如何减少Gitcoin资助生态系统中掠夺行为？看看基于网络科学的“指纹”的效用

原标题：《深度：社区共谋还是新兴市场？——基于网络科学的“指纹”在 Gitcoin 资助中的应用》》

本文由 Danilo Lessa Bernardineli、Michael Zargham 和 Jeff Emmett 撰写，首发 BlockScience，授权 DAppChaser 发布，中文版本由 Lucas 和 Erica 翻译，如需转载，请事先联系。

BlockScience 是一家专注于复杂网络设计和分析的工程研发公司。

Gitcoin GR9 在近期圆满落幕，以190万美元的募资额打破记录，创造新的历史。

然而，不少人捐赠的目的只是为了所谓的空投，一些用户甚至采取了用机器人刷量的 Sybil 攻击。为此，Gitcoin 在近日上线了治理论坛，希望和关心二次融资未来的人一同探讨未来的资助形式，如何防止社区欺诈行为。

作为一家严肃的区块链研发的机构，BlockScience 曾对多轮 Grants 提供过专业分析，本文就是他们针对 GR8 的数据分析。

如您对于这一话题感兴趣，愿意深入了解，甚至发挥专业特长参与到其中，可以参考 BlockScience 发布的 Gitcoin Modelling Co-Lab TL 。

如果你不明白什么是二次融资，可以先阅读《进阶级科普：浅谈 Gitcoin 和 clr.fund 背后的二次融资机制》 。（Erica）

BlockScience 对Gitcoin Grants生态系统进行了持续的分析，在上一篇文章中，我们简要介绍了二次融资（Quadratic Funding），以及这种资源分配政策在为社区补助提供公平的资金分配方面所面临的挑战。本文中，我们将深入使用 cadCAD 来识别潜在的共谋或欺诈行为的具体实例，并讨论旨在减少 Gitcoin 资助生态系统中掠夺行为政策的后果。

（整个Gitcoin Grants 8 的网络，受资助方表示为蓝色节点，贡献者表示为橙色节点，捐赠表示为它们之间的连接。）

作为一个致力于 #OpenScience 的研究机构，我们打算以严谨的态度对待 Gitcoin Grants 生态系统的数据分析，并在工作中向我们的观众展示结果。出于这个原因，你会注意到，本文遵循以下格式——

在我们展开深入研究之前，另一个需要确定的要点是 “共谋”和 “欺诈”的定义，因为这也是 Gitcoin 团队在确保公益融资平台公平透明的首要关注点之一。根据Vitalik、Weyl和 Hitzig 关于 CLR 的学术论文，“共谋” 的定义是 “多个代理人为了共同的利益而损害其他参与者的利益”（multiple agents acting in their mutual interest to the detriment of other participants），而“欺诈”的定义是“一个公民将自己谎称为许多人”（ a single citizen misrepresenting herself as many ）。这些定义在分析上有点棘手，因为由于每轮补助金的饱和效应，会让 Gitcoin 补助金系统中几乎所有社区层面的动员都如同共谋一样，因为在共享有限的赞助资金池时，一个社区的任何收益都会对其他社区造成减益影响。另外，维基百科将“共谋”定义为“秘密或非法的合作或阴谋，特别是为了欺骗或欺骗他人”（secret or illegal cooperation or conspiracy, especially in order to cheat or deceive others ），这种说法符合我们的目的，因为它允许我们在分析中解释意图。

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。

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。

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。

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。

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。

Fluid 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）。

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。

这?里?仍?是?整?个? ?G?i?t?c?o?i?n ?G?r?a?n?ts?第?8?轮?网?络?，?这?次?是?由?5?个?独?立的社?区?子?图?着?色?的?，?下?面?会?进?一?步?探?讨?。

在这次分析中，我们使用的是 Gitcoin Grants 第8轮捐赠数据（这是匹配之前的，因为这并不影响 Gitcoin Grants 网络结构的形状）。我们将把这些数据输入到Gitcoin cadCAD 模型中进行数据分析。通过这个模型，我们能够近似地计算出最终的匹配情况，根据Gitcoin团队的任何用来减轻攻击的干预措施都有效。

使用cadCAD模型，我们生成一个图来表示 Gitcoin Grants 贡献网络中赠款和捐赠者之间的相互联系。为此，我们将 Fluid Community 算法应用到 NetworkX Graph 对象中，NetworkX Graph 对象返回给我们一个检测到的社区列表。这些社区由捐赠者和贡献者两个节点组成，贡献流是他们之间的边界。

然后，我们将带有三个不同的受资助社区的子图可视化：cadCAD 子图、MetaGame 子图和 DAppChaser 子图。

下面可以看到 Gitcoin Grant 合作子图的可视化。解读图时，捐赠者用蓝色节点表示，贡献者用橙色节点表示。所有捐赠者的总贡献决定了捐赠节点的大小 ，而贡献者节点的大小则由他们对所有捐赠者的贡献量决定。节点之间的网络连接表示从捐款人流向赠款人的捐款。

深入挖掘数据，我们选择分析三个（众多）不同的社区 "指纹"，以更好地了解不同群体的互动模式，以及如何识别 Gitcoin Grants 中的共谋或不公平行为。"cadCAD"和 "Metagame"被选为我们社区的分析重点，这些社区我们有第一手经验，以便于提高我们用社会背景解释数据的能力。通过这种分析，DappChaser 是一个新出现的有趣模式。

这个子图有一个有机的外观，围绕着 cadCAD 相关捐赠者的生态系统有一个紧密的合作群，再加上与生态系统上的几个项目有连接。

cadCAD 受资助方的邻近社区子图，蓝色为受资助方 ，橙色为贡献者。

关于 cadCAD 子图的一些统计。受资助方总数：110伙伴总数：888子图内美元总价值：41,047.76美元本子图中的前5名捐赠者：

这一子图同样表现出一种有机的结构，虽然比较分散，拥有很多协作连接，但没有密集的聚类。

MetaGame 受资助方的邻近社区子图，蓝色为受资助方 ，橙色为贡献者。

关于 MetaGame 子图的一些统计。受资助方总数：171伙伴总数：825子图内美元总价值：14,859.97 美元本子图中的前5名捐赠者：

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

与其他子图相比，这个网络邻居看起来有些不同。该网络看起来并不像我们之前的例子那样有机，而且这个生态系统中的捐助者和其他 Gitcoin 捐赠者之间几乎没有连接性，这表明这是一个合作较少的生态系统。

DAppChaser 捐赠者邻近社区的子图，蓝色为受资助方，橙色为贡献者。

关于DappChaser子图的一些统计数据。受资助方总数：85伙伴总数： 966子图内的美元总价值：26,243.74美元本子图中的前5名捐赠者：

乍一看，这个子图谱可以提供一些可能暗示共谋或欺诈行为的指纹模式——个人捐赠者的大量捐赠，与 Gitcoin 网络中的其他捐赠者联系非常少。但当我们看得更深一些时，这些也可能是新市场（中国作为一个案例）中支持良好的社区，它们只是第一次与 Gitcoin 的公开资助生态系统互动。

这些差异化可以更加清晰，这要归功于 BrightID，它是一个身份证明系统，当合作者被唯一识别时，就会提供配套资金的奖励。BrightID 团队在举起这个特殊模式的旗帜，以及在确定与捐赠者相关的唯一身份验证方面的工作值得称赞。鉴于Gitcoin 专门为来自东亚的项目创建了一个捐赠者池，显然，吸引更多来自这些地方的用户是一个系统目标。因此，在我们需要警惕共谋的同时，我们也需要确保任何检测算法不会调整得过于激进，以致于排斥不同市场的新人加入到未来的Gitcoin Grants中。

在上面的分析中，我们可以看到数据中发生的某些模式，可以让我们了解到在哪里可以挖掘更多的信息。在 DAppChaser 集群模式中，算法可以标记出潜在的共谋行为，但这个问题可能不是单靠算法就能解决的。可能需要建立数据收集和社区治理工具，旨在决定如何围绕共谋行为制定政策，以及在共谋行为发生争议时，如何逐一对捐赠者解释共谋政策。最终，我们感兴趣的是，Gitcoin 的系统如何将这些行为的相关数据提升到系统的治理层，用于解决社区纠纷。

虽然这个指纹可以作为潜在的共谋行为的模式，但我们需要注意的是，我们的算法不要太天真，不要把新加入的人和共谋者的社区混为一谈，导致不公正的惩罚。如果我们的算法过于激进，我们就有可能将新市场的进入者排除在外，这对 Grants 生态系统的长期发展也是不健康的。

我们进行这一分析的目的并不是要区分 Gitcoin 生态系统中政策选择的“对”与 “错”，而是利用数据驱动的分析来探讨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，没有一个客观的 “正确政策”可以解决 Gitcoin Grant 匹配中的所有挑战。因此，在考虑到其社区的规范和使用情况，以及对渐进式去中心化的渴望的情况下，应该做出怎样的权衡来维护 Gitcoin 所定义的公平性，必须有主观的选择。这篇分析希望能让这些权衡变得清晰，为 Gitcoin 团队和社区的政策选择提供决策支持，以实现目标。

我们赞扬 Gitcoin 使用了一个标志算法，它可以识别潜在的共谋行为的范围，以适当地引导团队的注意力，并且我们对如何进一步微调该算法感兴趣。鉴于 “共谋”在 Gitcoin Grants 中更多的是一个范围类别，而不是一个离散的事件，因此建议人们在共谋分析和决策中循环。

虽然在处理 "公平性 "这样的主观衡量标准时，几乎没有什么标准答案，但我们可以提出一些非常好的问题来帮助我们磨合 Gitcoin Grants 系统中我们认为的掠夺行为，以帮助做出相应的政策选择：

考虑到解决这些问题对公益事业的资金支持的上升空间，以及 Gitcoin Grants 数据集的新颖性，我们非常希望从这些数据中解读出更多的见解，以帮助在明年建立更多的抵抗共谋系统。

—-

编译者/作者：DAppChaser

玩币族申明：玩币族作为开放的资讯翻译/分享平台，所提供的所有资讯仅代表作者个人观点，与玩币族平台立场无关，且不构成任何投资理财建议。文章版权归原作者所有。