Documents associés à Bitcoin et sujets connexes en droit  : Partie XI

Lisez la partie 1, la partie 2, la partie 3, la partie 4, la partie 5, la partie 6, la partie 7, la partie 8, la partie 9 et la partie 10.

La mesure de la distance entre les nœuds a été considérée comme complexe (Chen et al. 2020) et susceptible d’erreur ou de traitement informatique répertorié. En raison des problèmes de mesure des réseaux, certains auteurs se sont contentés de capturer et de produire des représentations d’un réseau de graphes, sans analyser l’impact de la puissance et l’influence de chaque nœud. Une approche limitée de cette forme a été menée sur le réseau Ethereum, fournissant un modèle de systèmes informatiques sur le réseau (Kim et al. 2018) ; pourtant, une telle approche ne parvient pas à distinguer la validité de chaque nœud ou son influence sur d’autres parties du réseau.

Fei (2018) résout certains problèmes d’analyse de l’influence du réseau laissés sans réponse par d’autres auteurs, tels que Kim et al. (2018). La nouvelle approche pour identifier les nœuds influents dans les réseaux complexes résume également d’autres mesures de centralité existantes et fournit un moyen de capturer l’intensité et l’attraction mutuelle qui peuvent exister entre les nœuds d’un réseau distribué tel que Bitcoin. Grâce à un tel processus, l’auteur fournit un moyen de comparer l’influence de chaque nœud, permettant aux chercheurs d’analyser la puissance ou l’effet comparatif que chaque système maintient.

Grâce à une telle analyse, Fei (2018) fournit un moyen d’isoler les systèmes centraux et les facteurs de réseau qui forment des composants de nœuds géants au sein de réseaux complexes, tandis que Chen et al. (2020) discutent des technologies d’apprentissage automatique automatisées qui peuvent simplifier certaines des tâches. Malheureusement, de nombreux auteurs, dont Kim et al. (2018), continuent de se concentrer sur le volume de nœuds, ignorant l’effet individuel que les nœuds les plus influents ont sur le reste du réseau.

Bibliographie annotée

org/10.1609/aaai.v34i04.5747

Chen et al. (2020) introduisent le concept de réseaux de neurones graphiques (GNN) en tant que modèle d’apprentissage automatique connecté à la représentation graphique. La méthodologie intègre l’écart absolu moyen (MAD) et les caractéristiques de lissage de nombreux autres réseaux de neurones et outils d’apprentissage automatique associés. La fonctionnalité permet également la capture de données réseau via un processus automatisé avec un ensemble d’outils connu sous le nom de système d’optimisation de périphérie adaptative. Enfin, les mesures de topographie sont analysées pour le bruit et le sur-lissage.

Le principal avantage de l’article réside dans l’analyse systématique et quantitative des problèmes rencontrés par les GNN et l’optimisation des systèmes qui analysent et capturent les topographies de graphes. L’analyse est effectuée sur divers réseaux de citations publics Pubmed et connexes, et l’accent a été mis sur l’élagage et la capture d’informations importantes entre des systèmes qui ne sont pas naturellement saisis et représentés comme tels.

org/10.1016/j.physa.2018.08.135

Fei et al. (2018) documentent le processus associé à l’identification des nœuds influents dans les réseaux complexes. En déterminant les nœuds les plus influents et indispensables à la transmission et à la diffusion du trafic, une analyse de la décentralisation et de l’interconnectivité entre les systèmes sera possible. L’article commence par aborder les différents types de mesures de centralité qui existent déjà, en documentant les lacunes et les limites de l’algorithme. Ensuite, les auteurs proposent d’utiliser une loi du carré inverse pour former un indice d’attraction mutuelle entre les nœuds d’un réseau complexe.

L’article présente une série d’expériences et de simulations comparant la mesure de centralité proposée à des mesures existantes telles que la centralité de proximité, la centralité de degré et la centralité de vecteur propre. De plus, les méthodes utilisées avec les systèmes Web tels que Google (NASDAQ : GOOGL) dans le PageRank et le LeaderRank sont également analysées. Enfin, le modèle et le processus s’étendent à l’examen des systèmes épidémiologiques, y compris les modèles sensibles et infectés. La validation expérimentale démontre une bonne puissance statistique dans la méthodologie proposée.

org/10.1145/3278532.3278542

Kim et al. (2018) proposent une méthodologie pour mesurer les pairs du réseau dans le réseau Ethereum. L’article commence par présenter et documenter la capacité de « contrat intelligent » d’Ethereum, et se réfère au système comme une « crypto-monnaie ». Ensuite, l’argument est présenté selon lequel Ethereum est le premier système de blockchain complet de Turing, ignorant les capacités de Bitcoin. La méthode est basée sur la découverte de nœuds et est déployée à l’aide d’un outil développé appelé NodeFinder. Les auteurs affirment que l’outil a trouvé plus de 10 000 nœuds en explorant l’écosystème P2P d’Ethereum.

Aucune analyse de la fonctionnalité du nœud, telle que le développement de blocs, n’est fournie, et la mesure et la validation se concentrent sur la recherche de tous les participants au système. L’argument est présenté que l’outil est validé par des mesures externes où le nœud trouve d’autres systèmes qui font partie de l’écosystème de pairs. Malheureusement, aucune information concernant la création de blocs n’a été publiée. De même, aucune information concernant la diffusion ou la transmission de blocs ou de transactions n’est incluse dans l’étude. Par conséquent, l’analyse des « pairs non productifs » (2018, p. 99) apporte peu d’avantages. De plus, comme les auteurs n’ont pas fait de distinction entre les nœuds clients du réseau et les nœuds qui produisent activement des blocs et transmettent des informations, la valeur globale de l’article est limitée.

org/10.1609/aaai.v34i04.5747

org/10.1016/j.physa.2018.08.135

org/10.1145/3278532.3278542

Cet article a été légèrement modifié à des fins de clarté.

Regardez : Discours d’ouverture du Dr Craig Wright : Un meilleur Internet avec IPv6 et BSV Blockchain

le guide de ressources ultime pour en savoir plus sur Bitcoin – tel qu’envisagé à l’origine par Satoshi Nakamoto – et la blockchain.