Uchanganuzi wa data za blockchain ni eneo la utafiti linalochunguza kitakwimu miamala inayotokea katika leja zilizosambazwa kwa kuzingatia muda, muundo wa mtandao, kutokuwa na uhakika, hali zisizo za kawaida, uaminifu na utegemezi wa vipimo vingi. Kazi ya Bhojnarine R. Rambharat na Yulia R. Gel, badala ya kufanya benchmark ya algoriti mpya, inajadili kwa utaratibu matatizo ya kitakwimu yanayoibuliwa na mifumo ikolojia ya blockchain. Makala inaeleza wigo mpana wa mbinu, kuanzia vipengele vya metadata kama timestamp, hash na nonce ndani ya block header hadi mitandao ya miamala ya UTXO, kutoka temporal point process na mitandao inayobadilika hadi uncertainty quantification, graph bootstrap, modeli za high-dimensional covariance/precision matrix na uchanganuzi wa uaminifu wa Kibayes. Hitimisho kuu si thamani mpya ya utendaji wa nambari, bali kwamba blockchain ni tatizo la data lenye tabaka nyingi ambalo linapaswa kutatuliwa si na sayansi ya kompyuta pekee bali pia na sayansi ya takwimu.

Mahali pa kuanzia kwa utafiti ni pengo muhimu la kielimu. Ingawa kuna fasihi pana ya blockchain katika maeneo kama kriptografia, mifumo iliyosambazwa, uchumi, afya, mali isiyohamishika na sanaa, inaelezwa kuwa uchunguzi wa kimfumo wa data za blockchain kwa mtazamo wa uinferensi wa kitakwimu, kutokuwa na uhakika na mitandao inayobadilika unahitaji kuendelezwa zaidi. Waandishi wanataja hasa miamala yenye nyakati zisizo za kawaida, mitandao inayobadilika kwa muda, harakati za cross-chain, kutofautiana kwa bei, kutokuwa na uhakika wa node, mifumo ya fraud na money-laundering, pamoja na uaminifu wa mtandao, kuwa maeneo yenye uwezekano mkubwa kwa utafiti wa baadaye wa takwimu.

Makala hii si jaribio la kulinganisha mbinu. Hakuna temporal point process, Bayesian trust model, Monte Carlo, bootstrap, topological data analysis au mbinu za tensor inayojaribiwa katika benchmark ya pamoja ndani ya kazi hii. Hizi ni zana za kitakwimu zinazopendekezwa kwa utafiti wa baadaye. Kwa hiyo, utafiti hauwasilishi ubora uliothibitishwa wa mbinu fulani kwa fraud detection au blockchain security, bali ramani ya kisayansi inayoonyesha ni matatizo gani ya data yanaweza kuchunguzwa kwa familia gani za mbinu za kitakwimu.

Kwa nini blockchain inaweza kuchukuliwa kama tatizo la kitakwimu?

Blockchain ni muundo wa leja ya kidijitali iliyosambazwa ambapo miamala iliyothibitishwa kwa kriptografia huhifadhiwa katika blok. Blok moja inaunganishwa kwa njia ya kriptografia na blok iliyotangulia; kanuni za mtandao na utaratibu wa consensus huamua kukubalika kwa blok mpya. Kadiri blok mpya zinavyoongezwa kwenye mnyororo, kubadilisha rekodi za zamani kunakuwa kugumu zaidi kwa upande wa hesabu, na muundo huo huwa si mfumo usiobadilika kabisa kimwili bali mfumo wa rekodi unaostahimili mabadiliko.

Jambo muhimu kwa takwimu ni kwamba blockchain si ghala la rekodi pekee. Mfumo huzalisha kwa kuendelea data zinazoweza kuchanganuliwa kama:

• mihuri ya muda,
• anwani na miunganisho ya miamala,
• kiasi,
• thamani za hash,
• nonce na block metadata nyingine,
• node na miunganisho ya mtandao,
• edge weight zinazobadilika,
• harakati za cross-chain

. Data hizi kwa wakati mmoja ni za muda, zina muundo wa mtandao, zina vipimo vingi na zinaweza kuwa zisizo za kawaida.

Blockchain za permissioned na permissionless

Chanzo kinazigawanya blockchain katika makundi mawili mapana. Permissioned blockchain ni muundo ambapo ufikiaji wa washiriki na wathibitishaji umewekewa mipaka na kwa kawaida una udhibiti wa kati zaidi. Permissionless blockchain ni muundo wa mtandao ambapo ushiriki na uthibitishaji viko wazi zaidi na ugatuzi ni mkubwa zaidi.

Tofauti hii pia ni muhimu kwa uundaji wa modeli za kitakwimu. Nani anaweza kuutazama mtandao, node huundwaje, uthibitishaji wa miamala hupitia mchakato gani, na ni sehemu gani ya data inayopatikana, yote yanaweza kubadilisha modeli ya data inayoweza kutumika.

Usuli wa kihistoria

Utafiti hauanzi historia ya blockchain ya kisasa na Bitcoin pekee. Waandishi wanasisitiza kwamba mawazo yaliyopelekea miundombinu ya blockchain yanafikia kazi za awali zaidi katika sayansi ya kompyuta.

Tatizo la pesa za kidijitali na la vikundi visivyoaminiana kujenga mifumo ya kompyuta inayoweza kuaminika katika tasnifu ya udaktari ya David Chaum ya 1982 ni mojawapo ya watangulizi muhimu. Kazi ya Ralph Merkle ya 1978 kuhusu cryptographic hash baadaye iliweka msingi wa miundo inayojulikana kama Merkle tree. Kazi ya Lamport, Shostak na Pease kuhusu Byzantine Generals Problem iliweka katika mfumo wa kinadharia tatizo la kufikia uamuzi wa pamoja katika mtandao uliosambazwa licha ya kuwepo kwa washiriki wasioaminika au wenye hitilafu.

Makala inatumia mwendelezo huu wa kihistoria kuonyesha kwamba blockchain haipaswi kusomwa tu kama teknolojia mpya ya kifedha, bali kama muunganiko wa mawazo yaliyokua kwa miongo kadhaa kuhusu uaminifu, uthibitishaji na rekodi zilizosambazwa.

Pengo la kitakwimu

Mbali na fasihi ya sayansi ya kompyuta, blockchain imetumika pia katika uchumi, afya, mali isiyohamishika na sanaa. Kuna tafiti kuhusu nafasi ya Bitcoin katika miamala haramu, blockchain graph risk modeling, miamala ya real-estate, rekodi za afya na soko la sanaa.

Pengo linalosisitizwa na waandishi si kwamba miundombinu ya kiufundi ya blockchain haijulikani vya kutosha; ni kwamba data changamano zinazozalishwa na blockchain zinahitaji kuchunguzwa kwa utaratibu zaidi kwa mtazamo wa uinferensi wa kitakwimu, kutokuwa na uhakika, mienendo ya muda na uchanganuzi wa mtandao.

Kwa Nini Data za Blockchain Ni Tofauti na Data za Jedwali la Kawaida?

Data za blockchain mara nyingi hutofautiana na muundo wa kawaida wa jedwali unaojumuisha uchunguzi huru katika kila mstari; miamala huunganishwa kwa mihuri ya muda, anwani huunda mtandao, muamala mmoja unaweza kuunganisha ingizo au matokeo mengi, na miundo ya node, edge na edge weight inaweza kubadilika kwa muda. Kwa hiyo, uchanganuzi wa blockchain unaweza kuhitaji kuzingatia kwa pamoja mbinu kama time series, point process, network statistics, graph topology na takwimu za vipimo vingi.

Block header hubeba data gani?

Chanzo kinaeleza block header kama sehemu inayobeba metadata kuhusu blok yenyewe. Kwa mtazamo wa kitakwimu, vipengele vitatu vinaonekana hasa:

Vyanzo vya data za blockchain

Utafiti unapendekeza vyanzo kadhaa mahususi vya data kwa utafiti wa kitakwimu:

Hivi si seti moja ya data ya jaribio iliyochanganuliwa pamoja katika makala hii. Waandishi wanaviorodhesha kama mifano ya vyanzo vya data ambavyo wanatakwimu wanaweza kutumia kuendeleza tafiti mpya.

Kwa nini exploratory data analysis ni hatua ya kwanza?

Kwa sababu ya muundo usio wa kawaida wa data za blockchain, ni muhimu kufanya exploratory data analysis (EDA) kwanza badala ya kuingia moja kwa moja kwenye modeli changamano. EDA inaweza kusaidia kuelewa mgawanyo wa ukubwa wa miamala, muundo wa mtandao, msongamano wa node, mifumo ya split/merge, tabia zisizo za kawaida za anwani na mabadiliko kwa muda.

Chanzo kinahamisha utamaduni wa exploratory data analysis wa John Tukey kwenda katika muktadha wa blockchain. Lengo hapa si tu kutengeneza histogram au takwimu rahisi za muhtasari; ni kutambua kwa usahihi kitu cha data kinachopaswa kuchanganuliwa.

Tofauti kati ya miamala ya aina ya Ethereum na miamala ya UTXO

Chanzo kinalinganisha baadhi ya miamala kwenye majukwaa kama Ethereum na muundo wa kawaida wa one-to-one network edge ambapo anwani moja hutuma mali kwenda anwani nyingine.

Katika miundo inayotegemea UTXO kama Bitcoin na Litecoin, hali ni changamano zaidi. Anwani moja inaweza kuwa na unspent transaction output nyingi, na muamala mmoja unaweza kutumia input na output nyingi kwa pamoja. Kwa hiyo, modeli ya kawaida ya single-edge network inaweza isiweze kuwakilisha muundo mzima wa miamala peke yake.

Mfano wa UTXO unaonyesha nini?

Katika mfano wa maelezo uliotumiwa na chanzo kuna anwani 13 na miamala minne. Jumla ya vitengo 6,0 vinaingia kwenye mtandao, vitengo 4,4 vinabaki mwishoni mwa miamala, na tofauti kati yake inahusishwa na ada za miamala.

Waandishi wanaelekeza umakini kwenye mifumo mitatu mikuu ya miamala ndani ya muundo huu:

• Transition: Kuhamishwa kwa thamani kutoka node ya muamala kwenda anwani mpya.
• Split: Kugawanywa kwa ingizo moja kuwa matokeo mengi.
• Merge: Kuunganishwa kwa maingizo mengi katika idadi ndogo ya matokeo.

Mifumo hii si maelezo ya uhasibu pekee. Inaweza kubadilishwa kuwa sifa za kitakwimu za kueleza aina za tabia katika mtandao, mahusiano ya anwani, mgawanyiko wa mtaji na mifumo inayowezekana ya hali zisizo za kawaida.

Mfano wa kugundua Ponzi scheme

Chanzo kinatoa kazi ya Bartoletti na wenzake, iliyotumia data mining na machine learning kuchunguza mifumo inayowezekana ya Ponzi scheme kutoka anwani za Bitcoin, kama mfano wa thamani ya kiutendaji ya EDA.

Matokeo haya si matokeo mapya ya jaribio la fraud-detection la Rambharat na Gel. Makala inatumia kazi iliyopo kuonyesha jinsi data za blockchain address zinavyoweza kuchunguzwa.

Kipengele cha muda

Kila muamala wa blockchain kuwa na timestamp hufanya mtandao uwe mfumo wa muda kwa asili. Waandishi wanasisitiza hasa kwamba muda kati ya miamala au pointi za uthibitishaji unaweza kubeba taarifa ya kitakwimu.

Mfuatano wa blockchain timestamp unaweza usifanane na time series za kawaida zenye vipindi vya mara kwa mara. Nyakati za kuwasili kwa miamala si za kawaida; node na miunganisho ya mtandao zinaweza kubadilika; michakato ya split na merge inaweza kubadilisha topolojia ya mtandao.

Kwa sababu hiyo, chanzo kinapendekeza maeneo yafuatayo ya utafiti:

• temporal point processes kwa nyakati zisizo za kawaida za miamala,
• uchanganuzi wa muda kati ya verification point,
• dynamic network analysis kwa node, edge na edge weight zinazobadilika kwa muda,
• mienendo ya motif, graphlet na chainlet,
• statistical topological data analysis,
• mbinu za hypergraph, tensor na functional data kwa cross-chain money laundering,
• blockchain time-series forecasting kwa kutambua miamala inayotia shaka.

Kwa Nini Upimaji wa Kutokuwa na Uhakika Ni Muhimu katika Data za Blockchain?

Upimaji wa kutokuwa na uhakika unalenga kueleza kutokuwa na uhakika wa kitakwimu kuhusu bei, node, muunganisho au muundo wa mtandao wa blockchain si kwa makadirio moja tu bali kwa mgawanyo, variance au vipimo vya kujiamini; chanzo kinatetea kwamba mtazamo huu ni mwelekeo muhimu wa utafiti kwa kuchunguza kutofautiana kwa bei, tabia zisizo za kawaida katika mtandao, miundo ya crypto-whale na kutokuwa na uhakika wa node muhimu kwa usalama.

Nini hutokea wakati hakuna bei ya kati?

Katika masoko yaliyogatuliwa, mali ileile ya kidijitali inaweza kuuzwa kwa bei tofauti kwenye majukwaa tofauti. Tofauti hiyo ya bei inaweza kutengeneza arbitraj na pia kuathiri uwekaji bei wa derivative contract zinazohusika.

Tatizo la kitakwimu si swali la “bei ipi ndiyo sahihi?” pekee. Kutokuwa na uhakika wa kipimo katika bei kutoka vyanzo tofauti vya data, utegemezi wa jukwaa, ulinganishaji wa muda na hali za network zinapaswa kuwekewa modeli kwa pamoja.

51% attack na node uncertainty

Chanzo kinaonyesha ufuatiliaji wa kitakwimu wa node-level uncertainty katika tatizo la 51% attack, ambapo watendaji wabaya hudhibiti sehemu kubwa ya uwezo wa uthibitishaji wa mtandao, kama fursa ya utafiti.

Makala hii haitengenezi 51% attack detector mpya. Upimaji wa kutokuwa na uhakika unapendekezwa kama mwelekeo wa kimetodolojia wa utafiti unaoweza kutoa taarifa ya ziada kwa mifumo ya ufuatiliaji wa usalama.

Zana za UQ zinazopendekezwa

Uchanganuzi wa Kibayes wa blockchain

Takwimu za Kibayes zinafaa kwa kuunganisha kwa utaratibu imani au maarifa ya awali na data mpya zinazotoka kwenye mtandao. Chanzo kinaunganisha kipengele hiki hasa na tatizo la trust.

Kiwango cha mwanzo cha kuaminika kwa node au mshiriki wa mtandao kinaweza kuchukuliwa kama prior. Kadiri muamala mpya au tabia mpya ya network inavyoonekana, taarifa hii inaweza kusasishwa kuwa mgawanyo wa posterior wa uaminifu.

Chanzo kinaeleza kwamba fasihi ya Bayesian trust model katika mifumo ya peer-to-peer inaweza kutoa fursa mpya za utafiti kwa mitandao ya blockchain.

Mbinu za Kibayes Zinawezaje Kuweka Modeli ya Uaminifu wa Blockchain?

Mtazamo wa Kibayes unaweza kufafanua kiwango cha mwanzo cha uaminifu kuhusu node au mshiriki wa blockchain kama prior distribution na kisha kusasisha kiwango cha posterior cha uaminifu kadiri uchunguzi mpya wa mtandao unavyowasili; chanzo kinaeleza hasa kwamba katika hali ambapo uaminifu ni wa kimtazamo na una kutokuwa na uhakika, mfumo huu wa uwezekano unaweza kusaidia kufanya maamuzi, na MCMC au sequential Monte Carlo zinaweza kutumika pale ambapo closed-form likelihood haipatikani.

MCMC na Sequential Monte Carlo

Ikiwa posterior distribution haiwezi kuhesabiwa kwa fomu funge, mbinu za sampuli za Markov chain Monte Carlo (MCMC) zinaweza kutumika. Hasa pale ambapo stochastic process zilizofichika au zisizoonekana zinahitaji kukadiriwa kwa muda, mbinu za sequential Monte Carlo (SMC) pia ni wagombea wa asili.

Makala haifanyi benchmark ya algoriti hizi kwa jaribio jipya kwenye data za blockchain. Lengo ni kuonyesha katika aina gani za matatizo ya uinferensi mbinu hizi zinaweza kutoa thamani.

Matumizi nje ya sarafu za kidijitali

Utafiti hauzuii takwimu za blockchain kwenye soko la cryptocurrency.

Mali isiyohamishika: Rekodi za Blockchain zinaweza kutumiwa kwa uundaji wa modeli pamoja na historia ya miamala, michakato ya smart contract na data nyingine za umma. Chanzo kinajadili jinsi wahusika kama mabenki, madalali na land developer wanavyoweza kunufaika na data hizi.

Afya: Miundo ya private blockchain na federated-learning inayolinda faragha ya rekodi za wagonjwa ni mojawapo ya maeneo yanayoshughulikiwa katika toleo maalumu.

Sanaa: Blockchain provenance na rekodi za miamala zinaweza kuunda miundombinu ya data kwa kuweka bei mali za sanaa na kuchanganua mabadiliko ya ownership.

Masoko ya fedha: Tofauti za bei za cryptocurrency exchange, stablecoin, CBDC, AML na exchange-network risk propagation ni miongoni mwa mada muhimu kwa uchanganuzi wa kitakwimu.

Mbinu na Matokeo ya Utafiti

Muundo wa utafiti

Mbinu ya utafiti huu si kulinganisha modeli kwa majaribio; ni kuleta pamoja fasihi iliyopo ya blockchain na takwimu ndani ya mfumo wa tutorial/perspective na kuainisha matatizo ya utafiti.

Muundo wa uchanganuzi unaweza kusomwa katika hatua nne kuu:

1. Kufafanua teknolojia ya Blockchain na mizizi yake ya kihistoria.
2. Kueleza ni aina gani za vitu vya data Blockchain huzalisha.
3. Kutambua maeneo ya utafiti wa kitakwimu yanayoweza kutumika kwenye vitu hivyo vya data.
4. Kuonyesha mifano mahususi ya utafiti kupitia kazi zilizomo katika toleo maalumu.

Je, kuna jaribio jipya au benchmark katika utafiti?

Hapana. Chanzo hakina train-test split, model hyperparameter, p-value, confidence interval, effect size au jedwali la kulinganisha performance. Sababu si upungufu wa kuripoti, bali ni kwamba makala kimsingi ni mtazamo wa utafiti na makala ya utangulizi wa toleo maalumu.

Ramani ya utafiti wa kitakwimu

Tafiti katika toleo maalumu

Jedwali hili si jedwali la matokeo ya majaribio ya Rambharat na Gel wenyewe. Ni muundo wa Verianla unaofupisha jinsi makala inavyoweka tafiti nyingine za toleo maalumu katika muktadha.

Utafiti wa diffusion ya mtandao katika toleo maalumu

Chanzo kinaeleza kwamba S. M. Mustaquim na wenzake walichunguza diffusion process katika mitandao ya cryptocurrency blockchain kwa kutumia simulation na mbinu za Bayesian. Inaelezwa kuwa mitandao ya hub-dominated inaweza kuwa imara dhidi ya failure za nasibu lakini dhaifu zaidi dhidi ya targeted attack.

Lightning Network na deep reinforcement learning

Kazi ya M. Salahshour na wenzake katika toleo maalumu inatumia deep reinforcement learning kutatua kwa pamoja matatizo ya node selection na resource allocation katika Bitcoin Lightning Network. Chanzo kinaweka kazi hii katika muktadha wa scalability, financial inclusion, censorship resistance, privacy na security.

Ethereum fraud na AML

Kazi ya Y. Chen na wenzake inashughulikia tatizo la fraud detection katika Ethereum kwa kutumia multilayer na topology-aware graph contrastive learning. Chanzo kinaeleza kwamba mtazamo huu unaonekana kuwa na matumaini kwa matumizi ya fraud na anti-money-laundering.

Tensor change-point detection

Katika kazi ya A. Anastasiou na I. Cribben ya toleo maalumu, mabadiliko katika muundo wa network wa data za tensor-variate yanachunguzwa. Baada ya tensor decomposition, lengo ni kugundua multiple change-point katika muundo wa cross-covariance.

Risk propagation katika masoko ya crypto

Kazi ya J. Goel na wenzake inalenga hatari za cryptocurrency exchange failure. Inaelezwa kwamba precision-matrix estimation kwa temporally dependent tensor-valued data inaweza kusaidia kuelewa miunganisho iliyofichika kati ya exchange na njia za risk propagation.

Uhusiano wa CBDC na stablecoin

L. Dionysopoulos na C. Makridis wanachunguza athari za kauli kuhusu central bank digital currency kwenye stablecoin market sentiment. Chanzo kinaitambulisha kazi hii katika muktadha wa uwezekano kwamba CBDC adoption ikaathiri bila kukusudia stablecoin au suluhisho nyingine za private banking.

Data za afya na private blockchain

Kazi ya K. Mathur na wenzake katika toleo maalumu inaunganisha private blockchain, federated learning na ranked set sampling katika muktadha wa data za afya. Lengo ni kuunda usanifu unaoweza kufanya predictive modeling bila kuziweka sensitive medical data katika kituo kimoja moja kwa moja.

NFT na Digital Art Index

M. Lin na wenzake wanaendeleza Digital Art Index inayounganisha miundombinu ya blockchain na smart contract na soko la sanaa. Chanzo kinaeleza kwamba kufikia 2023, faharasa hiyo inachanganua makusanyo kumi ya sanaa ya NFT yenye ukwasi mkubwa zaidi kwa kutumia hedonic regression.

Je, Makala Hii Inathibitisha Ubora wa Mbinu Fulani ya Kitakwimu?

Hapana. “Blockchain frontiers in statistics” hailinganishi mbinu mbalimbali za kitakwimu kwenye blockchain benchmark ya pamoja na hairipoti accuracy, error, p-value au kipimo kingine cha ubora kwa mbinu yoyote; mchango wa kisayansi wa makala ni kuonyesha ni matatizo gani ya data za blockchain yanaweza kushughulikiwa na familia zipi za utafiti wa kitakwimu na kuweka kazi za toleo maalumu ndani ya mfumo huo.

Hitimisho zinazoungwa mkono na utafiti

• Miamala ya Blockchain huzalisha miundo ya data ya muda, mtandao na vipimo vingi.
• Katika blockchain za aina ya UTXO, muundo wa miamala unaweza kuwa changamano zaidi kuliko modeli za kawaida za one-to-one network.
• Temporal point processes, dynamic networks na topological data analysis ni maeneo ya asili ya utafiti kwa data za blockchain.
• Muundo uliogatuliwa wa mitandao ya Blockchain unaweza kuibua matatizo muhimu ya uncertainty-quantification.
• Mbinu za Monte Carlo na graph-resampling ni zana zinazowezekana za utafiti wa kutokuwa na uhakika katika mitandao ya blockchain.
• Bayesian trust models na mbinu za Monte Carlo ni mielekeo inayowezekana ya utafiti kwa uinferensi wa uwezekano kuhusu uaminifu wa mtandao.
• Takwimu za Blockchain zina maeneo ya matumizi nje ya fedha, yakiwemo afya, mali isiyohamishika na sanaa.
• Fraud, AML, exchange risk propagation na cross-chain activity ni miongoni mwa matatizo muhimu yaliyo wazi kwa wanatakwimu.

Hitimisho ambazo utafiti hauungi mkono

• Haijaonyeshwa kuwa mbinu fulani ya takwimu za blockchain inatoa usahihi wa juu kuliko nyingine.
• Hakuna matokeo mapya ya benchmark yanayoripotiwa kwa temporal point process au Bayesian model.
• Haijaonyeshwa kwa majaribio kwamba upimaji wa kutokuwa na uhakika unazuia 51% attack katika mtandao halisi.
• Makala hii haitengenezi fraud detector, mfumo wa AML au cryptocurrency forecasting model mpya.
• Haijathibitishwa kwa jaribio jipya la uwandani kwamba kutumia Blockchain kunafanya miamala ya mali isiyohamishika, afya au sanaa kuwa bora zaidi kiotomatiki.
• Matokeo ya makala nyingine katika toleo maalumu si matokeo ya kiempiria ya Rambharat na Gel wenyewe.
• Chanzo hakipendekezi kiwango cha kitakwimu cha ulimwengu wote kwa mitandao ya blockchain.

Upande wenye nguvu wa utafiti

Nguvu ya utafiti ni kuitenganisha blockchain na kuwa mada moja tu ya “cryptocurrency” na badala yake kuichambua kwa mtazamo wa kitu cha data. Matatizo tofauti kama timestamp, graph topology, muundo wa UTXO, uncertainty, latent dynamics na trust yanaunganishwa na matawi tofauti ya sayansi ya takwimu.

Mtazamo huu, hasa kwa mtafiti anayeendeleza mbinu, huruhusu kuhama kutoka swali la “ni algoriti gani tunaweza kutumia kwenye blockchain?” kwenda swali lenye tija zaidi: “Blockchain inaibua matatizo gani mapya ya kitakwimu?”

Kizuizi kikuu cha utafiti

Kama matokeo ya asili ya kuwa perspective/tutorial, mbinu nyingi zinazopendekezwa hazijaribiwi kiempiria kwenye data zilezile. Makala haitoi benchmark mpya, evaluation protocol ya pamoja au methodological head-to-head comparison.

Kwa hiyo, ramani ya utafiti ni imara; lakini performance, scalability, sifa za makosa na manufaa ya kila mbinu katika mitandao halisi yanapaswa kuthibitishwa kwa tafiti tofauti za majaribio.

Maelezo ya Chanzo na Mbinu

Kichwa kamili asilia katika PDF iliyopakiwa: Blockchain frontiers in statistics.

Kichwa katika rekodi ya chapisho lililopitiwa na wenzao: Blockchain frontiers in Statistics.

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

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

Corresponding author: Rekodi ya jarida lililopitiwa na wenzao inamtaja Bhojnarine R. Rambharat pamoja na anwani ya correspondence.

Tarehe ya manuscript iliyopakiwa: 2 Februari 2026.

Jarida lililopitiwa na wenzao: Journal of the Royal Statistical Society Series A: Statistics in Society.

Toleo maalumu: Blockchains in Society: Challenges, Innovations and Opportunities for Statistics.

Juzuu / toleo: 189 / 2.

Kurasa: 621–629.

Tarehe ya toleo la jarida: Aprili 2026.

Tarehe ya kuchapishwa mtandaoni kwa makala: 24 Machi 2026.

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

DOI ya toleo lililopitiwa na wenzao: 10.1093/jrsssa/qnag035.

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

Hali ya peer review: Ni makala ya jarida iliyopitiwa na wenzao na kuchapishwa. Faili ya kurasa 17 iliyopakiwa yenye tarehe 2 Februari ni toleo la manuscript/preprint kabla ya chapisho lililopitiwa na wenzao.

Rekodi ya SSRN: SSRN Abstract ID 6896039.

SSRN DOI: 10.2139/ssrn.6896039.

Tarehe ya SSRN posting: 30 Juni 2026.

Leseni ya SSRN: All rights reserved; ruhusa inahitajika kwa matumizi tena.

Mgongano wa maslahi: None katika metadata ya SSRN.

Idhini ya kimaadili: N/A katika metadata ya SSRN.

Ufadhili: Funder Statement: None katika metadata ya SSRN.

Aina ya makala: Tutorial/perspective, makala ya utangulizi wa toleo maalumu na ramani ya utafiti. Si jaribio jipya lenye udhibiti au utafiti wa benchmark ya pamoja.

Pengo kuu la fasihi: Ingawa fasihi ya Blockchain na distributed-ledger ni pana, blockchain data analytics inahitaji kuendelezwa zaidi kwa mtazamo wa uinferensi wa kitakwimu, kutokuwa na uhakika na dynamic network.

Vitu vikuu vya data: Timestamp, block metadata, hash, nonce, transaction address, UTXO, miundo ya dynamic node/edge/edge-weight na cross-chain network activity.

Familia kuu za mbinu za kitakwimu zinazopendekezwa katika chanzo: 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 na Sequential Monte Carlo.

Mifano ya vyanzo vya data vilivyoorodheshwa katika chanzo: Chartalist; Stanford SNAP Bitcoin Alpha; Stanford SNAP Ethereum; Google Cloud Blockchain Analytics.

Hali ya haki za Kielelezo 1: PDF inaeleza wazi kwamba ni mchoro wa blockchain data-elements uliotolewa kutoka NIST. Ni nyenzo ya mtu wa tatu; haijanakiliwa moja kwa moja katika Verianla.

Hali ya haki za Kielelezo 2: PDF inaeleza wazi kwamba ni mchoro wa UTXO uliotolewa kutoka Akçora et al. (2022). Ni nyenzo ya mtu wa tatu; haijanakiliwa moja kwa moja katika Verianla.

Mfano wa UTXO: Chanzo kinatumia mfano wa maelezo wa network wenye anwani 13, transaction nne, ingizo la vitengo 6,0 na vitengo 4,4 vinavyobaki mwishoni.

Jaribio la kitakwimu: Katika makala hii yenyewe hakuna p-value, confidence interval au effect-size comparison kwa jaribio la pamoja.

Ukusanyaji wa data mpya: Hakuna.

Train/test au cross-validation: Makala haifanyi jaribio kama hilo kwa modeli yake yenyewe.

Uthibitishaji wa uwandani: Hakuna jaribio la performance la uwandani kwa mfumo wa kitakwimu wa makala yenyewe; kazi inatoa mielekeo ya utafiti.

Upatikanaji wa data: Hakuna seti tofauti ya data asilia ya utafiti iliyoripotiwa. Badala yake, vyanzo mbalimbali vya data za blockchain kwa utafiti wa kitakwimu vimeorodheshwa.

CRediT / michango ya waandishi: Hakuna tamko tofauti la CRediT katika manuscript iliyopakiwa.

Kikomo kikuu cha tafsiri: Mbinu za temporal, network, UQ na Bayesian zinazopendekezwa na makala ni zana zinazowezekana za utafiti; makala hii yenyewe haithibitishi ubora wa performance wa mbinu hizi katika mifumo halisi ya blockchain.