勾结的社区还是新市场？

基于网络科学的 Gitcoin Grants “指纹”

在我们 以前的文章 中，探讨了 BlockScience 对于 Gitcoin Grants 生态系统的持续分析，我们简要介绍了 Quadratic Funding 以及这一 资源分配政策 在向社区资助提供公平的配对资金分配时所面临的挑战。在本文中，我们将深入研究使用 cadCAD 来识别可能的合谋或欺诈行为的具体实例，并讨论旨在减少 Gitcoin Grants 生态系统中剥削性行为的政策的影响。文章由 Danilo Lessa Bernardineli 、 Michael Zargham & Jeff Emmett 。

整个 Gitcoin Grants 第 8 轮网络，资助以蓝色节点表示，贡献者以橙色节点表示，捐赠则是它们之间的连接。

在我们开始之前…

作为一个致力于 #OpenScience 的研究组织，我们打算采用严谨的方法分析 Gitcoin Grants 生态系统的数据，并在工作过程中向我们的受众展示结果。因此，你会注意到这篇文章遵循以下格式：

1. 假设

2. 假设前提

3. 方法论：数据 & 模型

4. 数据分析

5. 解释与讨论

6. 结论

在深入探讨之前，另一个重要的事情是确定“合谋”和“欺诈”的定义，因为这些是 Gitcoin 团队在确保公共产品资金平台公平和透明时的主要关切。根据 Vitalik、Weyl 和 Hitzig 的 学术论文 CLR，合谋被定义为“多个代理为互利而行动，损害其他参与者的利益”，而欺诈被定义为“一个公民伪称为多个公民。”这些定义在分析上有点棘手，因为由于资助轮次的饱和效应，这几乎将 Gitcoin Grants 系统中的所有社区层级动员都视为合谋，因为一个社区的任何收益都会在共享有限的赞助资金池时损害其他社区。或者，维基百科将合谋定义为“秘密或非法的合作或阴谋，特别是为了欺骗或欺诈他人”，这对于我们的目的更好，因为它允许我们在分析中考虑意图。

在本文中，我们将开始考察参与 Gitcoin Grants 的各个社区所表现出的合作模式，以便确定是否可以识别合谋或欺诈行为，以及如何减轻这些行为。

假设

使用 Gitcoin Grants 的社区存在一种潜在的“形状”。主观来看，这可以采取以下格式：

• 密集社区，如 Commons Stack / Token Engineering 集群，其中有大量相关项目和重叠的参与贡献者
• 高度集成社区，如以太坊基金会，其中有大量连接而没有紧密聚类
• 孤立社区，如 DAppChaser 和其他地区项目，其中有大量参与者在与其他赞助的连接有限的项目上

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”，以模式匹配自然社区行为，从而更好地识别剥削性行为并减少从 Gitcoin 大社区中 siphon 劳动者捐赠的能力。 但是，在能够识别合谋攻击的网络结构之前，我们首先必须理解 Gitcoin 社区的结构。通过使用网络科学技术（如 社区检测算法），可以定量地检测这个形状，我们将在下一节中进一步探讨。

假设前提：

在我们的分析中，我们使用了几种不同的工具和假设，这里列出它们，因为它们对我们的分析施加了主观性。

• 货币汇总 本次分析将所有捐款压缩为相应的美元价值，无论捐款所用的货币。 这是一个简化的假设，遵循 Gitcoin 资金配对政策的运行方式。
• 不包括配对资金 本报告不包括通过 Gitcoin Quadratic Funding 算法对配对资金进行的严格分析，而是专注于 Gitcoin Grants 网络的结构。后续分析可以深入探讨配对算法的影响。
• 社区检测算法： Fluid Communities Fluid Communities 是一个基于传播的算法，能够识别动态网络中可变数量的社区。它们基于流体在环境中相互作用的思想，因这种相互作用而扩展和收缩。Fluid Communities 能够在合成图中以接近目前最佳替代算法的准确性找到社区。我们将在本文中交替将这些社区称为 “子图”。
• 社区切割大小选择：5 我们选择将其切割成 5 个子社区：你总是需要从某个地方开始，5 这个数字足够少，可以看出大局，但也足够多，使结构可解释。请记住，这 5 个子图有交叉链接，因此可以重新组合形成完整的贡献图。

尽管我们只是为了快速探索分析简单地选择了社区检测算法和切割成的子图数量，但我们正在进行的研究一个目标是对超参数的敏感性进行更严格的检视，例如社区切割大小，通过 模块化最大化、领域特定的监督学习和 渗透分析 中的 聚类系数 来选择算法。这些选择将在未来重新审视，以确定算法或参数的变化是否会影响我们的结论，遵循 反身性 的实践。

在这里再次展示整个 Gitcoin Grants 第 8 轮网络，这次根据下面将进一步探讨的 5 个不同社区子图进行着色。

方法论：数据 & 模型

在本次分析中，我们使用 Gitcoin Grants 第 8 轮捐款数据（在匹配之前，因为这不会影响 Gitcoin Grants 网络结构的形状）。我们将这些数据输入到Gitcoin cadCAD 模型中进行数据分析。通过这个模型，我们能够在不影响的情况下逼近最终的匹配结果，适用于 Gitcoin 团队采取措施来缓解攻击的情况。

使用 cadCAD 模型，我们生成一个图，以表示 Gitcoin Grants 贡献网络中资助人和捐赠者之间的相互联系。为此，我们将 Fluid Community 算法应用于 NetworkX Graph 对象，从而返回检测到的社区列表。这些社区由节点上的资助和贡献者组成，以它们之间作为边的贡献流。

然后，我们将与三个不同资助相关的社区的子图进行可视化：cadCAD 子图、MetaGame 子图 和 DAppChaser 子图。

数据分析

下面可以看到 Gitcoin Grant 合作子图的可视化图。要解释这些图，资助用蓝色节点表示，贡献者用橙色节点表示。资助节点的大小由所有捐赠者的总贡献决定，贡献者节点的大小由他们对所有资助的贡献决定。节点之间的边表示从贡献者到资助的捐赠流动。

深入研究数据，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互动模式，以及如何在 Gitcoin Grants 中识别合谋或不公平的行为。我们选择了 cadCAD 和 Metagame 来集中分析这些我们有第一手经验的社区，以提高我们基于社会背景的解读数据的能力。 DappChaser 被选择来调查通过该分析得出的有趣模式。

cadCAD 子图

这个子图呈现出一种 有机外观，在与 cadCAD 相关的资助生态系统周围有一个 紧密的合作集群，以及与生态系统中的多个项目的连接。

与 cadCAD 资助的邻近社区的一个子图，资助用蓝色表示，贡献者用橙色表示。

关于 cadCAD 子图的一些统计信息：

子图中的总资助数量： 110

子图中的总合作者数量： 888

子图内的总美元价值： 41,047.76 USD

该子图中的前 5 个资助：

1. Gitcoin 开源支持基金：10,333.02 USD

2. Commons Stack 社区基金 — Panvala 联盟：2,628.53 USD

3. Wallkanda：2,510.39 USD

4. Autonio：2,500.89 USD

5. DistributedTown：2,500.89 USD

MetaGame 子图

这个子图同样展现了 一种有机结构，但更为分散，具有 大量合作连接，但 没有密集聚类。

与 Metagame 资助的邻近社区的一个子图，资助用蓝色表示，贡献者用橙色表示。

关于 MetaGame 子图的一些统计信息：

总资助数： 171

总合作者数： 825

子图内的总美元价值： 14,859.97 USD

该子图中的前 5 个资助：

1. Scribble 规范及运行验证基金：2,958.19 USD

2. BeyondNFT：2,616.18 USD

3. Rekt- DeFi 新闻的黑暗网络：2,499.94 USD

4. Unitimes-以太坊开发者社区平台：1,552.87 USD

5. vfat.tools 收益 farming 计算器：1,411.17 USD

DAppChaser 子图

与其他子图相比，这个网络邻域看起来有些不同。这个网络 看起来不像我们之前的例子那样有机，而且该生态系统中捐赠者与其他 Gitcoin 资助项目之间的连接 很少，表明 生态合作较少。

与 DAppChaser 资助邻近社区的一个子图，资助用蓝色表示，贡献者用橙色表示。

关于 DAppChaser 子图的一些统计信息：

总资助数： 85

总合作者数： 966

子图内的总美元价值： 26,243.74 USD

该子图中的前 5 个资助：

1. KERNEL Block II [Panvala 联盟]：11,755.68 USD

2. EU Crypto Initiative — 教育政策制定者：9,866.64 USD

3. Catnip：3,038.81 USD

4. Meme of the Day：2,516.04 USD

5. COVID-19 时刻 || 为家庭提供食物袋送递：2,118.16 USD

从 初步观察 这一子图 可能提供了一些指纹模式，暗示合谋或欺诈行为——大量捐赠者对于单一资助，有稀疏的联系到 Gitcoin 网络中的其他资助。但当我们深入观察时，这些也可能是 在新市场中得到良好支持的社区（在某一案例中是 中国）首次与 Gitcoin 的公共产品资金生态系统互动。

这些差异可以通过 BrightID 来进行 更清楚的区分，这是一个身份证明系统，用于在确认参与者后，在配对资金中提供奖金。BrightID 团队在引起这种特定模式的警觉方面应该得到认可，同时在确定与资助相关的独特身份方面的成果。考虑到 Gitcoin 特别为来自东亚的项目创建了 资金池，这显然是系统目标以吸引来自这些地区的更多用户。因此，尽管需要警惕合谋，但我们还需要确保任何检测算法不会调试得过于激烈，以免阻止新来者在未来的 Gitcoin Grants 轮次中参与。

解释与讨论

在我们上面的分析中，可以看到数据中发生的某些模式，这可以给我们提供在哪里挖掘更多信息的见解。在 DAppChaser 集群模式中，算法可能会标记潜在的合谋行为，但问题可能仅用算法无法解决。可能需要建立数据收集和社区治理工具，旨在决定如何围绕合谋行为制定政策，以及在合谋行为方面出现争议时，如何在逐个资助的基础上解释合谋政策。最终，我们关注的是 Gitcoin 的系统如何将关于这些行为的相关数据提高到系统的治理层，以便社区争议的解决。

虽然这一指纹可以作为潜在合谋行为的模式，但我们需要小心我们的算法不要天真，以免将新进入者混淆于一个合谋的社区，从而导致不公正的惩罚。如果我们的算法太激进，我们就有可能将新市场的参与者排斥在外，这对 Grants 生态系统的长期增长也不利。

结论

我们进行本次分析的目标并不是区分 Gitcoin 生态系统中“正确”和“错误”的政策选择，而是探索使用数据驱动分析的算法政策设计的主观选择。在上述讨论中，很明显没有一种客观的“正确政策”可以应对 Gitcoin Grants 资助配对中的所有挑战。因此，必须就 إيران租个到，发做什么样的折衷政策以保持由 Gitcoin 定义的公平，考虑其社区的规范和使用及其对逐步去中心化的愿望。这一分析希望可以清晰地关于这些平衡并为 Gitcoin 团队和社区提供在追求目标的政策选择中的决策支持。

我们赞扬 Gitcoin 在使用可以识别潜在合谋行为范围的标记算法，以合理地引导团队的关注，我们也期待着该算法能更进一步的调整。考虑到“合谋”在 Gitcoin Grants 中更偏向于一种光谱，而不是一个离散事件，因此强烈建议在合谋分析和决策时保留人的参与。

在处理主观性衡量像“公平”时，很少有确凿的答案，但我们可以提出一些非常好的问题，帮助我们聚焦我们认为在 Gitcoin Grants 系统中的剥削性行为，以便相应地做出政策选择：

1. 从更加自然的社区中，有多少资金分配到更合谋的贡献模式中？

2. 检查当前 Gitcoin Grant 政策，资助在每项政策下分别获得多少资金？ （已经在进行某些工作）

3. 什么是合谋的早期预警信号，如何将这些信号上升到系统的治理层？

鉴于解决这些公共产品资金问题的潜在好处，以及 Gitcoin Grants 数据集的创新性，我们渴望从这些数据中解开更多见解，以帮助在接下来的一年中构建出更能抵抗合谋的系统。

节日快乐！ 🎄🎅🎉

我们鼓励 Gitcoin 社区探索和实验 Gitcoin cadCAD 模型库，你可以访问本分析中探索的大部分数据。你甚至可以玩互动图表：

GitHub 仓库: https://github.com/gitcoinco/gitcoin_cadcad_model

敬请期待我们明年新的研究摘要：

Gitcoin: twitter.com/gitcoin

BlockScience: twitter.com/block_science

cadCAD: twitter.com/cadcad_org

感谢 Kevin Owocki 和 Frank Chen 的编辑和建议。

• 原文链接： medium.com/block-science...
• 登链社区 AI 助手，为大家转译优秀英文文章，如有翻译不通的地方，还请包涵～