DeFi中价值千万的关键字Gitcoin

Gitcoin是由Vitalik提出的社区产品,通过“二阶投票”算法改变早期项目投资方式,支持了众多知名DeFi项目。Gitcoin的Grand列表和Vitalik的总结是投资者的重要信息源,而Gitcoin Grants通过数据分析揭示潜在串谋行为,促进公平的公共产品融资。本文使用cadcad工具分析Gitcoin Grants的协作模式,探讨如何识别和减轻串谋行为,为Gitcoin的公平性提供决策支持。

未标题-3

未标题-3

Gitcoin是什么?它是Vitalik为了解决以太坊生态项目融资效率低的问题而提出来的算法构想的社区产品,Vitalik另一个更有名的被社区实现的算法构想是Uniswap。

如果说Uniswap在ETH1.0上通过AMM算法重构了二级市场的交易体验,那Gitcoin则通过“二阶投票”的算法重构了对早期社区项目的种子投资方式。通过Gitcoin获得资金的知名项目包括:Tornado.cash、Uniswap、1inch.exchange、Dune Analytics、MolochDAO

Gitcoin这一关键字下对投资者有价值的信息源包括:

  1. 每一期的Gitcoin Grand列表都是真金白银投出来的,可以在项目并不是最热的时候发现它们, 如果回头去翻第1到8期列表,会发现被大家熟知的DeFi项目都曾经在这里出现过。

  2. Vitalik对每一期gitcoin grand的总结是非常不错的方向性资料,能够获得框架性、实时性的行业分析,是可以作为季度报告看的。

  3. 如果还希望看到更早期的项目,可以关注gitcon kernel,可以理解成这是互联网投资领域常见的孵化器。我本身也是Gitcoin kernel的第一期成员,直观感受是该信息源下的信息密度相比前两个较低,开发者质量参差不齐。

当然Gitcoin的也不是万能的。YFI的创始人安德烈为了获得代码审计的支持报名过某一期Gitcoin Grand,但是被其他项目淹没了。如果放在VC的逻辑里看,应该算是巨大的方向性踏空。

有人形容Gitcoin是以太坊的“军火库”,每一条公链都希望有一个Gitcoin,但是只有ETH具备激活这一产品的社区活力。这份活力中的要素包括:1. 有钱有意愿的基金会 2. 积极的开发者 3. 热情且略带理想主义的社区用户 4. 项目商业化所需的市场 5. 成熟的开发体验

本文作者Danilo Lessa Bernardineli,Michael Zargham和Jeff Emmett,通过cadcad这一工具分析了Gitcoin配资算法在实际运行中是否有效,有关cadcad的价值未来找机会再说。

要看懂该分析文章,是需要对Gitcoin的“二阶投票”算法有所了解的,可以看下面表格的解释:

image-20201229030413626

上一篇在BlockScience上对Gitcoin Grants生态系统的分析中,我们简要介绍了Quadratic Funding和这种资源分配政策在为社区赠款公平分配匹配资金方面所面临的挑战。在本文中,我们将深入探讨如何使用cadCAD识别潜在串谋或欺诈行为的具体实例,并讨论减少Gitcoin Grants生态系统中的剥削行为政策所带来的后果。

image-20201229002804763

整个Gitcoin Grants第8轮网络,赠款被标记为蓝色节点,贡献者被标记为橙色节点,捐款作为它们之间的连接。

在开始之前……

作为一个致力于#OpenScience的研究机构,我们打算以严谨的方式处理Gitcoin Grants生态系统的数据分析,并在工作过程中向观众展示结果。因此,你会注意到这篇文章采用了以下格式:

  1. 假设

  2. 假定

  3. 方法论:数据与模型

  4. 分析的数据

  5. 解释和讨论

  6. 结论

在深入讨论之前,另一件需要确定的重要事情是“串谋”和“欺诈”的定义,因为这些是Gitcoin团队在确保公平和透明的公共产品融资平台方面的主要关注点。根据在Weyl & Hitzig上撰写了关于CLR学术论文的Vitalik所述,串谋被定义为“多个代理人为了他们的共同利益而损害其他参与者的利益”,欺诈被定义为“一个公民谎报了自己的身份”。分析这些定义有点棘手,因为赠款循环的饱和效应,其实暗示着Gitcoin Grants系统中几乎所有社区级别的动员都是串谋, 因为在共享有限池时,一个社区的任何收益都会损害其他社区的利益。另外,维基百科将串谋定义为“秘密或非法的合作或阴谋,特别是为了单纯的欺骗或欺骗他人”,这对我们的目的更有利,因为它允许我们在分析时解释意图。

通过本文,我们将开始研究由参加Gitcoin Grants的各个社区展示的协作模式,看看我们能否识别串谋或欺诈行为,以及如何减轻这种行为。

假设

使用Gitcoin Grants的社区有一个潜在的“形态”。主观上,可以采用以下格式:

  • 密集社区,如Commons Stack / Token Engineering集群,其中有大量相关的项目,涉及的贡献者有重叠。

  • 高度集成的社区,如以太坊基金会,在那里可以在不紧密集群的情况下实现大量连接。

  • 孤立社区,如DAppChaser和其他区域项目,在这些社区中,有大量的项目贡献者,与其他赠款的联系有限。

我们在本文中的假设是,我们可以将这些形状解释为一种“指纹”,用于模式匹配有机社区行为,从而更好地识别掠夺行为,并削弱从整个Gitcoin社区吸收匹配资金的能力。但在我们能够确定串谋攻击的网络结构之前,我们首先必须了解Gitcoin社区的结构。这种形状可以通过使用网络科学技术(例如社区检测算法)来定量检测,我们将在下一节中进一步探讨。

假定:

在我们的分析中,我们使用了几种不同的工具和假设,鉴于它们给我们的分析带来的主观性,我们将在此处列出它们。

  • 货币聚合 该分析将所有捐款压缩为等值的美元,而与捐赠的币种无关。这是对Gitcoin基金匹配政策运作方式的简化假设。这是一个简化的假设,遵循Gitcoin的资金匹配政策的运作方式。

  • 不包括配套资金 本报告不包括通过Gitcoin二次融资算法算出的匹配资金的严格分析,而是关注Gitcoin Grants网络的结构。随后的分析可以深入研究匹配算法的效果。

  • 社区检测算法:流动社区 流动社区是一种基于传播算法的,能够在动态网络中识别可变数量的社区。它们基于流体在环境中相互作用,由于这种相互作用而膨胀和收缩。通过利用精确度接近当前最佳替代方案之后,流动社区能够在合成图中找到社区。在本文中,我们将这些社区互换称为“子图”。

  • 社区切割尺寸的选择:5 我们选择将其划分为5个子社区:你总是需要从某个地方开始,而5个子社区足以使您大致了解总体情况,而又有足够的数量使结构易于理解。请记住,这5个子图有交叉链接,因此可以将它们粘贴在一起,形成完整的贡献图。

尽管我们只是为了快速探索性分析而选择了一个社区检测算法和要分割的子图数量,但我们现在的研究目标是对诸如社区剪切大小之类的超参数进行更严格的敏感性检查,通过模块化最大化等一系列措施,特定领域的监督学习和渗流分析的聚类系数来选择算法。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,并与反射性实践保持一致。

image-20201229002837482

这是整个Gitcoin Grants第8轮网络,这次用5个独立的社区子图来表示,我们将在下面进一步探讨。

方法论:数据与模型

在这个分析中,我们使用的是Gitcoin Grants第8轮的捐赠数据(匹配之前,因为这不会影响Gitcoin Grants网络结构的形状)。我们将把这些数据输入到Gitcoin cadCAD模型中,以执行我们的数据分析。通过此模型,我们能够估算最终的比赛结果,直到Gitcoin团队缓解干扰的任何干预措施都有效。

使用cadCAD模型,我们生成一个图来表示Gitcoin赠款捐赠网络中赠款与捐赠者之间的相互联系。为此,我们将流动社区算法应用到NetworkX图形对象中,该对象将返回检测到的社区列表。这些社区由赠款和贡献者这两个节点组成,作为节点,而贡献作为边缘在它们之间流动。

然后,我们将社区子图与三个不同的授权相关联进行可视化:cadCAD子图,MetaGame子图和DAppChaser子图。

资料分析

Gitcoin Grant合作子图的可视化效果如下所示。为了解释这些图,将赠款表示为蓝色节点,将贡献者表示为橙色节点。赠款节点的大小由所有捐助者的总捐献额决定,而捐献者(奖励金)节点的大小由它们对所有赠款的捐献额决定。节点之间的边缘表示从贡献者流向赠款的捐款。

深入挖掘数据,我们选择分析三个(许多)不同的社区“指纹”,以更好地理解不同群体的交互模式,以及我们如何识别Gitcoin Grants中的串谋或不公平行为。选择cadCAD和Metagame来将我们的分析重点放在我们有第一手经验的社区上,以提高我们利用社交环境解释数据的能力。选择DappChaser来调查通过此分析得出的有趣模式。

cadCAD的子图

这个子图有一个有机的外观,在cadcad相关赠款的生态系统周围有一个紧密的协作集群,并且与该生态系统中的多个项目保持联系。

image-20201229002919795

​ cadCAD赠款的邻近社区的子图,蓝色为赠款,橙色为贡献者。

有关cadCAD子图的一些统计信息: 子图赠款总数:110 子图协作者总数:888 该子图中的USD总值:41,047.76 USD

*此子图中排名前五的资助项目:**

  1. Gitcoin开源支持基金:10,333.02美元
  2. Commons Stack社区基金— Panvala League:2,628.53美元
  3. Wallkanda:2,510.39美元
  4. Autonio:2,500.89美元
  5. DistributedTown:2,500.89美元

MetaGame子图

这个子图还展示了一个有机结构虽然更分散有很多协作连接性,但没有密集的集群。

image-20201229002944227

Metagame赠款的邻近社区的子图,赠款是蓝色的,贡献者是橙色的

有关Metagame子图的一些统计信息: 总经费:171 合作者总数:825 子图中的美元总价值:14,859.97美元 此子图中排名前五的资助项目:

  1. Scribble Specifications and Runtime Verification Fund: 2,958.19 美元
  2. BeyondNFT: 2,616.18 美元
  3. Rekt- The dark web of DeFi journalism: 2,499.94 美元
  4. Unitimes-Ethereum developer community platform: 1,552.87 美元
  5. vfat.tools Yield Farming Calculators: 1,411.17 美元

DAppChaser子图

与其他子图相比,这个网络邻域看起来有点不同。该网络看起来不像我们之前的例子那样有机,而且在这个生态系统中的捐助者和其他Gitcoin赠款之间几乎没有联系,这表明生态系统协作较少

image-20201229003005439

​ DappChaser赠款的邻近社区的子图,赠款是蓝色的,贡献者是橙色的。

关于DappChaser子图的一些统计数据: 赠款总额:85 合作者总数:966 子图中的美元总价值:26243.74美元 此子图中排名前五的资助项目:

  1. KERNEL Block II [Panvala League]: 11,755.68 美元
  2. EU Crypto Initiative — educating policy makers: 9,866.64 美元
  3. Catnip: 3,038.81 美元
  4. Meme of the Day: 2,516.04 美元
  5. COVID-19 Moment || Food Bag Delivery for families: 2,118.16 美元

乍一看,该子图可能会提供一些指纹模式,这些模式可能暗示串谋或欺诈行为-大量为个人捐赠资金的捐赠者,与Gitcoin网络中其他捐赠的联系稀疏。但是,当我们更深入地研究时,这些社区也可能是在新市场(在某些情况下是中国)中得到良好支持的社区,这些社区最初只是与Gitcoin的公共产品融资生态系统进行互动。

借助BrightID(身份证明系统),可以更加清楚地区分这些区别。BrightID是一个身份证明系统,当合作者被唯一识别时,它可以提供匹配资金的奖励。BrightID团队在这一特定模式上的表现值得称赞,他们也在确定与赠款相关的独特身份方面做出了努力。鉴于Gitcoin专门为东亚项目创建了一个赠款池,显然这是一个系统目标,即吸引更多来自这些地区的用户。因此,在我们需要警惕串谋的同时,我们还需要确保任何检测算法都不会调整得过于激进,从而阻止不同市场的新来者加入未来的Gitcoin Grants 轮。

解释和讨论

在上面的分析中,我们可以看到数据中出现的某些模式,这些模式可以让我们洞悉在何处挖掘更多信息。在DAppChaser集群模式中,一个算法可以标记潜在的串谋行为,但这个问题可能不能仅靠一个算法来解决。可能有必要构建数据收集和社区治理工具,这些工具旨在决定如何围绕串谋行为制定政策,以及在就串谋行为发生争议时,如何在逐笔赠款的基础上解释串谋政策。最终,我们感兴趣的是,Gitcoin系统如何将这些行为的相关数据提升到系统的治理层,以解决社区纠纷。

虽然此指纹可以作为潜在串谋行为的模式,但我们需要小心,我们的算法并非天真,不要把新进入者和一群串谋者混淆,从而导致不公正的惩罚。如果我们的算法过于激进,我们就有可能把新市场的进入者排除在外,这也不利于Grants生态系统的长期增长。

结论

我们进行此分析的目的不是在Gitcoin生态系统中区分“正确”和“错误”的政策选择,而是使用数据驱动的分析来探索算法政策设计的主观选择。在上面的讨论中,我们可以清楚地看到,没有客观的“正确政策”可以解决Gitcoin Grant匹配中的所有挑战。因此,考虑到其社区的规范和使用,以及他们对逐步去中心化的渴望,必须就应该采取什么折衷措施来维护Gitcoin的公平性做出主观选择。这项分析旨在为这些折衷方案提供清晰的信息,并为Gitcoin团队和社区在实现其目标的政策选择中提供决策支持。

我们赞扬Gitcoin使用标记算法,该算法能够识别潜在的串谋行为范围,以适当地引导团队注意,并且我们对如何进一步优化该算法感兴趣。鉴于“串谋”在Gitcoin Grants中的作用范围要大于离散事件,建议在串谋分析和决策制定方面保持人工参与。

虽然在处理诸如“公平”之类的主观衡量标准时,几乎没有硬性答案,但我们可以提出一些非常好的问题,以帮助我们深入了解我们在Gitcoin Grants系统中的剥削行为,从而做出相应的政策选择:

  1. 有多少资金从更有机的社区分配到更合谋的捐款模式?
  2. 审查当前的Gitcoin Grants政策,无论每项政策有或没有,赠款将获得多少资金?(已经对此进行了一些工作)
  3. 串谋的早期预警信号是什么?我们如何将这些信号升级到系统的治理层?

考虑到解决这些问题可以为公共产品提供资金的好处,以及Gitcoin Grants数据集的新颖性,我们渴望从这些数据中获得更多的见解,以帮助在明年建立更多抗串谋的系统。

关于

UBI.city - 关于未来组织结构的协议,我们将与近日陆续发布更多关于UBI.city的构想与设计机制,欢迎感兴趣的区块链技术爱好者、社区发起者、研究分析人与Gavin、Iris联系,共同探讨UBI未来的可能性。

ChinaDeFi - ChinaDeFi.com 是一个研究驱动的DeFi创新组织,每天从全球超过500个优质信息源的近900篇内容中,寻找思考更具深度、梳理更为系统的内容,以最快的速度同步到中国市场提供决策辅助材料。

内容概要:本文详细介绍了“电动汽车聚合可行域的内-外结合近似方法”的Matlab代码实现,旨在通过数值仿真手段对大规模电动汽车集群作为灵活资源参与电网调度的能力边界进行建模与逼近。该方法融合内部凸包构造与外部约束逼近策略,精确刻画电动汽车在充电状态、功率调节、时间维度等方面的聚合可调能力范围,形成紧致的可行域表示,为高比例电动车接入下的电力系统优化调度、需求响应、车网互动(V2G)等关键应用提供可靠的建模基础。文中强调科研应兼顾严谨逻辑与创新思维,并倡导借助YALMIP等成熟优化工具提升研究效率。完整的代码、工具包及相关案例可通过指定网盘链接和微信公众号“荔枝科研社”获取。; 适合人群:具备电力系统分析、优化理论基础及Matlab编程能力的科研人员,尤其适用于从事新能源并网、电动汽车调度、智能电网、综合能源系统等方向的研究生与工程技术人员。; 使用场景及目标:①研究大规模电动汽车集群的聚合建模与灵活性量化方法;②实现电动汽车聚合可行域的内-外近似算法;③支撑含高渗透率电动汽车的电力系统日前-实时协同优化调度;④学习并应用YALMIP工具进行数学规划建模与求解;⑤为需求响应、市场机制设计及V2G运营提供技术支撑。; 阅读建议:建议读者按照文档指引循序渐进学习,结合网盘提供的完整资源(包括YALMIP工具包与示例代码)进行实践调试,重点掌握内-外近似方法的数学建模逻辑、约束处理技巧及优化求解流程,并参考团队发布的其他相关案例,深化对优化算法与仿真技术在能源系统中应用的理解。
下载代码方式:https://pan.quark.cn/s/93e47adaae45 医学研究人员近期识别了若干新型病毒,经由对这些病毒的解析,揭示出它们的遗传物质序列均呈现环状形态。当前,研究人员已汇集了丰沛的病毒遗传物质与人类遗传物质样本数据,期望能迅速辨识个体是否感染了相关病毒。为便于探究,研究人员将人类遗传物质与病毒遗传物质均表述为由若干字母构成的字符串序列。继而,检测某种病毒遗传物质序列是否在患者遗传物质序列中有所显现,倘若出现,则表明该个体感染了对应病毒,反之则未感染。《病毒感染检测实验报告》是在医学研究背景下,依托软件技术基础中的编程知识完成的一个课程设计任务,其目的在于评估人体是否感染特定病毒。在此实验中,病毒遗传物质与人类遗传物质被表现为字母序列,通过比对病毒遗传物质序列是否存在于人的遗传物质序列中,从而判定感染状态。在程序构建方面,该实验所涉及的核心知识要点包括: 1. **字符串操作**:程序需处理病毒遗传物质与人类遗传物质的序列,这些序列以字符串形式呈现。字符串操作涵盖输入、输出、比较及匹配等操作,是C/C++编程的基础。 2. **线性表**:遗传物质序列可视为线性数据结构,可通过数组来表示。程序运用全局变量数组`V`和`D`存储病毒与人的遗传物质序列。 3. **栈**:在循环展开病毒遗传物质时,可能需借助栈数据结构来保存某个阶段遗传物质序列的状态,以便进行所有可能的匹配尝试。 4. **BF算法**(Brute Force,暴力搜索算法):BF算法是一种基础性的字符串匹配方法,用于在文本中搜寻模式。在此,BF算法用于在人的遗传物质序列中探寻病毒遗传物质序列的所有展开形态。 5. **文件处理**:程序需从文件《病毒感染检测输入数据...
内容概要:本文系统研究了基于粒子群PSO、灰狼GWO、鲸鱼WOA、哈里斯鹰HHO、蜣螂DBO、麻雀SSA六种智能优化算法的无人机三维路径规划方法,并通过Matlab代码实现了在复杂三维环境下的路径搜索与优化对比。研究构建了包含障碍物、威胁区域等实际地形特征的空间模型,综合考虑路径长度、飞行时间、能耗及安全性等多维度成本函数,对各算法的寻优能力、收敛速度、稳定性和全局搜索性能进行了量化评估与深入分析。通过大量仿真实验,全面比较了不同算法在多样化环境条件下的路径规划表现差异,揭示了各类算法的优势与局限性,为无人机在实际任务中的自主导航与决策提供了可靠的算法选型依据和技术支撑。; 适合人群:具备一定Matlab编程基础,从事无人机路径规划、智能优化算法研究或相关方向的研究生、科研人员及工程技术人员。; 使用场景及目标:① 掌握主流群智能优化算法在三维路径规划中的建模与实现方法;② 对比分析不同算法在复杂环境下的性能优劣,服务于算法选型与改进;③ 为无人机自主导航、无人系统协同控制等应用场景提供算法验证平台。; 阅读建议:此资源以Matlab代码为核心,建议读者结合代码与算法原理进行同步学习,通过调整环境参数与成本函数权重开展仿真实验,深入理解算法行为特征,并可根据自身研究需求进行二次开发与拓展。
本项目是一套基于知识图谱与 LLM 大模型的电影智能问答与推荐系统完整 Python 源码,为计算机相关专业高分毕业设计项目(评审得分 98 分),经导师全程指导与专业审定,全量源码均通过本地编译与多场景调试,确保可稳定运行,兼具学习参考与二次开发价值。 项目以电影领域知识为核心,通过构建结构化电影知识图谱,结合大语言模型(LLM)作为智能 AI 助手,实现了自然语言驱动的电影知识问答与个性化推荐能力,解决了传统系统语义理解能力弱、交互形式单一的痛点。 核心技术栈:基于 Python 开发,采用 Neo4j 图数据库存储与管理电影知识图谱,融合 LLM 大模型实现自然语言意图解析、答案生成与推荐理由输出,配套完整的前后端交互界面。 核心功能: 智能问答功能:支持用户以自然语言提问电影详情、演员作品、导演履历、影片类型、上映信息等各类问题,LLM 负责精准识别用户意图,调用知识图谱数据推理并生成通顺自然的回答; 个性化推荐:基于知识图谱的实体关联关系,结合用户偏好输出电影推荐结果,同时由 LLM 生成贴合用户需求的个性化推荐理由; 知识图谱可视化:支持电影、演员、导演等实体及其关联关系的图形化展示,直观呈现知识网络结构; 多轮对话交互:依托 LLM 的对话能力,支持上下文关联的多轮追问,交互体验更贴近真人对话。 项目代码结构清晰、注释完整,覆盖数据预处理、知识图谱构建、LLM 接口封装、后端服务、前端页面全流程,难度适中,非常适合计算机、软件工程、人工智能等专业学生用于毕业设计、课程设计、期末大作业,也可作为 Python 项目实战、知识图谱与 LLM 落地应用学习的练手项目,可直接基于现有框架进行功能扩展与场景创新。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值