Murakkab tarmoq diffuziyasi — tarmoqdagi holat, axborot, ta’sir yoki nosozlikka o‘xshash jarayonning tugunlar va bog‘lanishlar orqali tarqalishini o‘rganuvchi tarmoq ilmi muammosidir. Ushbu tadqiqot tarmoq geometriyasi va topologiyasi diffuziya tezligini qanday o‘zgartirishini Kertész Threshold (KT) modeli, Susceptible-Infected (SI) modeli, Stochastic Block Model simulyatsiyalari, to‘rt tugunli network motiflari va Bayesian Markov Chain Monte Carlo (MCMC) inferensiyasi orqali o‘rganadi. Sintetik Erdős–Rényi, Geometric Random Graph va Delaunay Triangulation tarmoqlaridan tashqari Ethereum hisob–tranzaksiya tarmog‘i hamda Italiya, Fransiya va Germaniyaning elektr uzatish tarmoqlari tahlil qilingan. Tadqiqotning asosiy xulosasi shuki, tarqalish xatti-harakati faqat tarmoqdagi tugun va qirralar soniga emas; hub tuzilmasiga, markaziylik o‘lchovlariga, mahalliy motif geometriyasiga va bog‘lanishlardagi qo‘shimcha kovariatlarga qarab sezilarli darajada o‘zgaradi. Biroq tadqiqotdagi “infection” va “failure” atamalari asosan model holatlarini anglatadi; ular real Ethereum hisoblarining yoki real elektr stansiyalarining kuzatilgan tarixiy nosozliklari emas.
Sintetik tarmoq simulyatsiyalarida uch tarmoq turi taxminan bir xil qirra zichligida taqqoslangan. Har bir tarmoq turida 300 tugun ishlatilgan; Erdős–Rényi modeli uchun bog‘lanish ehtimoli 0.02, Geometric Random Graph uchun bog‘lanish radiusi 0.08 tanlangan, Delaunay tarmog‘i esa 300 tasodifiy nuqtadan qurilgan. Har bir tarmoq turi uchun 1.000 ta mustaqil namuna yaratilgan va KT modeli qo‘llangan. Manba natijalariga ko‘ra Delaunay Triangulation tarmoqlarida diffuziya eng tez, Geometric Random Graph tarmoqlarida esa eng sekin kechgan. Bu taqqoslash muayyan parametrlardagi simulyatsiya natijasidir; barcha Delaunay yoki geometrik tarmoqlar har qanday sharoitda ayni tartibni ko‘rsatadi degani emas.
To‘rt tugunli motif tajribasida Stochastic Block Model tarmoqlari ishlatilgan. M1 yulduz motifining diffuziya tezligi bilan o‘rtacha korrelyatsiyasi 0.9447, M2 chiziq/path motifiniki 0.8345, M3niki esa 0.4776 deb xabar qilingan. Bu natija motif konsentratsiyasi bilan diffuziya tezligi o‘rtasida kuchli bog‘liqlik bo‘lishi mumkinligini ko‘rsatadi; biroq korrelyatsiyaning o‘zi muayyan motif tarqalishni sababiy ravishda tezlashtirishini isbotlamaydi.
Ethereum tahlili 10,000,000 va 10,001,000 bloklari oralig‘idagi traces ma’lumotlari hamda 2020-yil 4-may 14:48:40–14:58:40 UTC oralig‘idagi filtrlab olingan tranzaksiyalar asosida qurilgan hisob–tranzaksiya tarmog‘iga tayangan. Gigant komponent 627 tugun va 666 qirradan iborat bo‘lgan. KT modelida boshlang‘ich tugunlarni tasodifiy tanlash yuqori degree yoki betweenness centrality tugunlarini nishonga olishga qaraganda sekinroq model tarqalishini yuzaga keltirgan; uch ssenariy o‘rtasidagi farq uchun k-sample Anderson–Darling testi \(p<0.001\) deb xabar qilingan.
Bayesian SI modelida Ethereum uchun normalized degree centrality, betweenness centrality, clustering coefficient va normallashtirilgan transaction value modelga kovariat sifatida kiritilgan. Manba clustering coefficient uchun posterior o‘rtacha koeffitsientni 4.5457, degree centrality uchun 1.9022 va betweenness centrality uchun 1.0475 deb beradi. Biroq clustering coefficientning %95 credible interval oralig‘i 0.0034–9.7166 kabi juda keng. Bundan tashqari Ethereum uchun yozilgan \(\alpha\sim U(1,2)\) prior bilan \(\alpha=0.0616\) posterior o‘rtacha matematik jihatdan mos kelmagani sababli, bu parametr bo‘yicha manbadagi qayd ehtiyotkorlik bilan talqin qilinishi kerak.
Elektr infratuzilmasi bo‘limida Italiya, Germaniya va Fransiya uzatish tarmoqlari taqqoslangan. KT modelida dastlab Italiya tezroq tarqalish ko‘rsatgan bo‘lsa, Fransiya dastlabki 75 timestep davomida infected tugunlar ulushi pastroq bo‘lgan; 75 timestepdan so‘ng Italiyadagi tarqalish sekinlashgan va uzoq muddatda Italiya sekinroq bo‘lib qolgan. Manbaga ko‘ra uchta elektr tarmog‘ining diffuziya ko‘rsatkichlari o‘rtasidagi farq ham degree-markazli, ham betweenness-markazli boshlang‘ich ssenariylarda \(p<0.001\).
Murakkab tarmoq nima?
Tadqiqot murakkab tarmoqni:
ko‘rinishida ta’riflaydi. \(V\) tugunlar to‘plami, \(E\) tugunlar orasidagi qirralar, \(\omega\) esa qirra og‘irliklarini ifodalovchi funksiyadir. Tranzaksiya tarmog‘i tasavvur qilinsa, tugun hisob, qirra ikki hisob orasidagi tranzaksiya munosabati, qirra og‘irligi esa tranzaksiya hajmi bo‘lishi mumkin. Elektr tarmog‘ida tugun elektr stansiyasi yoki podstansiya, qirra esa fizik uzatish liniyasidir.
Tarmoqning adjacency matrix-i \(A\), qaysi tugunlar bir-biriga ulanganini matritsa shaklida ko‘rsatadi. Og‘irlikli tarmoqda:
Manba ayrim tahlillarda og‘irliklar hisobga olinmaydigan unweighted tarmoq ko‘rinishidan ham foydalanadi; bunda bog‘lanish bo‘lsa qiymat 1, bo‘lmasa 0.
Degree, o‘rtacha yo‘l uzunligi va diameter
Tugunning degree qiymati shu tugunga ulangan qirralar sonidir:
Degree centrality yuqori bo‘lgan tugun bevosita ko‘plab boshqa tugunlar bilan bog‘langan bo‘ladi. Bunday tugun diffuziyaning boshlang‘ich nuqtasi sifatida tanlansa, holatning qisqa vaqt ichida ko‘plab qo‘shnilarga yetib borishi mumkin.
Ikki tugun orasidagi eng qisqa yo‘l uzunligi \(\ell_{ij}\) bo‘lsa, manba o‘rtacha yo‘l uzunligini:
ko‘rinishida beradi. Diameter esa tarmoqdagi barcha eng qisqa yo‘llarning eng kattasidir:
O‘rtacha yo‘l uzunligi tarmoq ichida odatda nechta bog‘lanish orqali o‘tilishini; diameter esa topologik jihatdan bir-biridan eng uzoq ikki nuqta orasidagi eng qisqa yo‘l uzunligini umumlashtiradi.
Betweenness centrality va clustering coefficient
Betweenness centrality tugun boshqa tugun juftlari orasidagi eng qisqa yo‘llarda qanchalik vositachi ekanini o‘lchaydi. Bevosita ko‘p qo‘shnisi bo‘lmagan tugun ham ikki yirik tarmoq qismi orasida ko‘prik vazifasini bajarsa, yuqori betweenness qiymatiga ega bo‘lishi mumkin.
Clustering coefficient esa tugun qo‘shnilarining o‘zaro ham bog‘langan bo‘lish moyilligini bildiradi. Yuqori qiymat mahalliy darajada zichroq uchburchak yoki yopiq bog‘lanish tuzilmalari mavjudligiga ishora qiladi.
Ushbu Tadqiqotdagi “Infeksiya” Haqiqiy Kasallik yoki Haqiqiy Nosozlikmi?
Yo‘q. “Infection”, “adoption” va ayrim bo‘limlarda “failure” tadqiqotning tarmoq tarqalishi modellarida ishlatiladigan holat o‘zgaruvchilaridir; bu Ethereum hisobining haqiqatan egallab olinishi, elektr stansiyasining amalda ishdan chiqishi yoki real epidemiya kuzatuvi degani emas. Real tarmoq topologiyalari modelga kirish sifatida ishlatilishi mumkin, ammo KT va SI holat o‘tishlari modellashtirilgan tarqalish jarayonlaridir.
Kertész Threshold modeli
Kertész Threshold (KT) modeli Watts threshold modelining uch holatli kengaytmasi sifatida ishlatiladi. Manba ifodasida tugunlar:
- Susceptible (S): Hali tarqalish holatiga o‘tmagan tugun,
- Adoption/Infected (A/I): Tarqalish holatiga o‘tgan tugun,
- Blocked (B): Tashqi ta’sirdan ta’sirlanmaydigan va holatini o‘zgartirmaydigan tugun
sifatida qaraladi.
Tugunning infected qo‘shnilari ulushi muayyan threshold \(\tau\) dan oshganda tugun yangi holatga o‘tishi mumkin. Bundan tashqari \(\delta\) spontaneous adopter rate qo‘shnilardan mustaqil tashqi/spontan o‘tishni ifodalash uchun modelga kiritilgan.
Manbaning Appendix A pseudocode-ida qo‘shni infeksiya ulushi:
ko‘rinishida hisoblanadi.
Manba ichidagi algoritmik nomuvofiqlik: Manba pseudocode-i keyin:
shartini yozadi. \(r_v\) 0–1 oralig‘idagi uniform random son va \(\delta=0.001\) bo‘lsa, yozilgan bu shart spontan o‘tishni juda yuqori ehtimolli qilib qo‘yadi. Bu holat maqolada \(\delta\) juda kichik adopter rate sifatida izohlanishi va ko‘rsatilgan diffuziya egri chiziqlari bilan mos kelmaydi. Verianla manbadagi qaysi ishora xato ekanini taxmin qilib pseudocode-ni o‘zgartirmaydi.
Kertész Threshold Modeli bilan SI Modeli O‘rtasidagi Asosiy Farq Nima?
KT modeli asosan qo‘shnilarning infected ulushi, threshold hamda blocked/spontaneous holatlari orqali diskret timestep-larda kaskad hosil qiladi; SI modeli esa tugunlarning susceptible holatdan infected holatga o‘tish tezligini continuous-time Poisson jarayoni va kovariatlarga bog‘liq hazard/transition rate bilan modellashtiradi hamda parametrlarini Bayesian MCMC yordamida baholaydi.
KT modelidagi ikki asosiy diffuziya metrikasi
Birinchi metrika istalgan \(t\) vaqtidagi infected tugunlar ulushidir:
\(N_{\text{infected}}(t)\), timestep \(t\) da model holatida infected deb hisoblangan tugunlar soni; \(N_{\text{total}}\) esa jami tugunlar sonidir. Natija 0 bilan 1 oralig‘idagi nisbatdir.
Ikkinchi metrika o‘rtacha diffuziya tezligidir:
\(\eta(0)\) boshlang‘ich infected ulushini, \(\eta(s)\) steady-state infected ulushini, \(t_s\) esa ushbu steady state-ga yetish uchun kerak bo‘lgan timestep sonini bildiradi. Manba barcha bu tajribalarda \(\eta(s)=0.95\) dan foydalanadi; sababi blocked tugunlar ulushi %5 bo‘lishi va modelda qolgan tugunlar oxir-oqibat infected deb hisoblanishidir.
Network motif nima?
Network motif — kattaroq tarmoq ichida takrorlanadigan kichik bog‘langan quyi tarmoq geometriyasidir. Degree kabi o‘lchov bitta tugunning bog‘lanishlari soniga qarasa, motif bir necha tugun birgalikda hosil qiladigan mahalliy geometrik tartibni o‘rganadi.
Manba to‘rt tugunli oltita connected motifni ta’riflaydi. Quyidagi chizma ushbu matematik bog‘lanish tuzilmalarini Verianla uchun mustaqil tarzda qayta ko‘rsatadi:
Motif konsentratsiyasi
Motif turi \(i\) ning tarmoqdagi konsentratsiyasi:
ko‘rinishida ta’riflanadi. \(N_i\) muayyan motif turining soni, maxrajdagi yig‘indi esa baholangan barcha \(n\)-tugunli motiflarning jami sonidir.
Manba motiflarni sanash uchun maxsus edge-disjoint motif detection algoritmidan foydalanadi. To‘rt tugunli nomzod quyi graflar Weisfeiler–Lehman (WL) hashing yordamida strukturaviy imzoga aylantiriladi va oltita canonical template bilan taqqoslanadi. Quyi graf qirralaridan biri avval sanalgan motifda ishlatilgan bo‘lsa, qayta sanalmaydi. Shu tariqa bir qirra bir nechta motif namunasiga hissa qo‘shmaydi.
Motif Korrelyatsiyalari Sababiylikni Ko‘rsatadimi?
Yo‘q. Tadqiqotda motif konsentratsiyasi bilan o‘rtacha diffuziya tezligi o‘rtasidagi korrelyatsiya hisoblangan; yuqori musbat korrelyatsiya ma’lum motif zich bo‘lgan simulyatsiyalarda tezroq tarqalish birga kuzatilganini ko‘rsatadi. Korrelyatsiyaning o‘zi motifning barcha boshqa topologik xususiyatlardan mustaqil sababiy ta’sirini ajratib bermaydi.
SI modeli
Susceptible-Infected (SI) modelida tugunlar ikki holatdan birida bo‘ladi: susceptible yoki infected. Manba ushbu modelni continuous-time Poisson process doirasida quradi. Susceptible tugun \(i\) ning \(t\) vaqtidagi infection transition rate-i:
Bu formula to‘rt qismni birlashtiradi:
- \(\psi_S(i)\): susceptible tugun \(i\) ning sezuvchanligi,
- \(\psi_T(j)\): infected tugun \(j\) ning transmissibility qiymati,
- \(\kappa(i,j)\): \(i\) bilan \(j\) orasidagi bog‘lanish/masofa/umumiy risk tuzilmasini ifodalovchi kernel,
- \(\epsilon(i)\): kuzatilgan tarmoqdan tashqaridagi izohlanmagan manbalardan kelishi mumkin bo‘lgan qo‘shimcha “spark” xavfi.
\(\lambda_{SI}\) holat o‘tish intensivligidir. Yuqoriroq qiymat model ostida susceptible tugunning infected holatga tezroq o‘tishini anglatadi; bu bevosita fizik nosozlik foizi emas.
Susceptibility funksiyasi
\(X_k(i)\) susceptible tugunga tegishli kovariatlar; \(\omega_k\) esa ularning susceptibilityga ta’sir koeffitsientlaridir.
Transmissibility funksiyasi
Bu funksiya infected tugunning strukturaviy xususiyatlari modeldagi uzatish/tarqalish qobiliyatiga qanday kirishini ko‘rsatadi.
Bog‘lanish kernel-i
\(d_{ij}\) ikki tugun orasidagi masofa. \(\alpha\) distance term masshtabini; \(\gamma\) esa masofa ta’siri qanchalik tez kamayishini belgilaydi. \(C_{ij}^{(q)}\) ikkilik yoki miqdoriy tarmoq kovariatlarini; \(\theta_q\) esa bu kovariatlarning koeffitsientlarini ifodalaydi.
\(d_{ij}^{-\gamma}\) hadi \(\gamma>0\) bo‘lganda masofa ortishi bilan kamayadi. Bu matematik jihatdan yaqin tugunlar kuchliroq bog‘lanish xavfiga ega bo‘lishiga imkon beradigan tuzilma. Ushbu talqin model tenglamasining matematik natijasidir; real tizimda ayni funksiya fizik qonun degan da’vo emas.
SI likelihood funksiyasi
Manba parametr vektorini:
ko‘rinishida ta’riflaydi.
Likelihood:
Bu yerda:
shu paytda barcha susceptible tugunlardagi jami o‘tish intensivligidir. Tugunning sodir bo‘lgan o‘tishga tegishli nisbiy hazard ulushi:
ko‘rinishida beriladi. Eksponensial had Poisson-process / exponential inter-event-time tuzilmasidan keladi.
Metropolis–Hastings qabul qilish ehtimoli
\(L(\Theta)\) likelihood, \(P(\Theta)\) prior distribution. Yangi taklif \(\Theta_w\) qabul qilinmasa, zanjir oldingi \(\Theta_{w-1}\) qiymatida qoladi. Ko‘p iteratsiyadan so‘ng zanjir maqsadli posterior taqsimotga yaqin namunalar hosil qilishi ko‘zda tutiladi.
Confidence interval va credible interval bir xil narsa emas
Sintetik KT simulyatsiyasidagi %95 oraliqlar ma’lum timestepdagi 1.000 simulyatsiya natijasining empirik %2,5–%97,5 percentillariga asoslanadi. Bayesian SI modelidagi %95 credible interval esa posterior parameter distributionning %95 hududini ifodalaydi. Ikkalasida ham “%95” yorlig‘i ishlatilsa-da, bu ikki oraliqning statistik ma’nosi bir xil emas.
Tadqiqot Usuli va Natijalari
1. Sintetik tarmoq topologiyalarini taqqoslash
| Xususiyat | Erdős–Rényi (ER) | Geometric Random Graph (GRG) | Delaunay Triangulation (DT) |
|---|---|---|---|
| Tugunlar soni | 300 | 300 | 300 |
| Tarmoq parametri | \(p=0.02\) | \(r=0.08\) | 300 normally distributed point |
| Manbada ko‘zlangan qirralar soni | taxminan 897 | taxminan 900 | manba \(3n-6=894\) dan foydalanadi |
| Taxminiy o‘rtacha degree | 6 atrofida saqlashga harakat qilingan | ||
| Mustaqil tarmoq namunasi | 1.000 | 1.000 | 1.000 |
ER uchun kutilayotgan qirralar soni manbada:
orqali hisoblanadi va \(n=300,p=0.02\) uchun taxminan 897 olinadi.
GRG uchun manba taxminan:
formulasidan foydalanib, taxminan 900 qirraga erishadi.
DT uchun manba \(3n-6=894\) qirra qiymatidan foydalanadi. Verianla bu qiymatni manba simulyatsiya dizaynidagi son sifatida saqlaydi.
KT simulyatsiya parametrlari
| Parametr | Qiymat | Ma’no |
|---|---|---|
| \(\eta(0)\) | 0.01 | Boshlang‘ich infected tugunlar ulushi |
| \(k\) | 500 | Maksimal timestep/iteration |
| \(\delta\) | 0.001 | Spontaneous adopter rate sifatida ta’riflangan parametr |
| \(\beta\) | 0.05 | Blocked tugunlar ulushi |
| \(\tau\) | 0.30 va 0.40 | Qo‘shni ta’siri threshold-i |
| Boshlang‘ich seed tanlovi | top %1 degree yoki top %1 betweenness | Yuqori centrality boshlang‘ich ssenariylari |
Har bir timestep uchun 1.000 ta mustaqil simulyatsiyadagi \(\eta(t)\) qiymatlari to‘plangan, o‘rtacha egri chiziq hisoblangan va %2,5–%97,5 empirik percentillar oraliq sifatida chizilgan.
Manbada DT tarmoqlari eng tez, GRG tarmoqlari esa eng sekin tarqalishni ko‘rsatadi. Shu sifat tartibi boshlang‘ich seedlar highest betweenness centrality bo‘yicha tanlanganda ham supplementary tahlilda kuzatilgan.
2. Stochastic Block Model va motif tajribasi
SBM tajribasida:
va har bir community 200 tugundan iborat. Boshlang‘ich probability matrix:
Within-community bog‘lanish ehtimoli \(p_w=0.030\) doimiy saqlangan; between-community probability \(p_b\) esa 0.001–0.01 oralig‘ida 10 xil qiymatda o‘zgartirilgan. Har bir konfiguratsiya 1.000 marta simulyatsiya qilingan va 500 timestepgacha yoki barcha mos tugunlar infected holatga kelguncha ishlatilgan.
| Motif | Manbadagi geometrik ta’rif | O‘rtacha korrelyatsiya | Standart og‘ish |
|---|---|---|---|
| M1 | Yulduz | 0.9447 | 0.0385 |
| M2 | Line-type / to‘rt tugunli yo‘l | 0.8345 | 0.0860 |
| M3 | Zichroq uchburchakli/qo‘shimcha bog‘langan motif | 0.4776 | 0.2554 |
M4, M5 va M6 manba simulyatsiyalarida juda past chastotada uchragani sabab korrelyatsiya tajribasidan chiqarilgan.
M1 korrelyatsiyasi ham yuqori, ham simulyatsiyalar orasidagi standart og‘ishi kichik. M2 ham kuchli musbat korrelyatsiyaga ega. M3ning o‘rtacha korrelyatsiyasi pastroq va standart og‘ishi 0.2554 bilan yuqoriroq; bu simulyatsiyalar orasida munosabat ko‘proq o‘zgaruvchan ekanini ko‘rsatadi.
Manba ichidagi muhokama qaydi: Section 3.2 va 1-jadval M1 yulduz va M2 line-type motiflarining kuchli musbat munosabatini aniq ko‘rsatadi. Discussiondagi “star and square-type motifs” / “long line-type motifs have minimal impact” iborasi bu ta’rif bilan mos kelmaydi. Verianla sonli natijani 1-jadvalga ko‘ra beradi va muhokamadagi terminologiyani alohida tuzatgandek ko‘rsatmaydi.
3. Ethereum ma’lumotlar to‘plami
| Band | Ma’lumot |
|---|---|
| Manba | Ethereum mainnet, Infura |
| Konvertatsiya vositasi | Ethereum ETL |
| Olingan block oralig‘i | 10,000,000–10,001,000 |
| Tahlil qilingan vaqt oynasi | 2020-05-04 14:48:40–14:58:40 UTC |
| Tugun | Ethereum hisobi |
| Qirra | Ikki hisob orasidagi tranzaksiya |
| Qirra og‘irligi | Tranzaksiya hajmi |
| Ishlatilgan komponent | Giant component |
| Giant component tugunlar soni | 627 |
| Giant component qirralar soni | 666 |
Bu yerda o‘rganilgan tarmoq Ethereum account transaction graph hisoblanadi. Tugunlar Ethereum P2P klientlari yoki fizik network routerlar emas. Demak natijalar bevosita kuzatayotgan tuzilma hisoblararo tranzaksiya grafigidir; Ethereum ostida ishlaydigan peer-to-peer xabar tarqatish infratuzilmasi alohida o‘lchanmagan.
Degree distribution o‘ngga qiyshaygan va hub-dominated deb ta’riflangan: oz sonli tugun yuqori degreega ega, ko‘pchilik tugun esa kam bog‘langan.
Nega Tarmoq Tasodifiy Nosozliklarga Bardoshli, Nishonli Hujumlarga esa Zaif Bo‘lishi Mumkin?
Hub-dominated tarmoqda tugunlarning katta qismi past degreega ega bo‘lsa, tasodifiy tanlangan boshlang‘ich tugunning kritik hub bo‘lish ehtimoli cheklangan bo‘lishi mumkin; aksincha eng yuqori degree yoki betweenness tugunlarini to‘g‘ridan-to‘g‘ri nishonga olish ko‘plab yo‘l va qo‘shnilarga bir vaqtda ta’sir qilishi mumkin. Ushbu tadqiqotdagi Ethereum KT simulyatsiyasida random seedlar yuqori-centrality seedlarga qaraganda sekinroq model tarqalishini yuzaga keltirgan.
Ethereum KT tajribasi
| Parametr | Qiymat |
|---|---|
| Boshlang‘ich infected ulushi | 0.01 |
| Iteration | 500 |
| \(\delta\) | 0.001 |
| Blocked ulushi \(\beta\) | 0.05 |
| Threshold \(\tau\) | 0.40 |
| Boshlang‘ich tanlov | random / highest degree / highest betweenness |
Random boshlanishda model tarqalishi yuqori degree yoki betweenness centrality tugunlari boshlang‘ich manba sifatida tanlangan ssenariylarga qaraganda sekinroq.
Manba vaqt davomida degree va betweenness ssenariylarining bir-biriga nisbatan tartibi doimiy emasligini ham bildiradi: timestep 1–100 oralig‘ida degree boshlanishi yuqoriroq infected fraction hosil qilsa, 101–200 oralig‘ida betweenness oldinga chiqadi; 201–400 oralig‘ida tendensiya yana o‘zgaradi.
Uch taqsimot uchun nonparametric k-sample Anderson–Darling testi:
natijasini beradi. Ushbu test uch ssenariyda kuzatilgan taqsimotlar bir xil umumiy taqsimotdan kelgan degan gipotezaga qarshi farq mavjudligini qo‘llab-quvvatlaydi. Testning o‘zi “degree hujumi har bir timestepda betweenness hujumidan sababiy jihatdan kuchliroq” degan xulosani bermaydi.
Ethereum SI modeli
Ethereum qo‘llanmasida susceptibility doimiy qilib olingan:
Transmissibility funksiyasi:
ko‘rinishida. \(X_1\) normalized degree centrality, \(X_2\) normalized betweenness centrality va \(X_3\) normalized clustering coefficientdir. Har biri o‘z tarmog‘idagi maksimal qiymatga bo‘linib normallashtiriladi.
Ethereum connectivity kernel:
\(d_{ij}\) ushbu qo‘llanmada shortest-path distance; \(C_{ij}\) normalized transaction valuedir. \(\theta\) tranzaksiya qiymatining transition ratega ta’sir etuvchi model koeffitsientidir.
Sparks function:
qilib belgilangan.
Ethereum uchun manbada yozilgan priorlar
Muhim nomuvofiqlik: Yuqoridagi \(\alpha\sim U(1,2)\) manbada aynan shu ko‘rinishda yozilgan bo‘lsa-da, posterior \(\alpha\) qiymatlari 1 dan ancha past. Shu sabab \(\alpha\) ning Ethereum posteriorini yozilgan prior bilan ayni modelning natijasi sifatida matematik tarzda qayta ishlab bo‘lmaydi.
MCMC sozlamalari
| Band | Qiymat |
|---|---|
| Dasturiy ta’minot | Julia / Pathogen.jl |
| Algoritm | Metropolis–Hastings MCMC |
| Jami iteration | 200.000 |
| Burn-in | 20.000 |
| Taxminiy hisoblash vaqti | 48 soat |
| RAM | 32 GB |
| CPU | 4.40 GHz Intel Core i7 |
Ethereum posterior parametrlari
| Parametr | Posterior o‘rtacha | %95 credible interval | Modeldagi rol |
|---|---|---|---|
| \(\zeta\) | 0.0001 | \((3.804\times10^{-5},0.0002)\) | Tarmoqdan tashqari/sparks risk |
| \(\alpha\) | 0.0616 | \((0.0107,0.1872)\) | Masofa kernel masshtabi |
| \(\gamma\) | 1.5190 | \((1.0148,1.9668)\) | Masofa decay exponent |
| \(\theta\) | 30041.2 | \((9391.13,63724.2)\) | Normalized transaction value koeffitsienti |
| \(\phi_1\) | 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 |
Manba \(\zeta\) ning pastligini external-source riskning kamligi deb talqin qiladi va transaction value koeffitsienti \(\theta\) muhimligini bildiradi. Biroq \(\theta\) masshtabi boshqa \(\phi\) koeffitsientlari masshtabidan farq qilgani sababli, faqat koeffitsientlarning xom kattaliklarini o‘zaro taqqoslash to‘g‘ri emas.
\(\phi_3\) ning posterior o‘rtachasi \(\phi_1\) va \(\phi_2\) dan katta; manba bundan clustering coefficientning kuchliroq ta’sirini ta’kidlaydi. Biroq \(\phi_3\) ning credible intervali juda keng bo‘lgani sabab baholash noaniqligi alohida ko‘rinadigan holda saqlanishi kerak.
Shuningdek, manba posterior intervalning nolni o‘z ichiga olmasligini “statistically significant” deb hisoblaydi. Bu mezon positive-support priorlar bilan birga ishlatilgani uchun klassik frequentist significance bilan ayni ma’noda emas.
4. Yevropa elektr uzatish tarmoqlari
| Tarmoq | Tugun | Qirra | O‘rtacha yo‘l uzunligi | Diameter |
|---|---|---|---|---|
| Germaniya | 445 | 567 | 11.7510 | 30 |
| Italiya | 273 | 375 | 9.7420 | 28 |
| Fransiya | 677 | 913 | 9.5920 | 26 |
Ma’lumotlar Union for the Coordination of the Transmission of Electricity manbasiga asoslangan. Manba ishlatilgan network snapshotning aniq sanasi yoki ma’lumotlarni tozalash/preprocessing tafsilotlarini asosiy matnda hisobot qilmaydi.
Power-grid KT parametrlari
| Parametr | Qiymat |
|---|---|
| Boshlang‘ich infected ulushi | 0.01 |
| Iteration \(k\) | 200 |
| \(\delta\) | 0.001 |
| Blocked ulushi \(\beta\) | 0.05 |
| Threshold \(\tau\) | 0.30 |
| Boshlang‘ich seed | highest degree yoki highest betweenness |
Degree-centrality boshlanishi ostida dastlabki 1–25 timestep davrida Italiya tezroq tarqalishni ko‘rsatgan. Timestep 25 atrofida manba Italiya va Germaniya uchun taxminan %60 infected node deb xabar qiladi. Dastlabki 75 timestep davomida Fransiya pastroq infected fraction ko‘rsatadi. Keyin Italiyadagi tarqalish sekinlashadi va uzoq muddatda Italiya qolgan ikkitasiga qaraganda pastroq infected fractionga ega bo‘ladi.
Uch grid o‘rtasidagi farq uchun:
deb xabar qilingan. Highest-betweenness boshlanishida supplementary tahlilda ham \(p<0.001\) bildirilgan.
Power-grid SI modeli
Susceptibility:
Transmissibility:
\(X_1\) degree centrality, \(X_2\) betweenness centrality, \(X_3\) clustering coefficientdir. Manba izoh gapida xato qilib uchinchi hadni yana \(X_2\) deb yozadi; tenglama va ilmiy izoh uchinchi o‘zgaruvchi clustering coefficient ekanini aniq ko‘rsatadi.
Power-grid connectivity kernel:
Bu yerda \(d_{ij}\) stansiyalarning geografik koordinatalari orasidagi Euclidean distancedir. Ethereum qo‘llanmasidan farqli ravishda ushbu kernelga transaction-valuega o‘xshash qo‘shimcha \(C_{ij}\) kovariati kiritilmaydi.
Power-grid priorlari
Power-grid posterior natijalari
| Parametr | Italiya o‘rtacha (%95 CrI) | Germaniya o‘rtacha (%95 CrI) | Fransiya o‘rtacha (%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 tuzilma uch tarmoqda bir xil emas. Italiyada \(\phi_2\) betweenness coefficient nisbatan katta bo‘lsa, Germaniyada \(\phi_3\) clustering coefficient; Fransiyada esa \(\phi_1\) degree coefficient yuqoriroq posterior o‘rtachaga ega. Shu sabab “ayni structural feature barcha power gridsda ustun” degan xulosaga kelib bo‘lmaydi.
Manba \(\alpha\) va \(\gamma\) uch tarmoq o‘rtasida o‘xshashligini va masofa ta’siri taxminan bir xil ishlashini talqin qiladi. Xususan, \(\gamma\) qiymatlari taxminan 2.22–2.69 oralig‘ida.
Tadqiqot qo‘llab-quvvatlaydigan natijalar
- Muayyan KT simulyatsiya sharoitlarida ER, GRG va DT tarmoqlari turli diffuziya egri chiziqlarini hosil qilgan.
- Manba simulyatsiyasida DT eng tez, GRG esa eng sekin diffuziyani ko‘rsatgan.
- SBM simulyatsiyasida M1 va M2 motif konsentratsiyalari diffuziya tezligi bilan kuchli musbat korrelyatsiya ko‘rsatgan.
- O‘rganilgan Ethereum account-transaction graph hub-dominated va o‘ngga qiyshaygan degree distribution ko‘rsatadi.
- Ethereum KT simulyatsiyasida high-centrality boshlanishlar random boshlanishdan tezroq model tarqalishini yuzaga keltirgan.
- Ethereumning uch boshlang‘ich ssenariysi orasida k-sample Anderson–Darling testi \(p<0.001\) natija bergan.
- Ethereum SI modelida centrality, clustering va transaction-value kovariatlari posterior modelda musbat koeffitsientlar bilan ishtirok etgan.
- Italiya, Germaniya va Fransiya gridlarining KT diffuziya egri chiziqlari bir xil emas; \(p<0.001\) deb xabar qilingan.
- Uch power gridda degree, betweenness va clustering koeffitsientlarining posterior tuzilmasi bir-biridan farq qiladi.
- Real tizim geometriyasi model tarqalishini o‘zgartirishi mumkinligiga oid ham simulyatsiya, ham real-topologiya case-study dalillari mavjud.
Tadqiqot qo‘llab-quvvatlamaydigan natijalar
- Ethereumning real P2P tarmog‘ida real hujum vaqtida 627 tugun shu tarzda ishdan chiqqani ko‘rsatilmagan.
- O‘rganilgan Ethereum hub tugunlari haqiqatan exchange yoki mining pool ekanligi ma’lumot bilan identifikatsiya qilinmagan.
- Motifning diffuziyaga sababiy ta’siri faqat korrelyatsiya tahlili bilan isbotlanmagan.
- DT tarmoqlari barcha tarmoq zichliklarida har doim tezroq tarqalishi ko‘rsatilmagan.
- GRG tarmoqlari barcha sharoitlarda eng bardoshli tarmoq turi ekanligi isbotlanmagan.
- Yevropa tarmoqlaridagi haqiqiy tarixiy blackout hodisalari ushbu KT simulyatsiyasi bilan qayta yaratilmagan.
- SI posterior koeffitsientlari fizik nosozlik ehtimolining bevosita foizli ekvivalenti emas.
- Clustering coefficient barcha blockchain va power-grid tizimlarida universal ravishda eng kuchli risk o‘zgaruvchisi ekanligi ko‘rsatilmagan.
- Hubni kamaytirish yoki tarmoqni decentralize qilish real tizimda ma’lum miqdorda xavfsizlik oshishini ta’minlashi o‘lchanmagan.
- Siyosat tavsiyalari bevosita aralashuv tajribasi bilan tasdiqlanmagan.
Asosiy cheklovlar va takror ishlab chiqarish bo‘yicha qaydlar
- Ethereum va power-grid tarmoqlari simmetrik modellarni ishlatish uchun undirected tarzda ko‘rib chiqilgan; real tranzaksiya va quvvat oqimlari tabiiy ravishda directionalityga ega bo‘lishi mumkin.
- Ethereumda tahlil qilingan tuzilma transaction graph; peer-to-peer message propagation network bevosita kuzatilmagan.
- Power-grid ma’lumot snapshot sanalari asosiy matnda batafsil hisobot qilinmagan.
- Manbada qo‘llangan KT Algorithm 1 spontaneous-adoption tengsizligi izohlangan \(\delta\) ma’nosi bilan matematik jihatdan mos kelmaydi.
- “Bootstrap confidence interval” atamasi bilan Algorithm 2dagi bevosita empirical percentile protsedurasi ayni usul emas.
- Ethereum \(\alpha\sim U(1,2)\) priori bilan xabar qilingan \(\alpha\) posteriori mos kelmaydi.
- Motif Section 3.2/Table 1 bilan Discussiondagi motif turi bayoni o‘rtasida terminologik nomuvofiqlik mavjud.
- Power-grid SI izohida \(X_3\) o‘rniga bir joyda yana \(X_2\) yozilgan.
- Bayesian “significance” qarori musbat supportli priorlar ostida credible interval nolni o‘z ichiga olmasligiga asoslanadi.
- Manba barcha ma’lumotlar public ekanini aytadi; biroq barcha R kodlari ochiq repository o‘rniga so‘rov bo‘yicha taqdim qilinadi.
- Mualliflar kelajakdagi ish sifatida directionality va randomized null model–observed network taqqoslashini taklif qiladi.
Amaliy ma’no qanday o‘qilishi kerak?
Tadqiqot tarmoq dizaynida faqat jami bog‘lanishlar soniga qarash yetarli bo‘lmasligi mumkinligini ko‘rsatuvchi model va holat natijalarini taqdim etadi. Taxminan bir xil zichlikdagi tarmoqlarda bog‘lanishlarning qaysi geometrik tartibda tashkil topgani, qaysi tugunlar markaziy ekani va mahalliy motiflar tuzilishi diffuziya dinamikasini o‘zgartirishi mumkin.
Blockchain yoki kritik infratuzilma dizaynida buning ehtiyotkor talqini — high-centrality tugunlar va mahalliy geometriyani resilience tahlilida alohida kuzatish kerakligidir. Tadqiqot bevosita isbotlamagan talqin esa muayyan qayta dizayn real tizimda hujumni albatta to‘xtatishi yoki blackout xavfini ma’lum foizga kamaytirishidir.
Manba va Usul Qaydi
Asl sarlavha: Understanding How Network Geometry Influences Diffusion Processes in Complex Networks: A Focus on Cryptocurrency Blockchains and Critical Infrastructure Networks
O‘zbekcha nashr sarlavhasi: Tarmoq Geometriyasining Murakkab Tarmoqlardagi Tarqalish Jarayonlariga Qanday Ta’sir Qilishini Tushunish: Kriptovalyuta Blokcheynlari va Kritik Infratuzilma Tarmoqlariga E’tibor
Mualliflar: S M Mustaquim; Asim K. Dey; Abhijit Mandal.
Mualliflar tartibi: Yuklangan PDFdagi tartib aynan saqlangan.
Affiliatsiya 1: Department of Mathematical Sciences, The University of Texas at El Paso, Texas, United States.
Affiliatsiya 2: Department of Mathematics and Statistics, Texas Tech University, Lubbock, Texas, United States.
Mas’ul muallif: Asim K. Dey; manba PDF va rasmiy jurnal qaydida correspondence author sifatida ko‘rsatilgan.
Teng hissa: Manbada teng hissa/teng birinchi mualliflik bayonoti yo‘q.
Yuklangan versiya: arXiv:2509.23450v2 [stat.ME], 9-oktyabr 2025.
Taqrizli nashr: Journal of the Royal Statistical Society Series A: Statistics in Society.
Jild / son: Volume 189, Issue 2.
Son sanasi: April 2026.
Sahifalar: 646–667.
Onlayn nashr sanasi: 9-oktyabr 2025.
Maqola tarixi: Received 19-fevral 2025; revision received 8-avgust 2025; accepted 13-sentyabr 2025.
DOI: 10.1093/jrsssa/qnaf146.
Nashriyot: Oxford University Press; Journal of the Royal Statistical Society Series A, Royal Statistical Society nashri.
Manba turi: Yuklangan fayl arXiv v2; ayni tadqiqotning taqrizli journal version of record versiyasi nashr qilingan.
Taqriz: Taqrizli jurnal maqolasi. Yuklangan matn shuningdek associate editor va ikki reviewerga minnatdorlik bildiradi.
Litsenziya / qayta foydalanish: Taqrizli versiya © The Royal Statistical Society 2025, all rights reserved; Oxford University Press Standard Journals Publication Model. Ochiq CC litsenziyasi emas.
Asosiy tadqiqot turi: Tarmoq ilmi va statistik modellashtirish; sintetik tarmoq simulyatsiyalari + real tarmoq topologiyasi case study + Bayesian SI inference.
Asosiy modellar: Kertész Threshold (KT) modeli; Susceptible-Infected (SI) continuous-time model.
Motif usuli: Edge-disjoint 4-node motif detection; Weisfeiler–Lehman graph hashing.
Noaniqlik: KT simulyatsiya egri chiziqlari uchun 1.000 ta mustaqil running empirical 2.5th/97.5th percentiles; manba buni bootstrap confidence interval deb ham ataydi. SI parametrlari uchun Bayesian %95 credible interval.
Statistik test: Nonparametric k-sample Anderson–Darling test; Ethereum boshlang‘ich ssenariylari va Yevropa grid taqqoslashlarida \(p<0.001\) deb xabar qilingan.
Ethereum ma’lumotlari: Ethereum mainnet, Infura + Ethereum ETL; block 10,000,000–10,001,000; tahlil oynasi 2020-05-04 14:48:40–14:58:40 UTC; giant component 627 node va 666 edge.
Elektr tarmoqlari: Germany, Italy, France transmission networks; manba Union for the Coordination of the Transmission of Electricity deb berilgan.
SI dasturi: Julia Pathogen.jl.
MCMC: Metropolis–Hastings; 200.000 iteration; 20.000 burn-in; taxminan 48 soat; 32 GB RAM; 4.40 GHz Intel Core i7.
Moliyalashtirish: Asim K. Dey uchun National Science Foundation, USA, NSF DMS 2453756 va NASA 21-AIST21-2-0020.
Ma’lumotlar mavjudligi: Manba “All data are publicly available” deydi.
Kod mavjudligi: Barcha R kodlari so‘rov bo‘yicha taqdim etilishi aytilgan; to‘liq public code repository berilmagan.
Manfaatlar to‘qnashuvi: Mualliflar potensial manfaatlar to‘qnashuvini bildirmagan.
Muallif hissalari: Yuklangan PDFda alohida CRediT / Author Contributions bo‘limi yo‘q.
Supplementary material: Yuklangan preprint ancillary files arXiv abstract pageda mavjudligini bildiradi; taqrizli versiyada ham supplementary data qaydi bor.
Manba ichidagi muhim nomuvofiqlik 1: Algorithm 1dagi \(r_v\geq\delta\) sharti bilan \(\delta=0.001\) spontaneous-adopter izohi matematik jihatdan mos kelmaydi.
Manba ichidagi muhim nomuvofiqlik 2: Ethereum uchun yozilgan \(\alpha\sim U(1,2)\) prior bilan \(\alpha=0.0616\) posterior ayni ko‘rinishda mos kelmaydi.
Manba ichidagi muhim nomuvofiqlik 3: Motif Table 1/Section 3.2 bilan Discussiondagi line-type/square-type talqinlari to‘liq mos kelmaydi.
Manba ichidagi muhim nomuvofiqlik 4: Manba “bootstrap” terminologiyasini ishlatadi, Algorithm 2 esa bevosita mustaqil simulyatsiya percentillarini hisoblaydi.
Asosiy talqin chegarasi: Real Ethereum va power-grid topologiyalari ishlatilgan bo‘lsa-da, “infection/failure” jarayonlari modeldir; real hujum, real blackout yoki tarixiy tugun nosozligi kuzatuvlari emas.
Directionality chegarasi: Ethereum transaction graph va elektr tarmoqlari symmetric KT/SI modellarini qo‘llash uchun undirected tarzda ko‘rib chiqilgan; mualliflar real tizimlardagi yo‘nalganlikni kelajakdagi tadqiqot sohasi deb ko‘rsatadi.
Izoh qoldiring
E-pochta manzilingiz chop etilmaydi. Majburiy maydonlar * bilan belgilangan