Статті, пов’язані з біткойнами та пов’язаними темами з права: частина XI

Ця стаття була вперше опублікована на Блог доктора Крейга Райтаі ми перепублікували з дозволу автора. Прочитайте Частина 1, Частина 2, Частина 3, Частина 4, Частина 5, Частина 6, Частина 7, Частина 8, Частина 9і Частина 10.

Вимірювання відстані між вузлами вважалося складним (Chen та ін., 2020) і схильне до помилок або перерахованої обчислювальної обробки. Через проблеми з вимірювальними мережами деякі автори просто фіксували та створювали зображення графічної мережі, не аналізуючи вплив потужності та вплив кожного з них. вузол. Обмежений підхід цієї форми був проведений на Мережа Ethereum, що забезпечує модель комп’ютерних систем у мережі (Kim et al., 2018); однак такий підхід не в змозі розрізнити дійсність кожного вузла або його вплив на інші частини мережі.

Фей (2018) вирішує деякі проблеми аналізу мережевого впливу, які залишилися поза увагою інших авторів, таких як Кім та ін. (2018). Новий підхід до ідентифікації впливових вузлів у складних мережах також узагальнює інші існуючі показники центральності та надає засоби для фіксації інтенсивності та взаємного тяжіння, яке може існувати між вузлами в розподіленій мережі, такій як біткойн. За допомогою такого процесу автор надає засоби порівняння впливу кожного вузла, що дозволяє дослідникам аналізувати порівняльну потужність або ефект, який підтримує кожна система.

За допомогою такого аналізу Fei (2018) надає засоби для ізоляції центральних систем і мережевих факторів, які утворюють компоненти гігантських вузлів у складних мережах, тоді як Chen et al. (2020) обговорюють технології автоматизованого машинного навчання, які можуть спростити деякі завдання. На жаль, багато авторів, у тому числі Кім та ін. (2018), продовжують зосереджуватися на об’ємі вузлів, ігноруючи індивідуальний вплив, який більш впливові вузли мають на решту мережі.

Анотована бібліографія

Чень Д., Лін Ю., Лі В., Лі П., Чжоу Дж. та Сан X. (2020). Вимірювання та усунення проблеми надмірного згладжування для графових нейронних мереж з топологічної точки зору. Матеріали конференції AAAI зі штучного інтелекту, 34(04), 3438–3445. https://doi.org/10.1609/aaai.v34i04.5747

Чен та ін. (2020) представили концепцію графових нейронних мереж (GNN) як моделі машинного навчання, пов’язаної з представленням графів. Методологія об’єднує середнє абсолютне відхилення (MAD) і функції плавності багатьох інших нейронних мереж і пов’язаних інструментів машинного навчання. Ця функція також дозволяє збирати мережеві дані за допомогою автоматизованого процесу за допомогою набору інструментів, відомого як адаптивна система оптимізації меж. Нарешті, вимірювання топографії аналізуються на наявність шуму та надмірного згладжування.

Основна перевага статті полягає в систематичному та кількісному аналізі проблем, з якими стикаються GNN, і оптимізації систем, які аналізують і фіксують топографії графів. Аналіз виконується в різних Pubmed і пов’язаних публічних мережах цитування, і основна увага приділяється скороченню та захопленню важливої ​​інформації між системами, які природним чином не сприймаються та не представлені як такі.

Fei, L., Zhang, Q., & Deng, Y. (2018). Ідентифікація впливових вузлів у складних мережах на основі закону обернених квадратів. Physica A: статистична механіка та її застосування, 5121044–1059. https://doi.org/10.1016/j.physa.2018.08.135

Fei та ін. (2018) документують процес, пов’язаний з ідентифікацією впливових вузлів у складних мережах. Визначивши вузли, які мають найбільше впливу та важливі для передачі та широкомовлення трафіку, стане можливим аналіз децентралізації та взаємозв’язку між системами. Стаття починається з розгляду різних типів вимірювань центральності, які вже існують, документуючи недоліки та обмеження алгоритму. Потім автори пропонують використовувати закон зворотних квадратів для формування індексу взаємного тяжіння між вузлами в складній мережі.

У статті представлено серію експериментів і симуляцій, що порівнюють запропоновану міру центральності з існуючими вимірюваннями, такими як центральність близькості, центральність ступеня та центральність власного вектора. Крім того, методи, які використовуються в веб-системах, таких як Google (NASDAQ: GOOGL) у рейтингу сторінки та рейтингу лідера також аналізуються. Нарешті, модель і процес поширюються на розгляд епідеміологічних систем, включаючи чутливі, інфіковані моделі. Експериментальна перевірка демонструє хорошу статистичну потужність запропонованої методології.

Кім С.К., Ма З., Муралі С., Мейсон Дж., Міллер А. та Бейлі М. (2018). Вимірювання однорангових мереж Ethereum. Матеріали конференції Internet Measurement Conference 201891–104. https://doi.org/10.1145/3278532.3278542

Кім та ін. (2018) пропонують методологію для вимірювання однорангових мереж у мережі Ethereum. Стаття починається з представлення та документування можливостей «розумного контракту» Ethereum і називає систему «криптовалютою». Потім наводиться аргумент, що Ethereum є першою повною системою блокчейну Тьюрінга, ігноруючи можливості всередині Bitcoin. Метод заснований на виявленні вузлів і розгортається за допомогою розробленого інструменту під назвою NodeFinder. Автори стверджують, що інструмент знайшов понад 10 000 вузлів, досліджуючи екосистему P2P Ethereum.

Аналіз функціональних можливостей вузла, як-от розробка блоків, не надається, а вимірювання та перевірка зосереджуються на пошуку всіх учасників системи. Представлено аргумент, що інструмент перевіряється за допомогою зовнішніх вимірювань, де вузол знаходить інші системи, які є частиною однорангової екосистеми. На жаль, жодної інформації щодо створення блоків не опубліковано. Подібним чином до дослідження не включено жодної інформації щодо трансляції чи передачі блоків чи транзакцій. Отже, аналіз «непродуктивних однолітків» (2018, с. 99) дає мало користі. Крім того, оскільки автори не розрізнили вузли, які є клієнтами мережі, і вузли, які активно створюють блоки та передають інформацію, загальна цінність статті обмежена.

Додаткові посилання
Чень Д., Лін Ю., Лі В., Лі П., Чжоу Дж. та Сан X. (2020). Вимірювання та усунення проблеми надмірного згладжування для графових нейронних мереж з топологічної точки зору. Матеріали конференції AAAI зі штучного інтелекту, 34(04), 3438–3445. https://doi.org/10.1609/aaai.v34i04.5747
Fei, L., Zhang, Q., & Deng, Y. (2018). Ідентифікація впливових вузлів у складних мережах на основі закону обернених квадратів. Physica A: статистична механіка та її застосування, 5121044–1059. https://doi.org/10.1016/j.physa.2018.08.135
Кім С.К., Ма З., Муралі С., Мейсон Дж., Міллер А. та Бейлі М. (2018). Вимірювання однорангових мереж Ethereum. Матеріали конференції Internet Measurement Conference 201891–104. https://doi.org/10.1145/3278532.3278542

Ця стаття була дещо відредагована для ясності.

Дивіться: програмну промову д-ра Крейга Райта: Кращий Інтернет з IPv6 і блокчейном BSV

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.