|
通过本文的章节，我们将开始研究参与 Gitcoin Grants 的各个社区所表现出的合作模式，看看我们是否能识别出共谋或欺诈行为，以及如何减轻这种行为。 假设 使用 Gitcoin 补助的社区有一个基本的“形态”。主观上，这可以采取以下形式。 密集的社区（Dense communities），比如Commons Stack 、Token Engineering 集群，在那里你有大量的相关项目，有重叠的参与贡献者。高度整合的社区（Highly integrated communities），比如以太坊基金会，你有大量的连接性，而不需要紧密的集群。孤立的社区（Isolated communities），如 DAppChaser 和其他区域性质项目，项目上有大量的贡献者，但与其他补助金项目的连接有限。我们在本文中的假设是，我们可以将这些形状解读为“指纹”（Fingerprints），对有机的社区行为进行模式化分配，以更好地识别掠夺行为，降低从整个 Gitcoin 社区抽走分配资金的能力。然而，在我们能够识别共谋攻击的网络结构之前，我们首先必须了解 Gitcoin 社区的结构。这种形态可以通过使用网络科学技术来定量检测，比如社区检测算法（community detection algorithms ），我们将在下一节作进一步探讨。 在我们的分析中，我们使用了几种不同的工具和假设，鉴于这些工具和假设对我们的分析具有主观性，我们将在此列出。 货币汇总本分析将所有捐款兑换成等值的美元，而不考虑捐款的币种。这是一个简化的假设，遵循了 Gitcoin 基金分配政策的运作方式。 排除分配资金本报告不包括通过 Gitcoin 二次融资算法对分配资金的严格分析，而是重点分析Gitcoin Grants 网络的结构。后续的分析可以深入研究分配算法的效果。 社区检测算法： Fluid CommunitiesFluid Communities 是一种基于传播的算法，能够识别动态网络中数量不等的群落。它们是基于流体在环境中相互作用的想法，由于这种相互作用而扩大和收缩。Fluid Communities 能够在合成图中找到社区，其精度接近于目前最好的替代品。在本文中，我们将把这些群落互换地称为“子图”（subgraphs）。 社区切分大小的选择：5我们选择切分成5个子社区：你总是需要从某个地方开始，5个子社区数字恰如其分，既能让人纵观大局，又能解释结构。请记住，这5个子图有交叉连接，所以它们可以重新粘贴在一起，从而形成完整的贡献图。 虽然我们只是简单选取了一个社区检测算法和子图的数量进行切入，以达到快速探索性分析的目的，但我们正在进行的研究对象是对超参数（如社区切入大小等）的敏感度进行更严格的考察，通过模块度最大值法（Modularity maximization） 、特定领域监督学习和聚类系数的渗透分析等措施混合选择算法。这些选择将在未来被重新审视，以确定算法或参数的变化是否会影响我们的结论，同时也可以保持反思性。 (责任编辑：admin) |