مهندسی معکوس تراژدی سقوط لونا با کمک فیزیک ذرات

به گزارش واحد ترجمه ایران دکونومی، سال پیش، درست هشت روز پس از آن که دو کوان (Do Kwon)، بنیانگذار ترافرم لبز (Terra)، به الکساندرا بوتز (Alexandra Botez)، ستاره شطرنج آمریکایی-کانادایی گفت که 95 درصد ارزهای رمزپایه شکست خواهند خورد و «تماشای مرگ شرکت‌ها سرگرم‌کننده است»، سقوط ناگهانی لونا رقم خورد.

در پی این اتفاق، در بازه زمانی بین 5 تا 13 می 2022، بیش از 40 میلیارد دلار از دارایی‌های سرمایه‌گذاران از بین رفت. کمتر از یک سال بعد، دو کوان پس از تلاش برای فرار از پیگردهای قانونی به اتهام فعالیت‌های مجرمانه مرتبط با این اتفاق تلخ دستگیر شد.

از آن زمان مطالب بسیاری در مورد این شکست و کاهش شدید ارزش توکن Luna (LUNC) و دیپگ شدن استیبل کوین UST Terra از دلار آمریکا نوشته شده است. ولی برای اولین بار، دانشمندان از مکانیک آماری برای مهندسی معکوس این سقوط با کمک تکنیک‌هایی که در مطالعه فیزیک ذرات کاربرد دارد، استفاده کرده‌اند.

این تحقیق که در کینگز کالج لندن انجام شد، بر تراکنش و سفارش‌هایی که در طول سقوط لونا رخ می‌دادند متمرکز بود. در مقاله تحقیقاتی که این تیم پیش از چاپ منتشر کرد آمده است:

«ما این سفارشات را به صورت ذرات فیزیکی می‌بینیم که روی یک محور یک بعدی در حال حرکت هستند. اندازه هر سفارش با جرم ذره و فاصله‌ای که هر سفارش طی کرده است، با فاصله حرکت ذرات مطابقت دارد.»

از همین تکنیک ها برای ترسیم برهمکنش‌های ترمودینامیکی، دینامیک مولکولی و برهمکنش‌های اتمی استفاده می‌شود. محققان با استفاده از این تکنیک‌ها در مورد رویدادهایی که در یک دوره زمانی خاص در یک اکوسیستم محدود مانند بازار لونا رخ می‌دهد، توانستند بینش عمیق‌تری از ریزساختار این ارز و دلایل اصلی سقوط آن به دست آورند.

این فرآیند، از روش اسنپ‌شات موجود در رویکرد پیشرفته فعلی فاصله گرفته و شامل تشخیص ناهنجاری مبتنی بر امتیاز Z و حرکت به سمت یک نمای ذره‌ای از رویدادها در زمان وقوع بود.

این تیم با در نظر گرفتن رویدادها به عنوان ذرات، توانست داده‌های لایه 3 را در تجزیه و تحلیل خود بگنجاند (که بعد از داده‌های لایه 1 و لایه 2، اطلاعات مربوط به ارسال سفارشات، لغو سفارش و مسابقات را شامل می‌شوند). به گفته محققان، این کار به آنها کمک کرده است “نمونه‌های گسترده‌ای از اسپوفینگ و لایه‌بندی در بازار” که به سقوط سریع لونا منجر شدند را شناسایی کنند.

این تیم در ادامه الگوریتمی برای تشخیص لایه‌بندی و اسپوفینگ ایجاد کردند. بر اساس این مقاله، این کار چالش مهمی سر راه آنها بوده است، زیرا هیچ مجموعه داده شناخته شده‌ای در رابطه با سقوط لونا وجود ندارد که حاوی نمونه‌های دقیق برچسب‌گذاری شده از اسپوفینگ یا لایه‌بندی باشد.

محققان به منظور آموزش مدل خود برای تشخیص این فعالیت‌ها بدون وجود این نوع داده‌، داده‌های مصنوعی ایجاد کردند. پس از آموزش، مدل بر مجموعه داده‌های لونا اعمال شد و با آنالیز انجام شده از طریق سیستم Z-score محک زده شد.

محققان پیش از اشاره به اینکه روش امتیاز Z نه تنها در شناسایی اسپوفینگ ناموفق بوده، بلکه به اشتباه سفارشات بزرگ را به عنوان موارد اسپوفینگ علامت گذاری کرده است، نوشتند: «روش ما با موفقیت موارد اسپوفینگ در مجموعه داده‌های اصلی بازار معاملات LUNA را شناسایی کرده است!»

محققان بر این باورند که کار آنها در آینده، می‌تواند به عنوان مبنایی برای مطالعه ساختار خرد بازار در سراسر بازارهای مالی استفاده شود.

سلب مسئولیت: تلاش ایران دکونومی مبتنی بر ارائه محتوای مفید صرفاً جهت افزایش آگاهی مخاطب است و توصیه مالی محسوب نمی‌گردد.

منبع:  cointelegraph