili kubwa za mtandao.

Clustering coefficient huonyesha mwelekeo wa majirani wa nodi kuwa pia wameunganishwa wao kwa wao. Thamani ya juu huashiria uwepo wa miundo ya ndani yenye pembetatu nyingi au miunganisho iliyofungwa kwa karibu zaidi.

Je, “Infection” Katika Utafiti Huu ni Ugonjwa Halisi au Hitilafu Halisi?

Hapana. “Infection”, “adoption” na katika baadhi ya sehemu “failure” ni vigezo vya hali vinavyotumiwa na utafiti katika modeli za ueneaji wa mtandao; havimaanishi kuwa akaunti ya Ethereum imetekwa kwa kweli, kituo cha umeme kimeharibika kimwili au mlipuko halisi wa ugonjwa umezingatiwa. Topolojia za mitandao halisi zinaweza kutumika kama ingizo la modeli, lakini mabadiliko ya hali katika KT na SI ni michakato ya ueneaji iliyomodelishwa.

Modeli ya Kertész Threshold

Modeli ya Kertész Threshold (KT) hutumiwa kama upanuzi wa hali tatu wa modeli ya Watts threshold. Katika uwasilishaji wa chanzo, nodi huchukuliwa kama:

  • Susceptible (S): Nodi ambayo bado haijaingia katika hali ya ueneaji,
  • Adoption/Infected (A/I): Nodi ambayo imeingia katika hali ya ueneaji,
  • Blocked (B): Nodi isiyoathiriwa na ushawishi wa nje na isiyobadilisha hali yake

.

Uwiano wa majirani infected wa nodi unapozidi threshold fulani \(\tau\), nodi inaweza kuhamia hali mpya. Pia \(\delta\) spontaneous adopter rate imeingizwa katika modeli ili kuwakilisha mpito wa nje/spontaneous usiotegemea majirani.

Katika Appendix A pseudocode ya chanzo, uwiano wa maambukizi ya majirani huhesabiwa kama:

\[ \lambda_v= \frac{ |\operatorname{neighbors}(v)\cap I_{t-1}| }{ |\operatorname{neighbors}(v)| } \]

.

Kutolingana kwa algoritimu ndani ya chanzo: Pseudocode ya chanzo kisha huandika sharti:

\[ \lambda_v\geq\tau \quad\text{veya}\quad r_v\geq\delta \]

. Ikiwa \(r_v\) ni namba ya uniform random kati ya 0–1 na \(\delta=0.001\), sharti hili lililoandikwa hufanya mpito wa spontaneous uwe na uwezekano mkubwa sana. Hali hii hailingani na maelezo ya makala ya \(\delta\) kama adopter rate ndogo sana wala na mikunjo ya usambaaji iliyoonyeshwa. Verianla haibadilishi pseudocode kwa kudhani ni ishara ipi katika chanzo iliyokosewa.

Tofauti Kuu Kati ya Modeli ya Kertész Threshold na Modeli ya SI ni Nini?

Modeli ya KT huunda cascade katika timestep tofauti kwa kutegemea hasa uwiano wa majirani infected, threshold na hali za blocked/spontaneous; modeli ya SI huunda kasi ya mpito wa nodi kutoka susceptible kwenda infected kwa continuous-time Poisson process na hazard/transition rate inayotegemea kovariati, na hukadiria vigezo vyake kwa Bayesian MCMC.

Vipimo viwili vikuu vya usambaaji katika modeli ya KT

Kipimo cha kwanza ni uwiano wa nodi infected katika wakati wowote \(t\):

\[ \eta(t)= \frac{ N_{\text{infected}}(t) }{ N_{\text{total}} }. \tag{1} \]

\(N_{\text{infected}}(t)\) ni idadi ya nodi zinazochukuliwa kuwa infected katika hali ya modeli kwenye timestep \(t\); \(N_{\text{total}}\) ni idadi jumla ya nodi. Matokeo ni uwiano kati ya 0 na 1.

Kipimo cha pili ni kasi ya wastani ya usambaaji:

\[ \nu= \frac{ \eta(s)-\eta(0) }{ t_s }. \tag{2} \]

\(\eta(0)\) huonyesha uwiano wa awali wa infected, \(\eta(s)\) uwiano wa steady-state infected, na \(t_s\) idadi ya timestep zinazohitajika kufikia steady state hiyo. Chanzo hutumia \(\eta(s)=0.95\) katika majaribio haya yote; sababu ni kwamba uwiano wa nodi blocked ni %5 na katika modeli nodi zilizobaki hatimaye huchukuliwa kuwa infected.

Network motif ni nini?

Network motif ni jiometria ndogo ya subnetwork iliyounganishwa inayojirudia ndani ya mtandao mkubwa zaidi. Wakati kipimo kama degree huangalia idadi ya miunganisho ya nodi moja, motif huchunguza mpangilio wa kijiometria wa eneo unaoundwa kwa pamoja na nodi kadhaa.

Chanzo kinafafanua connected motif sita za nodi nne. Mchoro ufuatao unaonyesha upya kwa njia huru miundo hii ya kihisabati ya muunganisho kwa ajili ya Verianla:

Huu ni mchoro wa motif uliochorwa upya kwa kujitegemea kwa Verianla kwa kuzingatia miundo ya kihisabati ya muunganisho iliyofafanuliwa katika Kielelezo 1 cha chanzo; mpangilio wa kuona wa kielelezo cha chanzo haujanakiliwa.

Mkusanyiko wa motif

Mkusanyiko wa aina ya motif \(i\) katika mtandao hufafanuliwa kama:

\[ C_i= \frac{N_i} {\sum_i N_i} \]

. \(N_i\) ni idadi ya aina maalumu ya motif, na jumla iliyo kwenye denominator ni idadi ya jumla ya motif zote za \(n\)-nodi zilizotathminiwa.

Chanzo hutumia algoritimu maalumu ya edge-disjoint motif detection kuhesabu motif. Candidate subgraph za nodi nne hubadilishwa kuwa saini ya kimuundo kwa Weisfeiler–Lehman (WL) hashing na kulinganishwa na canonical template sita. Ikiwa edge moja ya subgraph tayari ilitumika katika motif iliyohesabiwa, haihesabiwi tena. Kwa hivyo edge ileile haichangii zaidi ya mfano mmoja wa motif.

Je, Korelesheni za Motif Zinaonyesha Sababu?

Hapana. Katika utafiti, korelesheni kati ya mkusanyiko wa motif na kasi ya wastani ya usambaaji ilihesabiwa; korelesheni chanya ya juu inaonyesha kwamba ueneaji wa haraka zaidi ulionekana pamoja katika uigaji ambapo motif fulani ilikuwa na mkusanyiko mkubwa. Korelesheni peke yake haitengi athari ya sababu ya motif ambayo ingekuwa huru na sifa nyingine zote za topolojia.

Modeli ya SI

Katika modeli ya Susceptible-Infected (SI), nodi huwa katika mojawapo ya hali mbili: susceptible au infected. Chanzo huunda modeli hii ndani ya mfumo wa continuous-time Poisson process. Infection transition rate ya nodi susceptible \(i\) katika wakati \(t\) ni:

\[ \lambda_{SI}(i,t) = \psi_S(i) \sum_{j\in I(t)} \psi_T(j)\kappa(i,j) + \epsilon(i), \qquad i\in S(t),\;j\in I(t). \tag{3} \]

Formula hii inaunganisha sehemu nne:

  • \(\psi_S(i)\): susceptibility ya nodi susceptible \(i\),
  • \(\psi_T(j)\): thamani ya transmissibility ya nodi infected \(j\),
  • \(\kappa(i,j)\): kernel inayowakilisha muundo wa muunganisho/umbali/hatari ya pamoja kati ya \(i\) na \(j\),
  • \(\epsilon(i)\): hatari ya ziada ya “spark” inayoweza kutoka kwenye vyanzo visivyoelezwa nje ya mtandao unaoonekana.

\(\lambda_{SI}\) ni intensity ya mpito wa hali. Thamani ya juu ina maana kwamba chini ya modeli nodi susceptible huhamia hali ya infected kwa kasi zaidi; si asilimia ya moja kwa moja ya hitilafu ya kimwili.

Funksheni ya susceptibility

\[ \psi_S(i) = \omega_0+ \omega_1X_1(i)+ \cdots+ \omega_{p_1}X_{p_1}(i). \tag{4} \]

\(X_k(i)\) ni kovariati za nodi susceptible; \(\omega_k\) ni coefficients zao juu ya susceptibility.

Funksheni ya transmissibility

\[ \psi_T(j) = \phi_1X_1(j)+ \cdots+ \phi_{p_2}X_{p_2}(j). \tag{5} \]

Funksheni hii inaonyesha jinsi sifa za kimuundo za nodi infected zinavyoingia katika uwezo wa uhamishaji/ueneaji ndani ya modeli.

Kernel ya muunganisho

\[ \kappa(i,j) = \alpha d_{ij}^{-\gamma} + \theta_1C_{ij}^{(1)} + \cdots+ \theta_{p_3}C_{ij}^{(p_3)}. \tag{6} \]

\(d_{ij}\) ni umbali kati ya nodi mbili. \(\alpha\) huamua scale ya distance term; \(\gamma\) huamua kasi ambayo athari ya umbali hupungua. \(C_{ij}^{(q)}\) zinawakilisha kovariati za mtandao za binary au za kiasi; \(\theta_q\) zinawakilisha coefficients za kovariati hizo.

Neno \(d_{ij}^{-\gamma}\) hupungua kadiri umbali unavyoongezeka wakati \(\gamma>0\). Kihisabati, huu ni muundo unaoruhusu nodi zilizo karibu kuwa na hatari kubwa zaidi ya muunganisho. Tafsiri hii ni matokeo ya kihisabati ya mlinganyo wa modeli; si dai kwamba funksheni hiyo hiyo ni sheria ya kimwili katika mfumo halisi.

Funksheni ya SI likelihood

Chanzo hufafanua vector ya vigezo kama:

\[ \Theta= (\omega_0,\omega_1,\ldots,\omega_{p_1}, \phi_1,\ldots,\phi_{p_2}, \alpha,\gamma, \theta_1,\ldots,\theta_{p_3})^T \]

.

Likelihood:

\[ L(\Theta) = \prod_{t=1}^{T-1} \lambda(t)v(t) \exp\{-v(t)\Delta t\}. \tag{7} \]

Hapa:

\[ v(t) = \sum_{i\in S(t)} \lambda_{SI}(i,t) \]

ni intensity ya jumla ya mpito katika nodi zote susceptible kwa wakati huo. Sehemu ya hazard ya jamaa ya nodi katika mpito uliotokea hutolewa kama:

\[ \lambda(t)= \frac{\lambda_{SI}(i,t)}{v(t)} \]

. Neno la exponential linatokana na muundo wa Poisson-process / exponential inter-event-time.

Uwezekano wa kukubali wa Metropolis–Hastings

\[ \pi(\Theta_w,\Theta_{w-1}) = \min \left( 1, \frac{ L(\Theta_w)P(\Theta_w) }{ L(\Theta_{w-1})P(\Theta_{w-1}) } \right). \tag{8} \]

\(L(\Theta)\) ni likelihood na \(P(\Theta)\) ni prior distribution. Ikiwa pendekezo jipya \(\Theta_w\) halikubaliwi, chain hubaki katika thamani ya awali \(\Theta_{w-1}\). Baada ya iterations nyingi, lengo ni chain kuzalisha sampuli zilizo karibu na target posterior distribution.

Confidence interval na credible interval si kitu kilekile

Vipindi vya %95 katika uigaji wa KT wa sintetik vinategemea empirical %2,5–%97,5 percentiles za matokeo 1.000 ya uigaji katika timestep fulani. %95 credible interval katika modeli ya Bayesian SI huwakilisha eneo la %95 la posterior parameter distribution. Ingawa lebo ileile ya “%95” hutumiwa, maana ya kitakwimu ya vipindi hivi viwili si sawa.

Mbinu na Matokeo ya Utafiti

1. Ulinganisho wa topolojia za mitandao sintetiki

SifaErdős–Rényi (ER)Geometric Random Graph (GRG)Delaunay Triangulation (DT)
Idadi ya nodi300300300
Kigezo cha mtandao\(p=0.02\)\(r=0.08\)300 normally distributed point
Idadi ya edges iliyolengwa katika chanzotakriban 897takriban 900chanzo kinatumia \(3n-6=894\)
Wastani wa degree wa takribanulijaribiwa kuwekwa karibu na 6
Sampuli huru za mtandao1.0001.0001.000

Katika chanzo, idadi inayotarajiwa ya edges kwa ER huhesabiwa kwa:

\[ E(|E|) = p\frac{n(n-1)}{2} \]

na kwa \(n=300,p=0.02\) hupatikana takriban 897.

Kwa GRG, chanzo hutumia takriban:

\[ E(|E|) \approx \pi r^2 \frac{n(n-1)}{2} \]

na kufikia takriban edges 900.

Kwa DT, chanzo hutumia thamani ya edges \(3n-6=894\). Verianla inahifadhi thamani hii kama namba ya muundo wa simuleringi katika chanzo.

Vigezo vya simuleringi ya KT

KigezoThamaniMaana
\(\eta(0)\)0.01Uwiano wa nodi infected mwanzoni
\(k\)500Kiwango cha juu cha timestep/iteration
\(\delta\)0.001Kigezo kinachofafanuliwa kama spontaneous adopter rate
\(\beta\)0.05Uwiano wa nodi Blocked
\(\tau\)0.30 na 0.40Threshold ya athari ya majirani
Uchaguzi wa seed ya kuanziatop %1 degree au top %1 betweennessMatukio ya kuanzia yenye centrality ya juu

Kwa kila timestep, thamani za \(\eta(t)\) kutoka simuleringi huru 1.000 zilikusanywa, curve ya wastani ikahesabiwa, na percentiles za kiempiria %2,5–%97,5 zikachorwa kama interval.

Ni ulinganisho wa ubora usio na skeli uliotayarishwa na Verianla kwa kutegemea mpangilio ulioripotiwa katika Kielelezo 2 cha chanzo. Kwa kuwa hakuna data ghafi za curve, jiometri ya confidence-band ya chanzo au thamani za kati hazijanakiliwa.

Katika chanzo, mitandao ya DT ilionyesha usambaaji wa haraka zaidi na mitandao ya GRG usambaaji wa polepole zaidi. Mpangilio huohuo wa ubora pia ulionekana katika uchanganuzi supplementary wakati seed za kuanzia zilichaguliwa kwa highest betweenness centrality.

2. Stochastic Block Model na jaribio la motif

Katika jaribio la SBM:

\[ n=600,\qquad k=3 \]

na kila community ina nodi 200. Probability matrix ya kuanzia ni:

\[ P= \begin{pmatrix} 0.030 & 0.001 & 0.001\\ 0.001 & 0.030 & 0.001\\ 0.001 & 0.001 & 0.030 \end{pmatrix}. \]

Uwezekano wa muunganisho wa within-community \(p_w=0.030\) uliwekwa thabiti; between-community probability \(p_b\) ilibadilishwa katika thamani 10 tofauti kati ya 0.001–0.01. Kila usanidi uliigwa mara 1.000 na kuendeshwa hadi timestep 500 au hadi nodi zote zinazostahili ziwe infected.

MotifUfafanuzi wa kijiometri katika chanzoWastani wa korelesheniMkengeuko sanifu
M1Nyota0.94470.0385
M2Line-type / njia ya nodi nne0.83450.0860
M3Motif yenye pembetatu nyingi zaidi/miunganisho ya ziada0.47760.2554

M4, M5 na M6 ziliondolewa katika jaribio la korelesheni kwa sababu zilionekana kwa frequency ya chini sana katika simuleringi za chanzo.

Korelesheni ya M1 ni kubwa na mkengeuko wake sanifu kati ya simuleringi ni mdogo. M2 pia ina korelesheni chanya yenye nguvu. Wastani wa korelesheni ya M3 ni mdogo zaidi na mkengeuko wake sanifu ni mkubwa zaidi, 0.2554; hii inaonyesha kuwa uhusiano huo hubadilika zaidi kati ya simuleringi.

Dokezo la mjadala wa ndani ya chanzo: Section 3.2 na Jedwali 1 zinaripoti wazi uhusiano chanya wenye nguvu wa motif ya nyota M1 na motif ya line-type M2. Kauli ya Discussion, “star and square-type motifs” / “long line-type motifs have minimal impact”, haiendani na ufafanuzi huo. Verianla inawasilisha matokeo ya namba kulingana na Jedwali 1 na haijionyeshi kana kwamba imesahihisha istilahi ya mjadala.

3. Seti ya data ya Ethereum

KipengeleTaarifa
ChanzoEthereum mainnet, Infura
Zana ya ubadilishajiEthereum ETL
Masafa ya block yaliyotolewa10,000,000–10,001,000
Dirisha la muda lililochanganuliwa2020-05-04 14:48:40–14:58:40 UTC
NodiAkaunti ya Ethereum
EdgeMuamala kati ya akaunti mbili
Uzito wa edgeKiasi cha muamala
Component iliyotumikaGiant component
Idadi ya nodi za giant component627
Idadi ya edges za giant component666

Mtandao unaochunguzwa hapa ni Ethereum account transaction graph. Nodi si wateja wa Ethereum P2P wala network router za kimwili. Hivyo, muundo unaoangaliwa moja kwa moja na matokeo ni grafu ya miamala kati ya akaunti; miundombinu ya peer-to-peer ya usambaaji wa ujumbe inayofanya kazi chini ya Ethereum haikupimwa kando.

Degree distribution imefafanuliwa kuwa imepinda kulia na hub-dominated: idadi ndogo ya nodi zina degree ya juu, huku nodi nyingi zikiwa na miunganisho michache.

Kwa Nini Mtandao Unaweza Kuwa Imara dhidi ya Hitilafu za Nasibu lakini Dhaifu dhidi ya Mashambulizi Yanayolengwa?

Katika mtandao hub-dominated, ikiwa sehemu kubwa ya nodi ina degree ya chini, uwezekano kwamba nodi ya kuanzia iliyochaguliwa kwa nasibu ni hub muhimu unaweza kuwa mdogo; kwa upande mwingine, kulenga moja kwa moja nodi zenye degree au betweenness ya juu zaidi kunaweza kuathiri njia na majirani wengi kwa wakati mmoja. Katika simuleringi ya Ethereum KT ya utafiti huu, random seed zilitoa usambaaji wa modeli wa polepole zaidi kuliko seed zenye high-centrality.

Mchoro wa dhana usio na skeli uliotayarishwa na Verianla kueleza uhusiano wa hub na centrality ya mwanzo katika Vielelezo 3–5 vya chanzo. Koordinati halisi za Ethereum transaction graph au matukio halisi ya mashambulizi hayajachorwa upya.

Jaribio la Ethereum KT

KigezoThamani
Uwiano wa infected mwanzoni0.01
Iteration500
\(\delta\)0.001
Uwiano wa Blocked \(\beta\)0.05
Threshold \(\tau\)0.40
Uchaguzi wa mwanzorandom / highest degree / highest betweenness

Katika mwanzo wa random, usambaaji wa modeli ni wa polepole zaidi kuliko katika hali ambazo nodi zenye degree au betweenness centrality ya juu zinachaguliwa kuwa chanzo cha kuanzia.

Chanzo pia kinaripoti kwamba mpangilio wa matukio ya degree na betweenness kwa muda si thabiti: kati ya timestep 1–100, mwanzo wa degree hutoa infected fraction ya juu zaidi; kati ya 101–200, betweenness huwa mbele; kati ya 201–400, mwelekeo hubadilika tena.

Kwa migawanyo mitatu, jaribio la nonparametric k-sample Anderson–Darling:

\[ p<0.001 \]

hutoa matokeo hayo. Jaribio hili linaunga mkono kuwepo kwa tofauti dhidi ya dhana kwamba migawanyo inayoonekana katika hali tatu hutoka katika usambazaji mmoja wa pamoja. Jaribio peke yake halitoi hitimisho kwamba “shambulio la degree lina nguvu ya kisababishi kuliko shambulio la betweenness katika kila timestep”.

Modeli ya Ethereum SI

Katika matumizi ya Ethereum, susceptibility imewekwa thabiti:

\[ \psi_S(i)=1.0. \]

Funksheni ya transmissibility ni:

\[ \psi_T(j) = \phi_1X_1(j) + \phi_2X_2(j) + \phi_3X_3(j) \]

Hapa \(X_1\) ni normalized degree centrality, \(X_2\) normalized betweenness centrality na \(X_3\) normalized clustering coefficient. Kila moja hunormalishwa kwa kugawanywa kwa thamani yake ya juu kabisa katika mtandao husika.

Connectivity kernel ya Ethereum ni:

\[ \kappa(i,j) = \begin{cases} \alpha d_{ij}^{-\gamma}+\theta C_{ij}, & i,j\text{ arasında bağlantı varsa},\\ 0, & \text{aksi halde}. \end{cases} \]

Katika matumizi haya \(d_{ij}\) ni shortest-path distance; \(C_{ij}\) ni normalized transaction value. \(\theta\) ni coefficient ya modeli ya thamani ya muamala juu ya transition rate.

Sparks function:

\[ \epsilon(i)=\zeta \]

imewekwa thabiti.

Prior zilizoandikwa katika chanzo kwa Ethereum

\[ \zeta\sim \operatorname{Exp}(0.0001), \qquad \alpha\sim U(1,2), \] \[ \gamma\sim U(0.01,5), \qquad \theta\sim U(1000,100000), \] \[ \phi_1,\phi_2,\phi_3\sim U(0,10). \]

Ukinzani muhimu: Ingawa \(\alpha\sim U(1,2)\) hapo juu imeandikwa hivyo hivyo katika chanzo, thamani za posterior za \(\alpha\) ziko chini sana ya 1. Kwa hiyo posterior ya Ethereum ya \(\alpha\) haiwezi kuzalishwa tena kihisabati kama matokeo ya modeli hiyohiyo pamoja na prior iliyoandikwa.

Mipangilio ya MCMC

KipengeleThamani
ProgramuJulia / Pathogen.jl
AlgoritiMetropolis–Hastings MCMC
Jumla ya iteration200.000
Burn-in20.000
Muda wa kukokotoa wa takribansaa 48
RAM32 GB
CPU4.40 GHz Intel Core i7

Vigezo vya posterior vya Ethereum

KigezoWastani wa posterior%95 credible intervalJukumu katika modeli
\(\zeta\)0.0001\((3.804\times10^{-5},0.0002)\)Hatari ya nje ya mtandao/sparks
\(\alpha\)0.0616\((0.0107,0.1872)\)Skeli ya kernel ya umbali
\(\gamma\)1.5190\((1.0148,1.9668)\)Distance decay exponent
\(\theta\)30041.2\((9391.13,63724.2)\)Coefficient ya normalized transaction value
\(\phi_1\)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

Chanzo kinatafsiri thamani ndogo ya \(\zeta\) kama kiwango kidogo cha external-source risk na kinabainisha kwamba coefficient ya transaction value \(\theta\) ni muhimu. Hata hivyo, kwa kuwa skeli ya \(\theta\) ni tofauti na skeli za coefficients nyingine za \(\phi\), si sahihi kulinganisha tu ukubwa ghafi wa coefficients hizo moja kwa moja.

Wastani wa posterior wa \(\phi_3\) ni mkubwa kuliko wa \(\phi_1\) na \(\phi_2\); chanzo kinatumia hili kusisitiza athari yenye nguvu zaidi ya clustering coefficient. Lakini kwa kuwa credible interval ya \(\phi_3\) ni pana sana, kutokuwa na uhakika kwa makadirio kunapaswa pia kubaki kuonekana wazi.

Zaidi ya hayo, chanzo kinachukulia posterior interval kutokujumuisha sifuri kama “statistically significant”. Kwa kuwa kigezo hiki kinatumika pamoja na prior zenye positive-support, si sawa kimaana na classical frequentist significance.

4. Mitandao ya usafirishaji wa umeme ya Ulaya

MtandaoNodiEdgeWastani wa urefu wa njiaDiameter
Ujerumani44556711.751030
Italia2733759.742028
Ufaransa6779139.592026

Data zinategemezwa kwenye chanzo cha Union for the Coordination of the Transmission of Electricity. Chanzo hakiripoti katika maandishi makuu tarehe kamili ya network snapshot iliyotumika wala maelezo ya data cleaning/preprocessing.

Vigezo vya KT vya power-grid

KigezoThamani
Uwiano wa infected mwanzoni0.01
Iteration \(k\)200
\(\delta\)0.001
Uwiano wa Blocked \(\beta\)0.05
Threshold \(\tau\)0.30
Seed ya kuanziahighest degree au highest betweenness

Chini ya mwanzo wa degree-centrality, Italia ilionyesha usambaaji wa haraka zaidi katika kipindi cha timestep 1–25. Karibu na timestep 25, chanzo kinaripoti takriban %60 infected node kwa Italia na Ujerumani. Katika timestep 75 za kwanza, Ufaransa ina infected fraction ya chini zaidi. Baadaye usambaaji nchini Italia hupungua kasi na katika muda mrefu Italia huishia kuwa na infected fraction ya chini kuliko nchi nyingine mbili.

Kwa tofauti kati ya grids tatu:

\[ p<0.001 \]

imeripotiwa. Katika mwanzo wa highest-betweenness, \(p<0.001\) pia imeripotiwa katika uchanganuzi supplementary.

Modeli ya SI ya power-grid

Susceptibility:

\[ \psi_S(i)=1.0. \]

Transmissibility:

\[ \psi_T(j) = \phi_1X_1(j) + \phi_2X_2(j) + \phi_3X_3(j). \]

\(X_1\) ni degree centrality, \(X_2\) betweenness centrality, na \(X_3\) clustering coefficient. Katika sentensi ya maelezo, chanzo kwa makosa kimeandika tena \(X_2\) kama term ya tatu; equation na maelezo ya kisayansi yanaonyesha wazi kwamba kigezo cha tatu ni clustering coefficient.

Connectivity kernel ya power-grid ni:

\[ \kappa(i,j) = \begin{cases} \alpha d_{ij}^{-\gamma}, & i,j\text{ bağlıysa},\\ 0, & \text{aksi halde}. \end{cases} \]

Hapa \(d_{ij}\) ni Euclidean distance kati ya koordinati za kijiografia za vituo. Tofauti na matumizi ya Ethereum, covariate ya ziada \(C_{ij}\) kama transaction-value haiongezwi kwenye kernel hii.

Prior za power-grid

\[ \zeta\sim\operatorname{Exp}(0.0001), \qquad \alpha\sim U(0.001,5), \] \[ \gamma\sim U(0,10), \qquad \phi_1,\phi_2,\phi_3\sim U(0,5). \]

Matokeo ya posterior ya power-grid

KigezoWastani wa Italia (%95 CrI)Wastani wa Ujerumani (%95 CrI)Wastani wa Ufaransa (%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)
\(\phi_1\) degree0.0153 (0.0009, 0.0522)0.8960 (0.2358, 2.3969)3.6950 (1.8890, 4.9582)
\(\phi_2\) betweenness2.8538 (1.5946, 4.3712)0.7867 (0.0814, 2.5497)1.4909 (0.1815, 3.5957)
\(\phi_3\) clustering0.1214 (0.0002, 0.3141)3.1224 (0.7691, 4.8967)0.0556 (0.0012, 0.2199)

Muundo wa posterior si sawa katika mitandao yote mitatu. Nchini Italia coefficient ya \(\phi_2\) betweenness ni kubwa kwa kulinganisha; Ujerumani ina \(\phi_3\) clustering coefficient; na Ufaransa ina wastani wa posterior wa \(\phi_1\) degree coefficient ulio juu zaidi. Kwa hiyo haiwezi kuhitimishwa kwamba “structural feature ileile ndiyo inayotawala katika power grids zote”.

Chanzo kinatafsiri kwamba \(\alpha\) na \(\gamma\) zinafanana katika mitandao mitatu na athari ya umbali hufanya kazi kwa namna inayokaribiana. Hasa, thamani za \(\gamma\) ziko takriban katika masafa ya 2.22–2.69.

Matokeo yanayoungwa mkono na utafiti

  • Chini ya masharti maalumu ya simuleringi ya KT, mitandao ya ER, GRG na DT ilitoa curves tofauti za usambaaji.
  • Katika simuleringi ya chanzo, DT ilionyesha usambaaji wa haraka zaidi na GRG usambaaji wa polepole zaidi.
  • Katika simuleringi ya SBM, concentrations za motif M1 na M2 zilionyesha korelesheni chanya yenye nguvu na kasi ya usambaaji.
  • Ethereum account-transaction graph iliyochunguzwa ina muundo hub-dominated na degree distribution iliyopinda kulia.
  • Katika simuleringi ya Ethereum KT, mwanzo wenye high-centrality ulitoa usambaaji wa modeli wa haraka zaidi kuliko mwanzo wa random.
  • Kati ya hali tatu za mwanzo za Ethereum, jaribio la k-sample Anderson–Darling lilitoa \(p<0.001\).
  • Katika modeli ya Ethereum SI, covariates za centrality, clustering na transaction-value ziliingia katika modeli ya posterior zikiwa na coefficients chanya.
  • Curves za usambaaji wa KT za grids za Italia, Ujerumani na Ufaransa si sawa; \(p<0.001\) imeripotiwa.
  • Katika power grids tatu, muundo wa posterior wa coefficients za degree, betweenness na clustering unatofautiana.
  • Kuna ushahidi kutoka simuleringi na case study za topolojia halisi kwamba jiometria ya mfumo halisi inaweza kubadilisha usambaaji wa modeli.

Matokeo ambayo utafiti hauungi mkono

  • Haijaonyeshwa kwamba nodi 627 katika mtandao halisi wa P2P wa Ethereum ziliharibika kwa namna hii wakati wa shambulio halisi.
  • Haijathibitishwa kwa data kwamba nodi za hub za Ethereum zilizochunguzwa kwa kweli ni exchange au mining pool.
  • Athari ya kisababishi ya motif juu ya usambaaji haijathibitishwa kwa uchanganuzi wa korelesheni pekee.
  • Haijaonyeshwa kwamba mitandao ya DT huenea haraka zaidi daima katika misongamano yote ya mtandao.
  • Haijathibitishwa kwamba mitandao ya GRG ndiyo aina ya mtandao yenye ustahimilivu mkubwa zaidi katika hali zote.
  • Matukio halisi ya kihistoria ya blackout katika grids za Ulaya hayajazalishwa upya kwa simuleringi hii ya KT.
  • Coefficients za posterior za SI si asilimia za moja kwa moja za uwezekano wa hitilafu ya kimwili.
  • Haijaonyeshwa kwamba clustering coefficient ndiyo universal risk variable yenye nguvu zaidi katika mifumo yote ya blockchain na power-grid.
  • Haijapimwa kwamba kupunguza hub au ku-decentralize mtandao kunatoa ongezeko fulani la usalama katika mfumo halisi.
  • Mapendekezo ya sera hayajathibitishwa kwa jaribio la uingiliaji wa moja kwa moja.

Vikwazo vikuu na madokezo ya reproducibility

  • Mitandao ya Ethereum na power-grid imechukuliwa kuwa undirected ili kuruhusu matumizi ya modeli symmetric; mtiririko halisi wa miamala na umeme unaweza kuwa na directionality kiasili.
  • Kinachochanganuliwa kwa Ethereum ni transaction graph; peer-to-peer message propagation network haijaangaliwa moja kwa moja.
  • Tarehe za data snapshot za power-grid hazijaripotiwa kwa undani katika maandishi makuu.
  • Katika chanzo, inequality ya spontaneous-adoption katika KT Algorithm 1 haiendani kihisabati na maana iliyoelezwa ya \(\delta\).
  • Jina “Bootstrap confidence interval” na utaratibu wa moja kwa moja wa empirical percentile katika Algorithm 2 si mbinu ileile.
  • Prior ya Ethereum \(\alpha\sim U(1,2)\) haiendani na posterior ya \(\alpha\) iliyoripotiwa.
  • Kuna kutokuwiana kwa istilahi kati ya Motif Section 3.2/Table 1 na maelezo ya aina za motif katika Discussion.
  • Katika maelezo ya SI ya power-grid, badala ya \(X_3\), sehemu moja imeandika tena \(X_2\).
  • Uamuzi wa Bayesian “significance” unategemea credible interval kutokujumuisha sifuri chini ya prior zenye positive support.
  • Chanzo kinasema data zote ni public, lakini R code zote hutolewa kwa ombi badala ya repository ya wazi.
  • Waandishi wanapendekeza directionality na ulinganisho wa randomized null model–observed network kama kazi ya baadaye.

Maana ya vitendo inapaswa kusomwaje?

Utafiti unatoa matokeo ya modeli na case study yanayoonyesha kwamba katika usanifu wa mtandao huenda isiwe ya kutosha kuangalia idadi ya jumla ya miunganisho pekee. Katika mitandao yenye msongamano unaokaribiana, mpangilio wa kijiometri wa miunganisho, ni nodi zipi zilizo za kati, na muundo wa motif za ndani vinaweza kubadilisha mienendo ya usambaaji.

Katika usanifu wa blockchain au miundombinu muhimu, tafsiri salama ni kwamba nodi zenye high-centrality na jiometria ya ndani zinapaswa pia kufuatiliwa wakati wa uchanganuzi wa resilience. Tafsiri ambayo utafiti haujathibitisha moja kwa moja ni kwamba redesign fulani bila shaka itazuia shambulio katika mfumo halisi au itapunguza hatari ya blackout kwa asilimia maalumu.

Dokezo la Chanzo na Mbinu

Kichwa asili: Understanding How Network Geometry Influences Diffusion Processes in Complex Networks: A Focus on Cryptocurrency Blockchains and Critical Infrastructure Networks

Kichwa cha uchapishaji kwa Kiswahili: Kuelewa Jinsi Jiometria ya Mtandao Inavyoathiri Michakato ya Usambaaji katika Mitandao Changamano: Kuzingatia Blockchain za Sarafu-fiche na Mitandao ya Miundombinu Muhimu

Waandishi: S M Mustaquim; Asim K. Dey; Abhijit Mandal.

Mpangilio wa waandishi: Mpangilio katika PDF iliyopakiwa umehifadhiwa bila kubadilishwa.

Ushirika 1: Department of Mathematical Sciences, The University of Texas at El Paso, Texas, United States.

Ushirika 2: Department of Mathematics and Statistics, Texas Tech University, Lubbock, Texas, United States.

Mwandishi wa mawasiliano: Asim K. Dey; ameonyeshwa kama correspondence author katika PDF ya chanzo na rekodi rasmi ya jarida.

Mchango sawa: Chanzo hakina tamko la mchango sawa/uandishi wa kwanza wa pamoja.

Toleo lililopakiwa: arXiv:2509.23450v2 [stat.ME], 9 Oktoba 2025.

Uchapishaji uliopitiwa na wataalamu: Journal of the Royal Statistical Society Series A: Statistics in Society.

Juzuu / toleo: Volume 189, Issue 2.

Tarehe ya toleo: April 2026.

Kurasa: 646–667.

Tarehe ya kuchapishwa mtandaoni: 9 Oktoba 2025.

Historia ya makala: Received 19 Februari 2025; revision received 8 Agosti 2025; accepted 13 Septemba 2025.

DOI: 10.1093/jrsssa/qnaf146.

Mchapishaji: Oxford University Press; Journal of the Royal Statistical Society Series A, Royal Statistical Society publication.

Aina ya chanzo: Faili iliyopakiwa ni arXiv v2; journal version of record iliyopitiwa na wataalamu ya utafiti huohuo imechapishwa.

Hali ya peer review: Ni makala ya jarida iliyopitiwa na wataalamu. Maandishi yaliyopakiwa pia yanatoa shukrani kwa associate editor na reviewer wawili.

Leseni / matumizi tena: Toleo lililopitiwa na wataalamu © The Royal Statistical Society 2025, all rights reserved; Oxford University Press Standard Journals Publication Model. Si leseni ya wazi ya CC.

Aina kuu ya utafiti: Sayansi ya mitandao na uundaji modeli wa takwimu; simuleringi za mitandao sintetiki + case study ya topolojia halisi ya mtandao + Bayesian SI inference.

Modeli kuu: Modeli ya Kertész Threshold (KT); Susceptible-Infected (SI) continuous-time model.

Mbinu ya motif: Edge-disjoint 4-node motif detection; Weisfeiler–Lehman graph hashing.

Kutokuwa na uhakika: Kwa curves za simuleringi za KT, empirical 2.5th/97.5th percentiles za run huru 1.000; chanzo pia kinaziita bootstrap confidence interval. Kwa vigezo vya SI, Bayesian %95 credible interval.

Jaribio la takwimu: Nonparametric k-sample Anderson–Darling test; \(p<0.001\) imeripotiwa katika hali za kuanzia za Ethereum na ulinganisho wa grids za Ulaya.

Data za Ethereum: Ethereum mainnet, Infura + Ethereum ETL; block 10,000,000–10,001,000; dirisha la uchanganuzi 2020-05-04 14:48:40–14:58:40 UTC; giant component yenye node 627 na edge 666.

Grids za umeme: Germany, Italy, France transmission networks; chanzo kimetajwa kama Union for the Coordination of the Transmission of Electricity.

Programu ya SI: Julia Pathogen.jl.

MCMC: Metropolis–Hastings; 200.000 iteration; 20.000 burn-in; takriban saa 48; 32 GB RAM; 4.40 GHz Intel Core i7.

Ufadhili: Kwa Asim K. Dey, National Science Foundation, USA, NSF DMS 2453756 na NASA 21-AIST21-2-0020.

Upatikanaji wa data: Chanzo kinasema “All data are publicly available”.

Upatikanaji wa code: Imeelezwa kwamba R code zote zinaweza kutolewa kwa ombi; hakuna public code repository kamili iliyotolewa.

Mgongano wa maslahi: Waandishi hawajaripoti mgongano wa maslahi unaoweza kutokea.

Michango ya waandishi: PDF iliyopakiwa haina sehemu tofauti ya CRediT / Author Contributions.

Supplementary material: Preprint iliyopakiwa inaeleza kwamba ancillary files zipo kwenye arXiv abstract page; toleo lililopitiwa na wataalamu pia linatoa rekodi ya supplementary data.

Ukinzani muhimu ndani ya chanzo 1: Katika Algorithm 1, sharti \(r_v\geq\delta\) pamoja na maelezo ya spontaneous-adopter ya \(\delta=0.001\) haviendani kihisabati.

Ukinzani muhimu ndani ya chanzo 2: Kwa Ethereum, prior iliyoandikwa \(\alpha\sim U(1,2)\) haiendani katika hali yake hiyo na posterior \(\alpha=0.0616\).

Ukinzani muhimu ndani ya chanzo 3: Motif Table 1/Section 3.2 na maoni ya line-type/square-type katika Discussion hayaendani kikamilifu.

Ukinzani muhimu ndani ya chanzo 4: Chanzo kinatumia istilahi “bootstrap”, ilhali Algorithm 2 hukokotoa moja kwa moja percentiles za simuleringi huru.

Kikomo kikuu cha tafsiri: Ingawa topolojia halisi za Ethereum na power-grid zimetumika, michakato ya “infection/failure” ni modeli; si uchunguzi wa shambulio halisi, blackout halisi au hitilafu za kihistoria za nodi.

Kikomo cha directionality: Ethereum transaction graph na mitandao ya umeme zimechukuliwa kuwa undirected ili kutumia modeli symmetric za KT/SI; waandishi wanataja mwelekeo wa mifumo halisi kama eneo la utafiti wa baadaye.


Shiriki:

Maoni huchapishwa baada ya kukaguliwa. Maoni yako yatapitia mchakato wa idhini na yataonekana yakikubaliwa.

Acha maoni

Anwani yako ya barua pepe haitachapishwa. Sehemu za lazima zimewekewa alama ya *