МОДЕЛИРОВАНИЕ ИЗМЕНЕНИЯ РАЗМЕРА МЕМПУЛА НА ОСНОВЕ МЕТОДА МОНТЕ-КАРЛО В УСЛОВИЯХ НЕПОЛНОЙ ИСХОДНОЙ ИНФОРМАЦИИ
Аннотация
Рассматривается влияние различных параметров блокчейн сети друг на друга. В свя-
зи с математической сложностью формирования абсолютно точного эмулятора процесса
формирования цепочки блоков и непредсказуемости ряда факторов процесс рассматрива-
ется как стохастический. В ходе исследования была обнаружена близкая к прямопропор-
циональной взаимосвязь между размером мемпула и стоимостью криптовалюты. Мемпул
представляет собой набор транзакций, ожидающих подтверждения в блокчейне. Стои-
мость криптовалюты способна влиять на количество майнеров, обрабатывающих тран-
закции, привлекая их высоким заработком, что может влиять на скорость обработки
транзакций и, как следствие, на размер мемпула. В работе описано применение метода
Монте-Карло для определения соотношения между размером мемпула и ценой криптова-
люты, а также предварительная подготовка данных и формирование распределений. Опи-
сывается моделирование стохастического процесса для определения зависимости между
размером мемпула и ценой криптовалюты. Для этого используется метод Монте-Карло,
который позволяет оценить вероятность различных сценариев развития событий. В ра-
боте рассмотрены различные стохастические модели для анализа блокчейн систем, для
построения которых применяется метод Монте-Карло. Автором предлагается методика
по прогнозированию и установлению корреляции между рассматриваемыми параметрами
на основе данных, собранных из сети BitCoin за период последних трех лет. Результаты
исследования подтвердили гипотезу о том, что существует зависимость между стоимо-
стью криптовалюты и объемом необработанных транзакций. В связи с отсутствием пол-
ного набора данных остается невозможным спрогнозировать нагрузку на сеть при кон-
кретной стоимости. Было представлено решение этой задачи с помощью вероятностных
методов, в том числе метода Монте-Карло, на основе распределения полученных истори-
ческих данных. Использование метода Монте-Карло для моделирования зависимости меж-
ду размером мемпула и ценой криптовалюты и других аналогичных задач в подобных усло-
виях может быть полезным инструментом для исследователей, позволяющим делать вы-
воды о стабильной работе сети
Литература
dust? An analysis of low-amount Bitcoin transactions, Applied Network Science, 2023, 8.
10.1007/s41109-023-00557-4.
2. Bhabendu Kumar Mohanta, Debasish Jena, Soumyashree S. Panda, Srichandan Sobhanayak.
Blockchain technology: A survey on applications and security privacy Challenges, Internet of Things,
2019, Vol. 8, 100107. ISSN 2542-6605. Available at: https://doi.org/10.1016/j.iot.2019.100107.
3. Ishchukova E.A., Panasenko S.P., Romanenko K.S., Salmanov V.D. Kriptograficheskie osnovy
blokcheyn-tekhnologiy [Cryptographic foundations of blockchain technologies]. Moscow: DMK
Press, 2022, 302 p.
4. Kang H., Chang H., Mišić J., Mišić V., Yao Y., Chen Z. Stochastic Modeling Approaches for
Analyzing Blockchain: A Survey. Preprint. 2020.
5. Piriou P.-Y., Dumas J.-F. Simulation of Stochastic Blockchain Models, 2018 14th European
Dependable Computing Conference (EDCC), Iasi, Romania, 2018, pp. 150-157. DOI:
10.1109/EDCC.2018.00035.
6. Tessone Claudio and Tasca Paolo and Iannelli Flavio. Stochastic Modelling of Blockchain
Consensus (June 11, 2021).
7. Schwarz-Schilling C., Li S.-N.; Tessone C.J. Stochastic Modelling of Selfish Mining in Proof-of-
Work Protocols, J. Cybersecur. Priv., 2022, 2, pp. 292-310. DOI: 10.3390/jcp2020016.
8. Pazicky M. Stock Price Simulation Using Bootstrap and Monte Carlo, Scientific Annals of
Economics and Business, 2017, 64, pp. 155-170. DOI: 10.1515/saeb 2017-0010.
9. Shahriar Md & Bappy Faisal Haque & Hossain. Modelling Attacks in Blockchain Systems
using Petri Nets. 2020. 10.1109/TrustCom50675.2020.00142.
10. Rico-Peña Juan Jesús & Arguedas-Sanz Raquel & López-Martin Carmen. Models used to
characterise blockchain features, A systematic literature review and bibliometric analysis,
Technovation. Elsevier, 2023, Vol. 123 (C).
11. Maity M., Tolooie A., Sinha A.K., Tiwari M.K. Stochastic batch dispersion model to optimize
traceability and enhance transparency using Blockchain, Computers & Industrial Engineering,
2021, 154, 107134.
12. Collin Connors, Dilip Sarkar. Survey of prominent blockchain development platforms, Journal
of Network and Computer Applications, 2023, Vol. 216, 103650. ISSN 1084-8045,
https://doi.org/10.1016/j.jnca.2023.103650.
13. Baez John & Tweed David. Monte Carlo Methods in Climate Science, Math Horizons, 2013,
21, pp. 5-8. 10.4169/mathhorizons.21.2.5.
14. Ramenskaya A.V., Pivovarova K.V. Metod Monte-Karlo i instrumental'nye sredstva ego realizatsii:
metodicheskie ukazaniya [Monte Carlo method and tools for its implementation: guidelines].
Orenburg: OGU, 2018, 58 p.
15. Poisson S.-D. Recherches sur la probabilité des jugements en matière criminelle et en matière civile.
Berlin: NG Verlag (Viatcheslav Demidov Inhaber), 2013, 330 p. ISBN 978-3-942944-29-8.
16. Hazewinkel Michiel ed. "Binomial distribution", Encyclopedia of Mathematics. Springer,
2001. ISBN 978-1-55608-010-4.
17. Anaeva M., Arazdurdyeva Sh., Allayarova D. Primenenie normal'nogo raspredeleniya v statistike
[Application of normal distribution in statistics], IN SITU [IN SITU], 2023, No. 2,
pp. 64-66. – ISSN (p) 2411-7161 / ISSN (e) 2712-9500.
18. Tikhomirov A.N. O tsentral'noy predel'noy teoreme [On the central limit theorem], Vestnik
Syktyvkarskogo universiteta. Ser. 1. Matematika. Mekhanika. Informatika [Bulletin of Syktyvkar
University. Ser. 1. Mathematics. Mechanics. Computer science], 2001, pp. 51-76.
19. Blockchain.com APIs. Available at: https://www.blockchain.com/ru/explorer/api (accessed
29 November 2023).
20. Bavarina A.P., Borisov I.B. Sovremennye pravila primeneniya korrelyatsionnogo analiza [Modern
rules for using correlation analysis], V pomoshch' issledovatelyu [To help the researcher], 2021,
No. 3 (68), pp. 70-79.
