Blokçeyn məlumat analitikası, paylanmış reyestrlərdə yaranan əməliyyatları zaman, şəbəkə quruluşu, qeyri-müəyyənlik, anomaliya, etibar və yüksəkölçülü asılılıq baxımından statistik olaraq araşdıran tədqiqat sahəsidir. Bhojnarine R. Rambharat və Yulia R. Gel-in işi yeni bir alqoritmi benchmark etmək əvəzinə blokçeyn ekosistemlərinin hansı statistik problemləri ortaya çıxardığını sistemli şəkildə müzakirə edir. Məqalə; block header daxilindəki timestamp, hash və nonce kimi metadata elementlərindən UTXO əməliyyat şəbəkələrinə, temporal point process və dinamik şəbəkələrdən uncertainty quantification, graph bootstrap, yüksəkölçülü covariance/precision matrix modelləri və Bayesçi etibar analizinə qədər geniş metod sahəsini müəyyənləşdirir. Əsas nəticə yeni bir rəqəmsal performans göstəricisi deyil, blokçeynin yalnız kompüter elminin deyil, statistika elminin də həll etməli olduğu çoxqatlı məlumat problemi olmasıdır.

Tədqiqatın çıxış nöqtəsi mühüm bir araşdırma boşluğudur. Kriptoqrafiya, paylanmış sistemlər, iqtisadiyyat, səhiyyə, daşınmaz əmlak və incəsənət kimi sahələrdə geniş blokçeyn ədəbiyyatı olmasına baxmayaraq, blokçeyn məlumatlarının statistik nəticəçıxarma, qeyri-müəyyənlik və dinamik şəbəkə perspektivindən sistemli şəkildə öyrənilməsinin daha da inkişaf etdirilməli olduğu irəli sürülür. Müəlliflər xüsusilə qeyri-müntəzəm zamanlı əməliyyatların, zamanla dəyişən şəbəkələrin, cross-chain hərəkətlərin, qiymət uyğunsuzluqlarının, düyün qeyri-müəyyənliyinin, fraud və money-laundering nümunələrinin, eləcə də şəbəkə etibarının gələcək statistik tədqiqatlar üçün məhsuldar sahələr olduğunu bildirirlər.

Bu məqalə metod müqayisəsi eksperimenti deyil. Temporal point process, Bayesian trust model, Monte Carlo, bootstrap, topological data analysis və ya tensor metodlarının heç biri bu tədqiqatda ortaq benchmark üzərində sınaqdan keçirilmir. Bunlar gələcək tədqiqatlar üçün təklif olunan statistik alətlərdir. Buna görə iş müəyyən bir metodun fraud detection və ya blockchain security üçün sübut edilmiş üstünlüyünü deyil, hansı məlumat problemlərinin hansı statistik ailələrlə araşdırıla biləcəyinə dair elmi yol xəritəsini təqdim edir.

Blokçeyn niyə statistik problem kimi nəzərdən keçirilə bilər?

Blokçeyn, kriptoqrafik olaraq təsdiqlənmiş əməliyyatların bloklar şəklində saxlandığı paylanmış rəqəmsal reyestr quruluşudur. Bir blok əvvəlki blokla kriptoqrafik olaraq bağlanır; şəbəkədəki qaydalar və consensus mexanizmi yeni blokların qəbulunu müəyyən edir. Zəncirə yeni bloklar əlavə olunduqca köhnə qeydlərin dəyişdirilməsi hesablama baxımından çətinləşir və quruluş tam mənada fiziki olaraq dəyişməz deyil, dəyişdirilməyə davamlı qeyd sisteminə çevrilir.

Statistika baxımından kritik məqam blokçeynin yalnız qeyd anbarı olmamasıdır. Sistem davamlı olaraq:

• zaman damğaları,
• ünvanlar və əməliyyat əlaqələri,
• miqdarlar,
• hash dəyərləri,
• nonce və digər block metadata,
• şəbəkə düyünləri və əlaqələri,
• dəyişən edge weight-lər,
• cross-chain hərəkətlər

kimi təhlil edilə bilən məlumatlar yaradır. Bu məlumat eyni anda zamansal, şəbəkə quruluşlu, yüksəkölçülü və potensial olaraq qeyri-müntəzəmdir.

Permissioned və permissionless blokçeynlər

Mənbə blokçeynləri iki geniş sinifdə nəzərdən keçirir. Permissioned blockchain iştirakçı və doğrulayıcı girişinin məhdudlaşdırıldığı və adətən daha mərkəzləşdirilmiş nəzarət daşıyan quruluşdur. Permissionless blockchain isə iştirak və doğrulamanın daha açıq olduğu, daha mərkəzsiz şəbəkə quruluşunu ifadə edir.

Bu fərq statistik modelləşdirmə üçün də vacibdir. Şəbəkənin kim tərəfindən müşahidə oluna bilməsi, düyünlərin necə yarandığı, əməliyyat doğrulamasının hansı prosesdən keçdiyi və məlumatın hansı hissəsinin əlçatan olduğu istifadə oluna biləcək məlumat modelini dəyişə bilər.

Tarixi arxa plan

Tədqiqat müasir blokçeynin meydana çıxmasını yalnız Bitcoin ilə başlamır. Müəlliflər blokçeyn infrastrukturuna aparan ideyaların daha erkən kompüter elmi işlərinə qədər uzandığını vurğulayırlar.

David Chaum-un 1982-ci il doktorluq işindəki rəqəmsal pul və bir-birinə qarşılıqlı etibar etməyən qrupların etibarlı kompüter sistemləri qurması problemi mühüm sələflərdən biridir. Ralph Merkle-nin 1978-ci il cryptographic hash işi sonradan Merkle tree kimi tanınan quruluşların əsasını təşkil etmişdir. Lamport, Shostak və Pease-in Byzantine Generals Problem işi isə paylanmış şəbəkədə etibarsız və ya nasaz iştirakçılara baxmayaraq ortaq qərar yaratma problemini nəzəri olaraq formalaşdırmışdır.

Məqalə bu tarixi davamlılıqdan blokçeynin yalnız yeni maliyyə texnologiyası deyil; etibar, doğrulama və paylanmış qeyd problemi üzərində onilliklər ərzində inkişaf edən ideyaların birləşməsi kimi oxunmalı olduğunu göstərmək üçün istifadə edir.

Statistik boşluq

Blokçeyn kompüter elmi ədəbiyyatı ilə yanaşı iqtisadiyyat, səhiyyə, daşınmaz əmlak və incəsənət sahələrində də istifadə edilmişdir. Bitcoin-in qanunsuz əməliyyatlardakı rolu, blockchain graph risk modeling, real-estate əməliyyatları, səhiyyə qeydləri və incəsənət bazarı kimi mövzular üzrə araşdırmalar mövcuddur.

Müəlliflərin vurğuladığı boşluq blokçeynin texniki infrastrukturunun kifayət qədər bilinməməsi deyil; blokçeynin yaratdığı mürəkkəb məlumatların statistik nəticəçıxarma, qeyri-müəyyənlik, zamansallıq və şəbəkə analizi baxımından daha sistemli şəkildə nəzərdən keçirilməsinin zəruriliyidir.

Blokçeyn Məlumatı Niyə Klassik Cədvəl Məlumatından Fərqlənir?

Blokçeyn məlumatı çox vaxt bir sətirdə müstəqil müşahidələrdən ibarət klassik cədvəl quruluşundan fərqlənir; əməliyyatlar zaman damğaları ilə bir-birinə bağlanır, ünvanlar şəbəkə yaradır, bir əməliyyat birdən çox girişi və ya çıxışı birləşdirə bilər və düyün, edge və edge weight strukturları zamanla dəyişə bilər. Buna görə blokçeyn analizi zaman sırası, point process, network statistics, graph topology və yüksəkölçülü statistika kimi metodların birlikdə qiymətləndirilməsini tələb edə bilər.

Bir block header hansı məlumatları daşıyır?

Mənbə block header-i bir blokun özü haqqında metadata daşıyan bölmə kimi izah edir. Statistik baxımdan xüsusilə üç element önə çıxır:

Blokçeyn məlumat mənbələri

Tədqiqat statistik araşdırma üçün bir neçə konkret məlumat mənbəyi təklif edir:

Bunlar bu məqalədə birlikdə təhlil edilmiş vahid eksperiment məlumat dəsti deyil. Müəlliflər bunları statistiklərin yeni tədqiqatlar hazırlaya biləcəyi nümunə məlumat mənbələri kimi sadalayırlar.

Kəşfiyyatçı məlumat analizi niyə ilk addımdır?

Blokçeyn məlumatının qeyri-adi quruluşuna görə birbaşa mürəkkəb modelə keçmək əvəzinə əvvəlcə exploratory data analysis (EDA) aparılması vacibdir. EDA; əməliyyat ölçülərinin paylanmasını, şəbəkə quruluşunu, düyün sıxlığını, split/merge nümunələrini, qeyri-adi ünvan davranışlarını və zamanla dəyişiklikləri anlamağa kömək edə bilər.

Mənbə John Tukey-nin kəşfiyyatçı məlumat analizi ənənəsini blokçeyn kontekstinə daşıyır. Buradakı məqsəd yalnız histogram və ya sadə xülasə statistika yaratmaq deyil; təhlil ediləcək məlumat obyektinin nə olduğunu düzgün müəyyənləşdirməkdir.

Ethereum tipli əməliyyatlarla UTXO əməliyyatlarının fərqi

Mənbə Ethereum kimi platformalardakı bəzi əməliyyatları bir ünvanın başqa ünvana aktiv göndərməsi formasındakı klassik one-to-one network edge quruluşu ilə müqayisə edir.

Bitcoin və Litecoin kimi UTXO əsaslı quruluşlarda isə vəziyyət daha mürəkkəbdir. Bir ünvan birdən çox unspent transaction output-a sahib ola bilər və tək bir əməliyyat birdən çox input və output-dan birlikdə istifadə edə bilər. Buna görə klassik single-edge network modeli təkbaşına bütün əməliyyat quruluşunu təmsil etməyə bilər.

UTXO nümunəsi nə göstərir?

Mənbədə istifadə edilən izahlı nümunədə 13 ünvan və dörd əməliyyat vardır. Ümumilikdə 6,0 vahid şəbəkəyə daxil olur, əməliyyatların sonunda 4,4 vahid qalır və aradakı fərq əməliyyat haqları ilə əlaqələndirilir.

Müəlliflər bu quruluşda üç əsas əməliyyat nümunəsinə diqqət çəkirlər:

• Transition: Dəyərin bir əməliyyat düyünündən yeni ünvana ötürülməsi.
• Split: Bir girişin birdən çox çıxışa bölünməsi.
• Merge: Birdən çox girişin daha az sayda çıxışda birləşməsi.

Bu nümunələr yalnız mühasibat detalı deyil. Şəbəkədəki davranış tiplərini, ünvan əlaqələrini, kapitalın parçalanmasını və mümkün anomaliya nümunələrini təsvir etmək üçün statistik xüsusiyyətlərə çevrilə bilər.

Ponzi scheme aşkarlanması nümunəsi

Mənbə Bartoletti və həmkarlarının Bitcoin ünvanlarından mümkün Ponzi scheme nümunələrini ortaya çıxarmaq üçün data mining və machine learning istifadə edən işini EDA-nın praktik dəyərinə nümunə kimi göstərir.

Bu nəticə Rambharat və Gel-in yeni fraud-detection eksperimentinin nəticəsi deyil. Məqalə mövcud işi blockchain address məlumatlarının necə araşdırıla biləcəyini göstərmək üçün istifadə edir.

Zaman ölçüsü

Hər blockchain əməliyyatının timestamp daşıması şəbəkəni təbii zamansal sistemə çevirir. Müəlliflər xüsusilə əməliyyat və ya doğrulama nöqtələri arasındakı zamanın statistik məlumat daşıya biləcəyini bildirirlər.

Blockchain timestamp sıraları klassik müntəzəm intervallı zaman sıralarına bənzəməyə bilər. Əməliyyatların gəlmə vaxtları qeyri-müntəzəmdir; şəbəkə düyünləri və əlaqələri dəyişə bilər; split və merge prosesləri şəbəkə topologiyasını dəyişə bilər.

Mənbə buna görə aşağıdakı tədqiqat sahələrini təklif edir:

• qeyri-müntəzəm əməliyyat vaxtları üçün temporal point processes,
• verification point-lər arasındakı müddətin analizi,
• zamanla dəyişən node, edge və edge weight-lər üçün dynamic network analysis,
• motif, graphlet və chainlet dinamikaları,
• statistical topological data analysis,
• cross-chain money laundering üçün hypergraph, tensor və functional data metodları,
• şübhəli əməliyyatları işarələmək üçün blockchain time-series forecasting.

Blokçeyn Məlumatlarında Qeyri-müəyyənliyin Kəmiyyətləndirilməsi Niyə Vacibdir?

Qeyri-müəyyənliyin kəmiyyətləndirilməsi blockchain şəbəkəsində qiymət, düyün, əlaqə və ya şəbəkə quruluşu barədə statistik qeyri-müəyyənliyi yalnız bir qiymətləndirmə ilə deyil, paylanma, dispersiya və ya etibar ölçüləri ilə ifadə etməyi hədəfləyir; mənbə bu yanaşmanın qiymət uyğunsuzluqlarını, şəbəkədəki qeyri-adi davranışları, crypto-whale quruluşlarını və təhlükəsizlik baxımından kritik düyün qeyri-müəyyənliyini araşdırmaq üçün mühüm tədqiqat istiqaməti olduğunu müdafiə edir.

Mərkəzləşdirilmiş qiymət olmadıqda nə baş verir?

Mərkəzsiz bazarlarda eyni rəqəmsal aktiv müxtəlif platformalarda fərqli qiymətlərlə alınıb-satıla bilər. Belə qiymət fərqliliyi arbitraj yarada və əlaqəli derivative contract-ların qiymətlənməsinə də təsir göstərə bilər.

Statistik problem yalnız “hansı qiymət doğrudur?” deyil. Müxtəlif məlumat mənbələrindən gələn qiymətlərin ölçmə qeyri-müəyyənliyi, platformadan asılılıq, zaman uyğunlaşdırılması və network şərtləri birlikdə modelləşdirilməlidir.

51% attack və node uncertainty

Mənbə, şəbəkədə zərərli aktorların doğrulama qabiliyyətinin çoxluğunu nəzarətdə saxladığı 51% attack problemində node-level qeyri-müəyyənliyin statistik izlənməsini tədqiqat fürsəti kimi göstərir.

Bu məqalə yeni 51% attack detector hazırlamır. Qeyri-müəyyənliyin kəmiyyətləndirilməsinin təhlükəsizlik monitorinq sistemlərinə əlavə məlumat verə biləcəyi metodoloji tədqiqat istiqaməti kimi təklif olunur.

Təklif olunan UQ alətləri

Bayesçi blokçeyn analizi

Bayesçi statistika əvvəlcədən mövcud olan inanc və ya biliklə şəbəkədən gələn yeni məlumatları sistemli şəkildə birləşdirməyə uyğundur. Mənbə bu xüsusiyyəti xüsusilə trust problemi ilə əlaqələndirir.

Şəbəkə düyününün və ya iştirakçının etibarlılığına dair başlanğıc səviyyə prior kimi düşünülə bilər. Yeni əməliyyat və ya network davranışı müşahidə edildikcə bu məlumat posterior etibar paylanmasına çevrilə bilər.

Mənbə peer-to-peer sistemlərdəki Bayesian trust model ədəbiyyatının blockchain şəbəkələri üçün yeni tədqiqat imkanları yarada biləcəyini bildirir.

Bayesçi Metodlar Blokçeyn Etibarını Necə Modelləşdirə Bilər?

Bayesçi yanaşma blockchain düyünü və ya iştirakçısı haqqında ilkin etibar səviyyəsini prior paylanma kimi təyin edib yeni şəbəkə müşahidələri gəldikcə posterior etibar səviyyəsini yeniləyə bilər; mənbə xüsusilə etibarın subyektiv və qeyri-müəyyən olduğu hallarda bu ehtimal çərçivəsinin qərar verməyə kömək edə biləcəyini və qapalı-form likelihood olmadıqda MCMC və ya sequential Monte Carlo metodlarından istifadə edilə biləcəyini bildirir.

MCMC və Sequential Monte Carlo

Posterior paylanma qapalı formada hesablana bilmirsə Markov chain Monte Carlo (MCMC) seçmə metodlarından istifadə oluna bilər. Xüsusilə gizli və ya müşahidə olunmayan stochastic process-lərin zamanla qiymətləndirilməsi lazım gəldikdə sequential Monte Carlo (SMC) metodları da təbii namizədlərdir.

Məqalə bu alqoritmləri blockchain məlumatı üzərində yeni eksperimentlə benchmark etmir. Məqsəd bu metodların hansı növ nəticəçıxarma problemlərində dəyər yarada biləcəyini göstərməkdir.

Kriptovalyutadan kənar tətbiqlər

Tədqiqat blokçeyn statistikasını kriptovalyuta bazarı ilə məhdudlaşdırmır.

Daşınmaz əmlak: Blockchain qeydləri əməliyyat tarixçəsi, smart contract prosesləri və digər ictimai məlumatlarla birlikdə modelləşdirmə üçün istifadə oluna bilər. Mənbə bankirlər, brokerlər və land developer-lar kimi aktorların bu məlumatlardan faydalana biləcəyini müzakirə edir.

Səhiyyə: Pasiyent qeydlərinin məxfiliyini qoruyan private blockchain və federated-learning strukturları xüsusi sayda nəzərdən keçirilən sahələrdən biridir.

İncəsənət: Blockchain provenance və əməliyyat qeydləri incəsənət aktivlərinin qiymətləndirilməsi və ownership dəyişikliklərinin analizində məlumat infrastrukturu yarada bilər.

Maliyyə bazarları: Cryptocurrency exchange qiymət fərqləri, stablecoin-lər, CBDC-lər, AML və exchange-network risk propagation kimi mövzular statistik analiz üçün önə çıxır.

Tədqiqatın Metodu və Nəticələri

Tədqiqat dizaynı

Bu tədqiqatın metodu eksperimental model müqayisəsi deyil; mövcud blockchain və statistika ədəbiyyatını tutorial/perspektiv çərçivəsində bir araya gətirərək tədqiqat problemlərini təsnif etməkdir.

Analitik quruluş dörd əsas mərhələdə oxuna bilər:

1. Blockchain texnologiyasının və tarixi köklərinin müəyyənləşdirilməsi.
2. Blockchain-in hansı məlumat obyektlərini yaratdığının izahı.
3. Bu məlumat obyektlərinə tətbiq oluna biləcək statistik tədqiqat sahələrinin müəyyənləşdirilməsi.
4. Xüsusi saydakı işlər vasitəsilə konkret tədqiqat nümunələrinin göstərilməsi.

Tədqiqatda yeni eksperiment və ya benchmark varmı?

Xeyr. Mənbədə train-test bölgüsü, model hiperparametri, p-dəyəri, confidence interval, effect size və ya müqayisəli performans cədvəli yoxdur. Bunun səbəbi natamam hesabat deyil, məqalənin əsasən tədqiqat-perspektivi və xüsusi say giriş yazısı olmasıdır.

Statistik tədqiqat yol xəritəsi

Xüsusi saydakı tədqiqatlar

Bu cədvəl Rambharat və Gel-in öz eksperimentlərinin nəticə cədvəli deyil. Məqalənin xüsusi saydakı digər tədqiqatları necə mövqeləndirdiyini xülasə edən Verianla quruluşudur.

Xüsusi saydakı şəbəkə diffuziyası tədqiqatı

Mənbə S. M. Mustaquim və həmkarlarının cryptocurrency blockchain şəbəkələrində diffusion process-ləri simulation və Bayesian metodlarla araşdırdığını bildirir. Hub-dominated şəbəkələrin təsadüfi failure-lara qarşı dayanıqlı, hədəflənmiş attack-lara qarşı isə daha həssas ola biləcəyi qeyd olunur.

Lightning Network və deep reinforcement learning

M. Salahshour və həmkarlarının xüsusi say işi Bitcoin Lightning Network-də node selection ilə resource allocation problemlərini birlikdə həll etmək üçün deep reinforcement learning istifadə edir. Mənbə bu işi scalability, financial inclusion, censorship resistance, privacy və security kontekstində mövqeləndirir.

Ethereum fraud və AML

Y. Chen və həmkarlarının işi Ethereum-dakı fraud detection problemini multilayer və topology-aware graph contrastive learning ilə araşdırır. Mənbə bu yanaşmanın fraud və anti-money-laundering tətbiqləri baxımından ümidverici olduğunu bildirir.

Tensor change-point detection

A. Anastasiou və I. Cribben-in xüsusi say işində tensor-variate məlumatların network quruluşundakı dəyişikliklər araşdırılır. Tensor decomposition-dan sonra cross-covariance quruluşunda birdən çox change-point-in aşkarlanması hədəflənir.

Kriptobirjalarda risk propagation

J. Goel və həmkarlarının işi cryptocurrency exchange failure risklərinə fokuslanır. Temporally dependent tensor-valued məlumatlar üçün precision-matrix qiymətləndirməsinin exchange-lər arasındakı gizli əlaqələrin və risk propagation yollarının anlaşılmasına töhfə verə biləcəyi bildirilir.

CBDC və stablecoin əlaqəsi

L. Dionysopoulos və C. Makridis, central bank digital currency ritorikasının stablecoin market sentiment üzərindəki təsirini araşdırırlar. Mənbə bu işi CBDC adoption-ın stablecoin-lərə və ya digər private banking həllərinə istənilmədən təsir göstərə bilməsi kontekstində təqdim edir.

Səhiyyə məlumatı və private blockchain

K. Mathur və həmkarlarının xüsusi say işi private blockchain, federated learning və ranked set sampling-i səhiyyə məlumatı kontekstində birləşdirir. Məqsəd sensitive medical data-nı birbaşa mərkəzləşdirmədən predictive modeling edə bilən memarlıq yaratmaqdır.

NFT və Digital Art Index

M. Lin və həmkarları blockchain və smart contract infrastrukturunu incəsənət bazarı ilə əlaqələndirən Digital Art Index hazırlayırlar. Mənbə indeksin 2023 etibarilə ən likvid on NFT incəsənət kolleksiyasını hedonic regression vasitəsilə nəzərdən keçirdiyini bildirir.

Bu Məqalə Müəyyən Bir Statistik Metodun Üstünlüyünü Sübut Edirmi?

Xeyr. “Blockchain frontiers in statistics” fərqli statistik metodları ortaq blockchain benchmarkı üzərində müqayisə etmir və hər hansı metod üçün accuracy, error, p-dəyəri və ya oxşar üstünlük metriyi hesabat vermir; məqalənin elmi töhfəsi hansı blockchain məlumat problemlərinin hansı statistik tədqiqat ailələri ilə araşdırıla biləcəyini göstərməsi və xüsusi saydakı işləri bu çərçivədə mövqeləndirməsidir.

Tədqiqatın dəstəklədiyi nəticələr

• Blockchain əməliyyatları zaman, şəbəkə və yüksəkölçülü məlumat strukturları yaradır.
• UTXO tipli blockchain-lərdə əməliyyat quruluşu klassik one-to-one network modellərindən daha mürəkkəb ola bilər.
• Temporal point processes, dynamic networks və topological data analysis blockchain məlumatı üçün təbii tədqiqat sahələridir.
• Blockchain şəbəkələrinin mərkəzsiz quruluşu mühüm uncertainty-quantification problemləri yarada bilər.
• Monte Carlo və graph-resampling metodları blockchain şəbəkələrində qeyri-müəyyənlik araşdırmaları üçün potensial alətlərdir.
• Bayesian trust modelləri və Monte Carlo metodları şəbəkə etibarlılığına dair ehtimal nəticəçıxarmaları üçün potensial tədqiqat istiqamətləridir.
• Blockchain statistikasının maliyyədən kənarda səhiyyə, daşınmaz əmlak və incəsənət kimi tətbiq sahələri vardır.
• Fraud, AML, exchange risk propagation və cross-chain activity statistiklər üçün mühüm açıq problemlər sırasındadır.

Tədqiqatın dəstəkləmədiyi nəticələr

• Müəyyən bir blockchain statistik metodunun digərlərindən daha yüksək dəqiqlik təmin etdiyi göstərilməmişdir.
• Temporal point process və ya Bayesian model üçün yeni benchmark nəticəsi hesabat verilmir.
• Qeyri-müəyyənliyin kəmiyyətləndirilməsinin 51% attack-ı real şəbəkədə qarşısını aldığı eksperimental olaraq göstərilməmişdir.
• Bu məqalə yeni fraud detector, AML sistemi və ya cryptocurrency forecasting modeli hazırlamır.
• Blockchain istifadəsinin daşınmaz əmlak, səhiyyə və ya incəsənət əməliyyatlarında avtomatik olaraq daha səmərəli olduğu yeni sahə eksperimenti ilə sübut edilməmişdir.
• Xüsusi saydakı digər məqalələrin nəticələri Rambharat və Gel-in öz empirik tapıntıları deyil.
• Mənbədə blockchain şəbəkələri üçün universal statistik standart təklif edilmir.

Tədqiqatın güclü tərəfi

Tədqiqatın güclü tərəfi blockchain-i tək bir “kriptovalyuta” mövzusu olmaqdan çıxararaq məlumat obyekti baxımından ayırmasıdır. Timestamp, graph topology, UTXO quruluşu, uncertainty, latent dynamics və trust kimi fərqli problemləri statistika elminin müxtəlif alt sahələri ilə uyğunlaşdırır.

Bu yanaşma xüsusilə metod hazırlayan tədqiqatçı baxımından “hansı alqoritmi blockchain-ə tətbiq edə bilərik?” sualından daha məhsuldar bir suala keçidi təmin edir: “Blockchain hansı yeni statistik problemləri ortaya çıxarır?”

Tədqiqatın əsas məhdudiyyəti

Perspektiv/tutorial xarakterinin təbii nəticəsi olaraq təklif olunan metodların çoxu eyni məlumat üzərində empirik olaraq sınaqdan keçirilmir. Məqalə yeni benchmark, ortaq evaluation protocol və ya metodoloji head-to-head comparison təqdim etmir.

Buna görə tədqiqat yol xəritəsi güclüdür; lakin hər metodun performansı, miqyaslana bilməsi, xəta xüsusiyyətləri və real şəbəkələrdə faydası ayrıca eksperimental tədqiqatlarla doğrulanmalıdır.

Mənbə və Metod Qeydi

Yüklənmiş PDF-dəki tam özgün başlıq: Blockchain frontiers in statistics.

Hakemli nəşr qeydindəki başlıq: Blockchain frontiers in Statistics.

Müəlliflər: Bhojnarine R. Rambharat; Yulia R. Gel.

Yüklənmiş PDF afiliyasiyaları: Bhojnarine R. Rambharat — Sufficient Statistics LLC, Ellicott City, Maryland; Yulia R. Gel — Virginia Polytechnic Institute and State University, Blacksburg, Virginia.

Corresponding author: Hakemli jurnal qeydi Bhojnarine R. Rambharat-ı correspondence ünvanı ilə verir.

Yüklənmiş manuscript tarixi: 2 Fevral 2026.

Hakemli jurnal: Journal of the Royal Statistical Society Series A: Statistics in Society.

Xüsusi sayı: Blockchains in Society: Challenges, Innovations and Opportunities for Statistics.

Cild / say: 189 / 2.

Səhifələr: 621–629.

Jurnal sayı tarixi: Aprel 2026.

Məqalənin onlayn nəşr tarixi: 24 Mart 2026.

Article history: Received 5 Fevral 2026; revision received 12 Fevral 2026; accepted 13 Fevral 2026.

Hakemli versiya DOI: 10.1093/jrsssa/qnag035.

Platforma/nəşriyyat: Oxford Academic / Oxford University Press; Journal of the Royal Statistical Society Series A.

Hakemlik statusu: Hakemli və nəşr olunmuş jurnal məqaləsidir. Yüklənmiş 2 Fevral tarixli 17 səhifəlik fayl hakemli nəşrdən əvvəlki manuscript/preprint versiyasıdır.

SSRN qeydi: SSRN Abstract ID 6896039.

SSRN DOI: 10.2139/ssrn.6896039.

SSRN posting tarixi: 30 İyun 2026.

SSRN lisenziyası: All rights reserved; yenidən istifadə üçün icazə tələb olunur.

Maraqlar toqquşması: SSRN metadata-sında None.

Etik təsdiq: SSRN metadata-sında N/A.

Maliyyələşdirmə: SSRN metadata-sında Funder Statement: None.

Məqalə növü: Tutorial/perspektiv, xüsusi sayı giriş yazısı və tədqiqat yol xəritəsi. Yeni nəzarətli eksperiment və ya ortaq benchmark işi deyil.

Əsas ədəbiyyat boşluğu: Blockchain və distributed-ledger ədəbiyyatı geniş olsa da blockchain data analytics-in statistik nəticəçıxarma, qeyri-müəyyənlik və dynamic network perspektivindən daha çox inkişaf etdirilməsi tələb olunur.

Mərkəzi məlumat obyektləri: Timestamp, block metadata, hash, nonce, transaction address, UTXO, dynamic node/edge/edge-weight strukturları və cross-chain network activity.

Mənbədə təklif olunan əsas statistik metod ailələri: Exploratory Data Analysis, temporal point processes, time-series analysis, dynamic network analysis, graph motifs/graphlets/chainlets, statistical topological data analysis, hypergraphs, tensors, functional data analysis, uncertainty quantification, Monte Carlo, graph bootstrap, high-dimensional covariance/precision matrices, dynamic factor analysis, Bayesian trust models, MCMC və Sequential Monte Carlo.

Mənbədə sadalanan nümunə məlumat mənbələri: Chartalist; Stanford SNAP Bitcoin Alpha; Stanford SNAP Ethereum; Google Cloud Blockchain Analytics.

Şəkil 1 hüquq statusu: PDF bunu açıq şəkildə NIST-dən alınmış blockchain data-elements sxemi kimi təsvir edir. Üçüncü tərəf materialıdır; Verianla-da birbaşa kopyalanmayıb.

Şəkil 2 hüquq statusu: PDF bunu açıq şəkildə Akçora et al. (2022)-dən alınmış UTXO sxemi kimi təsvir edir. Üçüncü tərəf materialıdır; Verianla-da birbaşa kopyalanmayıb.

UTXO nümunəsi: Mənbədə 13 ünvan, dörd transaction, 6,0 vahid giriş və sonda 4,4 vahid qalan izahlı network nümunəsi istifadə olunur.

Statistik test: Bu məqalənin özündə ortaq eksperiment üçün p-dəyəri, confidence interval və ya effect-size müqayisəsi yoxdur.

Yeni məlumat toplanması: Yoxdur.

Train/test və ya cross-validation: Məqalə öz modeli üçün belə eksperiment aparmır.

Sahə doğrulaması: Məqalənin öz statistik çərçivəsi üçün sahə performans testi yoxdur; tədqiqat istiqamətləri təqdim olunur.

Məlumat əlçatanlığı: Ayrı orijinal tədqiqat məlumat dəsti hesabat verilməyib. Bunun əvəzinə statistik tədqiqat üçün müxtəlif blockchain məlumat mənbələri sadalanır.

CRediT / müəllif töhfələri: Yüklənmiş manuscript-də ayrıca CRediT bəyanatı yoxdur.

Əsas şərh sərhədi: Məqalənin təklif etdiyi temporal, network, UQ və Bayesian metodlar potensial tədqiqat alətləridir; bu məqalə bu metodların real blockchain sistemlərində üstün performansını özü sübut etmir.