Статті, пов’язані з біткойнами та пов’язаними темами з права: Частина III

Ця стаття була вперше опублікована на Блог доктора Крейга Райтаі ми перепублікували з дозволу автора. Прочитайте Частина 1, Частина 2та частина 4.

Чіміні, Г., Сквартіні, Т., Саракко, Ф., Гарлашеллі, Д., Габріеллі, А., і Калдареллі, Г. (2019). Статистична фізика мереж реального світу. Nature Reviews Фізика, 1(1), стаття 1. https://doi.org/10.1038/s42254-018-0002-6

Дослідження, представлене Cimini et al. документує статистичну фізику та алгоритмічний аналіз мережевого моделювання та аналізу, як це було розроблено за останні два десятиліття у зв’язку зі складними мережами та пов’язаними явищами. Основна увага статті пов’язана з поєднанням теорії інформації та статистичної фізики. Такі методи можуть бути застосовані для аналізу складних мереж реального світу, включаючи системи на основі блокчейну. Найслабшим внеском авторів є підхід, який дозволяє створювати нульові моделі складних мереж і, отже, можливість аналізувати та вивчати мережі шляхом експериментів. Такі нульові моделі можуть допомогти в аналізі існуючих мереж і надати структуру, яка допомагає пояснити складні мережеві системи.

Підходи, засновані на статистичній механіці, були представлені таким чином, що поширюється на аналіз багаторівневих мереж і може моделювати складні системи. Найважливіше те, що структури й алгоритми можуть поширюватися на безперервний аналіз даних і динамічні високорозмірні структури. Такі моделі важливі, коли мова заходить про аналіз динамічно змінюваного набору вузлів у мережі блокчейн. Визначаючи систему з вузлами, які можуть приєднуватися та виходити, і моделюючи таку систему через мінливе динамічне середовище, автори представляють методологію для аналізу систем, у яких члени динамічно з’являються та виходять.

Лю, X., Лі, Д., Ма, М., Шиманські, Б.К., Стенлі, HE, і Гао, Дж. (2022). Стійкість мережі. Доповіді з фізики, 9711–108. https://doi.org/10.1016/j.physrep.2022.04.002

Автори дослідили та розвинули концепцію стійкості, пов’язану з комп’ютерні мережі. Хоча система також може застосовуватися до інших мережевих систем, фокус поточного дослідницького проекту пов’язаний з вимірюванням впливу вузлів на мережу блокчейн і, як такий, найбільш актуальний при застосуванні до комп’ютерних мереж. Дослідники зосередилися на аналізі функцій стійкості та вивчили використання систем оповіщення для сигналізації про потенційну несправність підключених компонентів. Такий підхід може призвести до розробки систем раннього попередження, які можуть застосовуватися в розподілених мережах і надавати засоби для виявлення атак або підвищення стабільності та надійності систем, з’єднаних між такими системами.

Автори також надають детальні визначення термінів у мережі науки, які часто вживаються неоднозначно. Документуючи надійність і стійкість і описуючи їх у математично строгому процесі, автори створили термінологію та засоби для вимірювання стійкості в багатьох системах. У документі наводиться серія визначень і підходів, які допоможуть описати типи зв’язку між системами на основі блокчейну. Завдяки такому підходу використання стандартизованої мови та термінології спростить багато існуючих ускладнень, які існують при описі мереж і пов’язаної зрадницької термінології (Walch, 2017).

Ши, Ю. (2022). Досягнення в аналізі великих даних: теорія, алгоритми та практика. Springer Nature.

Ця книга узагальнює та фіксує багато нового прогрес у великих даних аналітика. Хоча книга починається з узагальнення розвитку великих даних у Китаї та інших областях академічної спільноти, книга швидко розширюється до більш складного алгоритмічного аналізу та розробки нових механізмів класифікації. Розділ про класифікацію та оптимізацію детально описує комплексні методології, що включають виправлення помилок і лінійне програмування. Основна увага зосереджена на методах, заснованих на правилах, але включає машини підтримки векторів і поширюється на нові методології та алгоритми декомпозиції. Розділ аналізу настроїв на основі слів і аналізу посилань є цікавими, але не мають відношення до поточних досліджень. Тим не менш, розділ про аналіз навчання та концепцію когнітивного навчання можна розширити, щоб надати автоматизовані методи класифікації типів систем, включаючи аналіз вузлів у наборі даних, запропонованому в поточному дослідженні.

Розділ роботи, який представляє найбільший інтерес і актуальність, стосується функціонального аналізу та вибору ознак. У цьому розділі розглядається відбір на основі відстані, включаючи двоетапні методології, керовані доменом. Такі методології можуть розширити автоматизацію аналізу вузлів у мережі блокчейн. Процес регулярізації, розроблений у цій главі, надає можливості для розробки схем класифікації для демонстрації вибору вузлів і відповідного впливу, який вони мають на мережу, таку як мережа блокчейн. Завдяки цьому можна було б встановити дискримінаційні процеси, які ізолюють відносний вплив вузла на мережу.

Інші посилання

Javarone, MA, & Wright, CS (2018). Від Bitcoin до Bitcoin Cash: аналіз мережі. Матеріали 1-го семінару з криптовалют і блокчейнів для розподілених систем77–81. https://doi.org/10.1145/3211933.3211947

Sampaio Filho, CIN, Moreira, AA, Andrade, RFS, Herrmann, HJ, and Andrade, JS (2015). Мережі Mandala: надмалий світ і дуже розріджені графи. Наукові доповіді, 5(1), 9082. https://doi.org/10.1038/srep09082

Ця стаття була дещо відредагована для ясності.

Дивіться: програмну промову доктора Крейга Райта: Хмарна безпека, накладення та блокчейн

width=”562″ height=”315″ frameborder=”0″ allowfullscreen=”allowfullscreen”>

Не знайомі з біткойнами? Перегляньте CoinGeek Bitcoin для початківців найкращий путівник із ресурсами, щоб дізнатися більше про біткойн (як його спочатку задумував Сатоші Накамото) та блокчейн.