Блокчейн маалыматтарын талдоо — бөлүштүрүлгөн реестрлерде түзүлгөн операцияларды убакыт, тармак түзүлүшү, белгисиздик, аномалия, ишеним жана жогорку өлчөмдүү көз карандылык жагынан статистикалык түрдө изилдеген багыт. Bhojnarine R. Rambharat жана Yulia R. Gelдин эмгеги жаңы алгоритмди benchmark кылуунун ордуна блокчейн экосистемалары кандай статистикалык көйгөйлөрдү пайда кыларын системалуу түрдө талкуулайт. Макала block header ичиндеги timestamp, hash жана nonce сыяктуу metadata элементтеринен UTXO операциялык тармактарына, temporal point process жана динамикалык тармактардан uncertainty quantification, graph bootstrap, жогорку өлчөмдүү covariance/precision matrix моделдерине жана Байес ишеним талдоосуна чейин кеңири ыкмалар мейкиндигин аныктайт. Негизги жыйынтык жаңы сандык көрсөткүч эмес, блокчейн компьютер илиминин гана эмес, статистика илиминин да чечүүгө тийиш болгон көп катмарлуу маалымат көйгөйү экендиги.

Изилдөөнүн баштапкы чекити маанилүү илимий боштук болуп саналат. Криптография, бөлүштүрүлгөн системалар, экономика, саламаттык сактоо, кыймылсыз мүлк жана искусство сыяктуу тармактарда кеңири блокчейн адабияты бар болгону менен, блокчейн маалыматтарын статистикалык тыянак чыгаруу, белгисиздик жана динамикалык тармак көз карашынан системалуу изилдөөнү дагы өнүктүрүү зарылдыгы белгиленет. Авторлор өзгөчө убактысы ирээтсиз операцияларды, убакыт өткөн сайын өзгөргөн тармактарды, cross-chain кыймылдарды, баа дал келбестиктерин, түйүн белгисиздигин, fraud жана money-laundering үлгүлөрүн, ошондой эле тармак ишенимин келечектеги статистикалык изилдөөлөр үчүн жемиштүү багыттар деп көрсөтүшөт.

Бул макала ыкмаларды салыштыруу эксперименти эмес. Temporal point process, Bayesian trust model, Monte Carlo, bootstrap, topological data analysis же tensor ыкмаларынын эч бири бул эмгекте жалпы benchmark үстүндө сыналбайт. Булар келечектеги изилдөөлөр үчүн сунушталган статистикалык куралдар. Ошондуктан эмгек белгилүү бир ыкманын fraud detection же blockchain security үчүн далилденген артыкчылыгын эмес, кайсы маалымат көйгөйлөрүн кайсы статистикалык үй-бүлөлөр менен изилдөөгө болорун көрсөткөн илимий жол картасын сунуштайт.

Блокчейн эмне үчүн статистикалык көйгөй катары каралышы мүмкүн?

Блокчейн — криптографиялык түрдө текшерилген операциялар блоктор түрүндө сакталган бөлүштүрүлгөн санарип реестр түзүлүшү. Бир блок мурунку блок менен криптографиялык түрдө байланышат; тармактагы эрежелер жана consensus механизми жаңы блоктордун кабыл алынышын аныктайт. Чынжырга жаңы блоктор кошулган сайын эски жазууларды өзгөртүү эсептөө жагынан кыйын болуп, түзүлүш абсолюттук физикалык өзгөрбөс система эмес, өзгөртүүгө туруктуу жазуу системасына айланат.

Статистика жагынан маанилүү нерсе — блокчейн жөн гана жазуулар сактагычы эмес. Система үзгүлтүксүз түрдө:

• убакыт белгилерин,
• даректерди жана операциялык байланыштарды,
• сандарды,
• hash маанилерин,
• nonce жана башка block metadata элементтерин,
• тармак түйүндөрүн жана байланыштарын,
• өзгөрүп турган edge weight-терди,
• cross-chain кыймылдарды

сыяктуу талдануучу маалыматтарды түзөт. Бул маалымат бир эле учурда убакыттык, тармак түзүлүшүнө ээ, жогорку өлчөмдүү жана потенциалдуу ирээтсиз болот.

Permissioned жана permissionless блокчейндер

Булак блокчейндерди эки кең класста карайт. Permissioned blockchain — катышуучу жана текшерүүчү кирүүсү чектелген, адатта көбүрөөк борборлошкон көзөмөлгө ээ түзүлүш. Permissionless blockchain болсо катышуу жана текшерүү ачыгыраак болгон, борбордон ажыратылган тармак түзүлүшүн билдирет.

Бул айырма статистикалык моделдөө үчүн да маанилүү. Тармакты ким көрө алары, түйүндөр кандай түзүлөрү, операцияны текшерүү кандай процесстен өтөрү жана маалыматтын кайсы бөлүгү жеткиликтүү экени колдонулуучу маалымат моделин өзгөртө алат.

Тарыхый негиз

Изилдөө заманбап блокчейндин жаралышын Bitcoin менен гана баштабайт. Авторлор блокчейн инфраструктурасына алып келген идеялар алда канча эрте компьютер илими эмгектерине чейин созуларын баса белгилешет.

David Chaumдун 1982-жылкы доктордук эмгегиндеги санарип акча жана бири-бирине өз ара ишенбеген топтордун ишенимдүү компьютердик системаларды түзүү көйгөйү маанилүү башаттардын бири болуп саналат. Ralph Merkleнин 1978-жылкы cryptographic hash боюнча эмгеги кийин Merkle tree деп аталган түзүлүштөрдүн негизин түзгөн. Lamport, Shostak жана Peaseтин Byzantine Generals Problem эмгеги болсо бөлүштүрүлгөн тармакта ишенимсиз же ката кетирген катышуучулар бар болсо да жалпы чечимге келүү көйгөйүн теориялык жактан негиздеген.

Макала бул тарыхый уланмалуулукту блокчейнди жөн гана жаңы финансылык технология эмес, ишеним, текшерүү жана бөлүштүрүлгөн жазуу көйгөйү боюнча ондогон жылдар бою өнүккөн идеялардын айкалышы катары түшүнүү керектигин көрсөтүү үчүн колдонот.

Статистикалык боштук

Блокчейн компьютер илими адабиятынан тышкары экономика, саламаттык сактоо, кыймылсыз мүлк жана искусство тармактарында да колдонулган. Bitcoinдин мыйзамсыз операциялардагы ролу, blockchain graph risk modeling, real-estate операциялары, саламаттык сактоо жазуулары жана искусство базары сыяктуу темалар боюнча изилдөөлөр бар.

Авторлор белгилеген боштук блокчейндин техникалык инфраструктурасы жетиштүү билинбейт деген нерсе эмес; тескерисинче, блокчейн өндүргөн татаал маалыматты статистикалык тыянак чыгаруу, белгисиздик, убакыттык динамика жана тармактык талдоо жагынан системалуу карап чыгуу зарылдыгы.

Блокчейн Маалыматы Эмне Үчүн Классикалык Таблицалык Маалыматтан Айырмаланат?

Блокчейн маалыматтары көп учурда ар бир сапта көз карандысыз байкоолор турган классикалык таблицалык түзүлүштөн айырмаланат; операциялар убакыт белгилери аркылуу бири-бири менен байланышат, даректер тармак түзөт, бир операция бир нече киришти же чыгышты бириктириши мүмкүн жана node, edge жана edge weight түзүлүштөрү убакыттын өтүшү менен өзгөрүшү мүмкүн. Ошондуктан блокчейн талдоосу time series, point process, network statistics, graph topology жана жогорку өлчөмдүү статистика сыяктуу ыкмаларды бирге кароону талап кылышы мүмкүн.

Block header кандай маалыматтарды алып жүрөт?

Булак block headerди блоктун өзү тууралуу metadata сактаган бөлүк катары түшүндүрөт. Статистикалык көз караштан өзгөчө үч элемент айырмаланат:

Блокчейн маалымат булактары

Изилдөө статистикалык изилдөөлөр үчүн бир нече конкреттүү маалымат булагын сунуштайт:

Булар бул макалада бирге талданган бирдиктүү эксперименттик маалымат топтому эмес. Авторлор аларды статистиктер жаңы изилдөөлөрдү иштеп чыга ала турган үлгүлүү маалымат булактары катары тизмектешет.

Эмне үчүн чалгындоочу маалымат талдоосу биринчи кадам?

Блокчейн маалыматтарынын адаттан тыш түзүлүшүнө байланыштуу татаал моделге дароо өтүүнүн ордуна адегенде exploratory data analysis (EDA) жүргүзүү маанилүү. EDA операция көлөмдөрүнүн бөлүштүрүлүшүн, тармак түзүлүшүн, түйүн тыгыздыгын, split/merge үлгүлөрүн, адаттан тыш дарек жүрүм-турумун жана убакыт боюнча өзгөрүүлөрдү түшүнүүгө жардам бере алат.

Булак John Tukeyнин чалгындоочу маалымат талдоо салтын блокчейн контекстине алып келет. Бул жердеги максат жөн гана histogram же жөнөкөй жыйынтык статистикаларды чыгаруу эмес; талдана турган маалымат объектиси эмне экенин туура аныктоо.

Ethereum тибиндеги операциялар менен UTXO операцияларынын айырмасы

Булак Ethereum сыяктуу платформалардагы айрым операцияларды бир даректен башка дарекке актив жөнөтүү түрүндөгү классикалык one-to-one network edge түзүлүшү менен салыштырат.

Bitcoin жана Litecoin сыяктуу UTXO негизиндеги түзүлүштөрдө абал татаалыраак. Бир даректе бир нече unspent transaction output болушу мүмкүн жана бир операция бир нече input жана outputту бирге колдонушу мүмкүн. Ошондуктан классикалык single-edge network модели өз алдынча бүт операциялык түзүлүштү чагылдырбай калышы мүмкүн.

UTXO мисалы эмнени көрсөтөт?

Булакта колдонулган түшүндүрмө мисалда 13 дарек жана төрт операция бар. Жалпы 6,0 бирдик тармакка кирип, операциялардын аягында 4,4 бирдик калат жана ортодогу айырма операциялык төлөмдөр менен байланыштуу.

Авторлор бул түзүлүштө үч негизги операция үлгүсүнө көңүл бурушат:

• Transition: Маанинин операция түйүнүнөн жаңы дарекке өткөрүлүшү.
• Split: Бир кириштин бир нече чыгышка бөлүнүшү.
• Merge: Бир нече кириштин азыраак сандагы чыгыштарда биригиши.

Бул үлгүлөр жөн гана бухгалтердик деталь эмес. Алар тармактагы жүрүм-турум түрлөрүн, дарек байланыштарын, капиталдын бөлүнүшүн жана мүмкүн болгон аномалия үлгүлөрүн сүрөттөө үчүн статистикалык белгилерге айландырылышы мүмкүн.

Ponzi scheme аныктоо мисалы

Булак Bartoletti жана кесиптештеринин Bitcoin даректеринен мүмкүн болгон Ponzi scheme үлгүлөрүн табуу үчүн data mining жана machine learning колдонгон ишин EDAнын практикалык баалуулугуна мисал катары көрсөтөт.

Бул натыйжа Rambharat жана Gelдин жаңы fraud-detection экспериментинин жыйынтыгы эмес. Макала учурдагы эмгекти blockchain address маалыматтарын кантип изилдөөгө болорун көрсөтүү үчүн колдонот.

Убакыт өлчөмү

Ар бир blockchain операциясында timestamp болушу тармакты табигый убакыттык системага айлантат. Авторлор өзгөчө операция же текшерүү чекиттеринин ортосундагы убакыт статистикалык маалымат алып жүрүшү мүмкүн экенин белгилешет.

Blockchain timestamp катарлары классикалык бирдей аралыктагы убакыт катарларына окшобошу мүмкүн. Операциялардын келүү убактысы ирээтсиз; тармак түйүндөрү жана байланыштары өзгөрүшү мүмкүн; split жана merge процесстери тармак топологиясын өзгөртө алат.

Ошондуктан булак төмөнкү изилдөө багыттарын сунуштайт:

• ирээтсиз операция убакыттары үчүн temporal point processes,
• verification pointтердин ортосундагы убакытты талдоо,
• убакыт боюнча өзгөргөн node, edge жана edge weightтер үчүн dynamic network analysis,
• motif, graphlet жана chainlet динамикасы,
• statistical topological data analysis,
• cross-chain money laundering үчүн hypergraph, tensor жана functional data ыкмалары,
• шектүү операцияларды белгилөө үчүн blockchain time-series forecasting.

Блокчейн Маалыматтарында Белгисиздикти Сандык Баалоо Эмне Үчүн Маанилүү?

Белгисиздикти сандык баалоо blockchain тармагындагы баа, түйүн, байланыш же тармак түзүлүшү тууралуу статистикалык белгисиздикти бир гана баа менен эмес, бөлүштүрүү, дисперсия же ишеним өлчөмдөрү менен чагылдырууну көздөйт; булак бул ыкма баа дал келбестиктерин, тармактагы адаттан тыш жүрүм-турумду, crypto-whale түзүлүштөрүн жана коопсуздук үчүн маанилүү түйүн белгисиздигин изилдөөдө маанилүү багыт экенин белгилейт.

Борбордук баа болбосо эмне болот?

Борбордон ажыратылган базарларда бир эле санарип актив ар башка платформаларда ар башка баада сатылышы мүмкүн. Мындай баа айырмасы арбитраж мүмкүнчүлүгүн жаратып, тиешелүү derivative contractтардын бааланылышына да таасир эте алат.

Статистикалык көйгөй “кайсы баа туура?” деген суроо менен гана чектелбейт. Ар башка маалымат булактарынан келген баалардын өлчөө белгисиздиги, платформага көз карандылыгы, убакыттык дал келүүсү жана network шарттары бирге моделдениши керек.

51% attack жана node uncertainty

Булак зыяндуу катышуучулар тармактагы текшерүү кубатынын көпчүлүгүн көзөмөлдөгөн 51% attack көйгөйүндө node-level белгисиздикти статистикалык түрдө көзөмөлдөөнү изилдөө мүмкүнчүлүгү катары көрсөтөт.

Бул макала жаңы 51% attack detector иштеп чыкпайт. Белгисиздикти сандык баалоо коопсуздукту көзөмөлдөө системаларына кошумча маалымат бере ала турган методологиялык изилдөө багыты катары сунушталат.

Сунушталган UQ куралдары

Байес блокчейн талдоосу

Байес статистикасы алдын ала болгон ишеним же билим менен тармактан келген жаңы маалыматты системалуу түрдө бириктирүүгө ылайыктуу. Булак бул касиетти өзгөчө trust көйгөйү менен байланыштырат.

Тармак түйүнүнүн же катышуучунун ишенимдүүлүгү боюнча баштапкы деңгээл prior катары каралышы мүмкүн. Жаңы операция же network жүрүм-туруму байкалган сайын бул маалымат posterior ишеним бөлүштүрүлүшүнө жаңыртылышы мүмкүн.

Булак peer-to-peer системаларындагы Bayesian trust model адабияты blockchain тармактары үчүн жаңы изилдөө мүмкүнчүлүктөрүн бере аларын белгилейт.

Байес Ыкмалары Блокчейндеги Ишенимди Кантип Моделдей Алат?

Байес ыкмасы blockchain түйүнү же катышуучусу тууралуу баштапкы ишеним деңгээлин prior бөлүштүрүү катары аныктап, жаңы тармактык байкоолор келген сайын posterior ишеним деңгээлин жаңырта алат; булак өзгөчө ишеним субъективдүү жана белгисиз болгон учурларда бул ыктымалдык алкагы чечим кабыл алууга жардам бере аларын жана жабык-form likelihood жок болгондо MCMC же sequential Monte Carlo ыкмалары колдонулушу мүмкүн экенин белгилейт.

MCMC жана Sequential Monte Carlo

Posterior бөлүштүрүүнү жабык формада эсептөө мүмкүн болбосо Markov chain Monte Carlo (MCMC) тандоо ыкмалары колдонулушу мүмкүн. Айрыкча жашыруун же байкалбаган stochastic processтерди убакыт боюнча баалоо талап кылынганда sequential Monte Carlo (SMC) ыкмалары да табигый талапкерлер.

Макала бул алгоритмдерди blockchain маалыматтарында жаңы эксперимент менен benchmark кылбайт. Максат бул ыкмалар кайсы түрдөгү тыянак чыгаруу көйгөйлөрүндө баалуу боло аларын көрсөтүү.

Криптовалютадан тышкаркы колдонмолор

Изилдөө блокчейн статистикасын криптовалюта базары менен чектебейт.

Кыймылсыз мүлк: Blockchain жазуулары операция тарыхы, smart contract процесстери жана башка коомдук маалыматтар менен бирге моделдөөдө колдонулушу мүмкүн. Булак банкирлер, брокерлер жана land developerлар сыяктуу катышуучулар бул маалыматтардан пайдалана аларын талкуулайт.

Саламаттык сактоо: Бейтап жазууларынын купуялыгын коргогон private blockchain жана federated-learning түзүлүштөрү атайын санда каралган багыттардын бири.

Искусство: Blockchain provenance жана операция жазуулары искусство активдеринин баасын аныктоо жана ownership өзгөрүүлөрүн талдоо үчүн маалымат инфраструктурасын түзө алат.

Финансылык базарлар: Cryptocurrency exchange баа айырмалары, stablecoinдер, CBDCлер, AML жана exchange-network risk propagation сыяктуу темалар статистикалык талдоо үчүн маанилүү болуп саналат.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Изилдөө дизайны

Бул изилдөөнүн ыкмасы эксперименттик модель салыштыруу эмес; учурдагы blockchain жана статистика адабиятын tutorial/перспектива алкагында бириктирип, изилдөө көйгөйлөрүн классификациялоо.

Аналитикалык түзүлүштү төрт негизги баскычта кароого болот:

1. Blockchain технологиясын жана анын тарыхый тамырларын аныктоо.
2. Blockchain кайсы маалымат объектилерин түзөрүн түшүндүрүү.
3. Бул маалымат объектилерине колдонулушу мүмкүн болгон статистикалык изилдөө багыттарын аныктоо.
4. Атайын сандагы эмгектер аркылуу конкреттүү изилдөө мисалдарын көрсөтүү.

Изилдөөдө жаңы эксперимент же benchmark барбы?

Жок. Булакта train-test бөлүштүрүү, модель гиперпараметри, p-маани, confidence interval, effect size же салыштырма көрсөткүчтөр таблицасы жок. Мунун себеби маалыматтын жетишсиз берилиши эмес, макаланын негизинен изилдөө-перспективасы жана атайын санга киришүү тексти болушу.

Статистикалык изилдөө жол картасы

Атайын сандагы изилдөөлөр

Бул таблица Rambharat жана Gelдин өз эксперименттеринин жыйынтык таблицасы эмес. Ал макала атайын сандагы башка изилдөөлөрдү кантип жайгаштырганын жыйынтыктаган Verianla түзүлүшү.

Атайын сандагы тармак диффузиясы изилдөөсү

Булак S. M. Mustaquim жана кесиптештеринин cryptocurrency blockchain тармактарындагы diffusion processтерди simulation жана Bayesian ыкмалар менен изилдегенин баяндайт. Hub-dominated тармактар кокустук failureларга туруктуу, ал эми атайын багытталган attackтарга көбүрөөк алсыз болушу мүмкүн экени белгиленет.

Lightning Network жана deep reinforcement learning

M. Salahshour жана кесиптештеринин атайын сандагы эмгеги Bitcoin Lightning Networkте node selection менен resource allocation көйгөйлөрүн бирге чечүү үчүн deep reinforcement learning колдонот. Булак бул эмгекти scalability, financial inclusion, censorship resistance, privacy жана security контекстинде жайгаштырат.

Ethereum fraud жана AML

Y. Chen жана кесиптештеринин эмгеги Ethereumдагы fraud detection көйгөйүн multilayer жана topology-aware graph contrastive learning менен карайт. Булак бул ыкманын fraud жана anti-money-laundering колдонмолору үчүн үмүттүү экенин белгилейт.

Tensor change-point detection

A. Anastasiou жана I. Cribbenдин атайын сандагы эмгегинде tensor-variate маалыматтын network түзүлүшүндөгү өзгөрүүлөр изилденет. Tensor decomposition кийин cross-covariance түзүлүшүндөгү бир нече change-pointти аныктоо көздөлөт.

Крипто биржалардагы risk propagation

J. Goel жана кесиптештеринин эмгеги cryptocurrency exchange failure тобокелдиктерине багытталган. Temporally dependent tensor-valued маалыматтар үчүн precision-matrix баалоосу exchangeтердин ортосундагы жашыруун байланыштарды жана risk propagation жолдорун түшүнүүгө салым кошо алары белгиленет.

CBDC жана stablecoin мамилеси

L. Dionysopoulos жана C. Makridis central bank digital currency тууралуу риториканын stablecoin market sentimentке таасирин изилдешет. Булак бул эмгекти CBDC adoption stablecoinдерге же башка private banking чечимдерине күтүүсүз таасир этиши мүмкүн болгон контекстте тааныштырат.

Саламаттык сактоо маалыматы жана private blockchain

K. Mathur жана кесиптештеринин атайын сандагы эмгеги private blockchain, federated learning жана ranked set samplingди саламаттык сактоо маалыматтары контекстинде бириктирет. Максат sensitive medical dataны түздөн-түз борборлоштурбай туруп predictive modeling жасай алган архитектура түзүү.

NFT жана Digital Art Index

M. Lin жана кесиптештери blockchain жана smart contract инфраструктурасын искусство базары менен байланыштырган Digital Art Index иштеп чыгышат. Булак индекс 2023-жылга карата эң ликвиддүү он NFT искусство коллекциясын hedonic regression аркылуу карай турганын белгилейт.

Бул Макала Белгилүү Бир Статистикалык Ыкманын Артыкчылыгын Далилдейби?

Жок. “Blockchain frontiers in statistics” ар башка статистикалык ыкмаларды жалпы blockchain benchmark боюнча салыштырбайт жана кайсы бир ыкма үчүн accuracy, error, p-маани же ушуга окшогон артыкчылык метрикасын бербейт; макаланын илимий салымы кайсы blockchain маалымат көйгөйлөрүн кайсы статистикалык изилдөө үй-бүлөлөрү менен караса болорун көрсөтүү жана атайын сандагы эмгектерди ушул алкакта жайгаштыруу болуп саналат.

Изилдөө колдогон жыйынтыктар

• Blockchain операциялары убакыттык, тармактык жана жогорку өлчөмдүү маалымат түзүлүштөрүн түзөт.
• UTXO тибиндеги blockchainдерде операция түзүлүшү классикалык one-to-one network моделдеринен татаалыраак болушу мүмкүн.
• Temporal point processes, dynamic networks жана topological data analysis blockchain маалыматтары үчүн табигый изилдөө багыттары.
• Blockchain тармактарынын борбордон ажыратылган түзүлүшү маанилүү uncertainty-quantification көйгөйлөрүн пайда кылышы мүмкүн.
• Monte Carlo жана graph-resampling ыкмалары blockchain тармактарында белгисиздикти изилдөө үчүн потенциалдуу куралдар.
• Bayesian trust моделдери жана Monte Carlo ыкмалары тармак ишенимдүүлүгү тууралуу ыктымалдык тыянак чыгаруу үчүн потенциалдуу изилдөө багыттары.
• Blockchain статистикасынын финанстан тышкары саламаттык сактоо, кыймылсыз мүлк жана искусство сыяктуу колдонуу тармактары бар.
• Fraud, AML, exchange risk propagation жана cross-chain activity статистиктер үчүн маанилүү ачык көйгөйлөрдүн катарына кирет.

Изилдөө колдобогон жыйынтыктар

• Белгилүү бир blockchain статистикалык ыкмасы башкалардан жогору тактык берет деп көрсөтүлгөн эмес.
• Temporal point process же Bayesian model үчүн жаңы benchmark жыйынтыгы берилбейт.
• Белгисиздикти сандык баалоо 51% attackты чыныгы тармакта токтотору эксперименттик түрдө көрсөтүлгөн эмес.
• Бул макала жаңы fraud detector, AML системасын же cryptocurrency forecasting моделин иштеп чыкпайт.
• Blockchain колдонуу кыймылсыз мүлк, саламаттык сактоо же искусство операцияларын автоматтык түрдө натыйжалуураак кылары жаңы талаа эксперименти менен далилденген эмес.
• Атайын сандагы башка макалалардын жыйынтыктары Rambharat жана Gelдин өз эмпирикалык табылгалары эмес.
• Булакта blockchain тармактары үчүн универсалдуу статистикалык стандарт сунушталган эмес.

Изилдөөнүн күчтүү жагы

Изилдөөнүн күчтүү жагы blockchainди жөн гана “криптовалюта” темасы катары эмес, маалымат объектиси катары бөлүп кароосу. Timestamp, graph topology, UTXO түзүлүшү, uncertainty, latent dynamics жана trust сыяктуу ар башка көйгөйлөрдү статистика илиминин ар башка тармактары менен дал келтирет.

Бул ыкма, өзгөчө ыкма иштеп чыккан изилдөөчү үчүн, “кайсы алгоритмди blockchainге колдонсок болот?” деген суроодон жемиштүүрөөк суроого өтүүгө шарт түзөт: “Blockchain кандай жаңы статистикалык көйгөйлөрдү пайда кылат?”

Изилдөөнүн негизги чектөөсү

Перспектива/tutorial мүнөзүнүн табигый натыйжасы катары сунушталган ыкмалардын көбү бир эле маалыматта эмпирикалык түрдө сыналбайт. Макала жаңы benchmark, жалпы evaluation protocol же методологиялык head-to-head comparison бербейт.

Ошондуктан изилдөө жол картасы күчтүү; бирок ар бир ыкманын көрсөткүчү, масштабдуулугу, ката касиеттери жана чыныгы тармактардагы пайдасы өзүнчө эксперименттик изилдөөлөр менен текшерилиши керек.

Булак жана Ыкма Жөнүндө Эскертүү

Жүктөлгөн PDFдеги толук түпнуска аталыш: Blockchain frontiers in statistics.

Рецензияланган басылмадагы аталыш: Blockchain frontiers in Statistics.

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

Жүктөлгөн PDFдеги аффилиациялар: Bhojnarine R. Rambharat — Sufficient Statistics LLC, Ellicott City, Maryland; Yulia R. Gel — Virginia Polytechnic Institute and State University, Blacksburg, Virginia.

Corresponding author: Рецензияланган журнал жазуусу Bhojnarine R. Rambharatты correspondence дареги менен көрсөтөт.

Жүктөлгөн manuscript датасы: 2 Февраль 2026.

Рецензияланган журнал: Journal of the Royal Statistical Society Series A: Statistics in Society.

Атайын сан: Blockchains in Society: Challenges, Innovations and Opportunities for Statistics.

Том / сан: 189 / 2.

Барактар: 621–629.

Журнал санынын датасы: Апрель 2026.

Макаланын онлайн жарыяланган датасы: 24 Март 2026.

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

Рецензияланган версия DOI: 10.1093/jrsssa/qnag035.

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

Рецензия статусу: Рецензияланган жана жарыяланган журнал макаласы. Жүктөлгөн 2 Февраль датасындагы 17 барактык файл — рецензияланган жарыядан мурунку manuscript/preprint версиясы.

SSRN жазуусу: SSRN Abstract ID 6896039.

SSRN DOI: 10.2139/ssrn.6896039.

SSRN posting датасы: 30 Июнь 2026.

SSRN лицензиясы: All rights reserved; кайра колдонуу үчүн уруксат талап кылынат.

Кызыкчылыктар кагылышы: SSRN metadataсында None.

Этикалык жактыруу: SSRN metadataсында N/A.

Каржылоо: SSRN metadataсында Funder Statement: None.

Макаланын түрү: Tutorial/перспектива, атайын санга киришүү макаласы жана изилдөө жол картасы. Жаңы көзөмөлдөнгөн эксперимент же жалпы benchmark изилдөөсү эмес.

Негизги адабият боштугу: Blockchain жана distributed-ledger адабияты кең болгону менен, blockchain data analyticsти статистикалык тыянак чыгаруу, белгисиздик жана dynamic network көз карашынан дагы өнүктүрүү талап кылынат.

Борбордук маалымат объектилери: Timestamp, block metadata, hash, nonce, transaction address, UTXO, dynamic node/edge/edge-weight түзүлүштөрү жана cross-chain network activity.

Булакта сунушталган негизги статистикалык ыкма үй-бүлөлөрү: 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 жана Sequential Monte Carlo.

Булакта саналган үлгүлүү маалымат булактары: Chartalist; Stanford SNAP Bitcoin Alpha; Stanford SNAP Ethereum; Google Cloud Blockchain Analytics.

1-сүрөттүн укуктук абалы: PDF аны ачык түрдө NISTтен алынган blockchain data-elements схемасы катары аныктайт. Бул үчүнчү тарап материалы; Verianlaда түз көчүрүлгөн эмес.

2-сүрөттүн укуктук абалы: PDF аны ачык түрдө Akçora et al. (2022)ден алынган UTXO схемасы катары аныктайт. Бул үчүнчү тарап материалы; Verianlaда түз көчүрүлгөн эмес.

UTXO мисалы: Булакта 13 дарек, төрт transaction, 6,0 бирдик кириш жана акырында 4,4 бирдик калган түшүндүрмө network мисалы колдонулат.

Статистикалык тест: Бул макаланын өзүндө жалпы эксперимент үчүн p-маани, confidence interval же effect-size салыштыруу жок.

Жаңы маалымат чогултуу: Жок.

Train/test же cross-validation: Макала өз модели үчүн мындай эксперимент жүргүзбөйт.

Талаа текшерүүсү: Макаланын өз статистикалык алкагы үчүн талаадагы көрсөткүч тести жок; изилдөө багыттары сунушталат.

Маалымат жеткиликтүүлүгү: Өзүнчө оригиналдуу изилдөө маалымат топтому берилген эмес. Анын ордуна статистикалык изилдөө үчүн ар түрдүү blockchain маалымат булактары тизмеленген.

CRediT / автордук салымдар: Жүктөлгөн manuscriptте өзүнчө CRediT билдирүүсү жок.

Негизги чечмелөө чеги: Макала сунуштаган temporal, network, UQ жана Bayesian ыкмалары потенциалдуу изилдөө куралдары; бул макала бул ыкмалардын чыныгы blockchain системаларында артыкчылыктуу көрсөткүчүн өзү далилдебейт.