⚡ electrical engineering

Defining Decentralization: An Ontological Perspective

Diese Arbeit adressiert das „Dezentralisierungsproblem“, indem sie eine graphbasierte Ontologie einführt, die Dezentralisierung formal als eine relationale und subjektbezogene Eigenschaft definiert, die sich von bloßer Verteilung unterscheidet, begleitet von neuartigen Metriken und einem browserbasierten Werkzeug, um eine konsistente, domänenunabhängige Analyse heterogener Systeme wie Federated Learning und Blockchain zu ermöglichen.

Ursprüngliche Autoren: Jakub Kacper Szeląg, Aydin Abadi, Mohammad Naseri

Veröffentlicht 2026-08-11

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Jakub Kacper Szeląg, Aydin Abadi, Mohammad Naseri

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Die große Verwirrung um die Frage: „Wer hat das Sagen?“

Stellen Sie sich vor, Sie versuchen, eine Stadt zu beschreiben. Sie könnten sagen, sie sei „weitläufig“, weil die Häuser weit auseinanderliegen, oder Sie könnten sagen, sie sei „dezentralisiert“, weil kein einzelner Bürgermeister jede Straßenlaterne kontrolliert. In der Welt der Informatik werden diese beiden Begriffe – Distribution (Verteilung) und Dezentralisierung – seit Jahrzehnten verwechselt. Distribution ist wie eine Pizzabestellung: Die Beläge sind über die ganze Pizza verteilt, aber sie gehören alle zur selben Pizza. Dezentralisierung ist eher wie eine Nachbarschaft, in der jeder seinen eigenen Garten hat und keine einzelne Person die Schlüssel zu allen Toren hält.

Lange Zeit haben Wissenschaftler und Ingenieure diese Begriffe verwendet, um alles Mögliche zu bauen, von sicheren Internetnetzwerken bis hin zu künstlicher Intelligenz, die gemeinsam lernt. Aber hier liegt das Problem: Alle sind sich einig, dass „Dezentralisierung“ etwas Gutes ist, weil sie Systeme schwerer hackbar, privater und widerstandsfähiger macht. Doch niemand ist sich tatsächlich einig darüber, was sie ist. Ist ein System dezentralisiert, wenn die Daten auf vielen Computern liegen, selbst wenn ein „Chef-Computer“ ihnen allen sagt, was sie tun sollen? Oder muss es ein völliges Freispiel sein, bei dem niemand das Sagen hat? Diese Verwirrung ist wie der Versuch, ein Haus ohne Bauplan zu bauen; man landet vielleicht mit einer Struktur, die wie ein Zuhause aussieht, aber zusammenbricht, wenn der Wind weht. Während wir beginnen, klügere KI und komplexere digitale Netzwerke zu bauen, ist das Finden der exakten Definition von „dezentralisiert“ nicht nur ein Wortspiel – es ist der Unterschied zwischen einem System, das eine Krise übersteht, und einem, das in sich zusammenfällt.

Die große Idee des Papers: Eine Landkarte für das Chaos

Dieses Paper mit dem Titel „Defining Decentralization: An Ontological Perspective“ fungt wie ein Detektiv, der versucht, das Rätsel zu lösen, was „Dezentralisierung“ wirklich bedeutet. Die Autoren, Forscher der Newcastle University und Flower Labs, argumentieren, dass die aktuelle Art, wie wir über Dezentralisierung sprechen, chaotisch und oft falsch ist. Sie weisen darauf hin, dass Menschen oft Distribution (wo Dinge physisch platziert sind) mit Dezentralisierung (wie Dinge verbunden sind und wer sie kontrolliert) verwechseln.

Um dies zu korrigieren, erstellte das Team eine neue „Landkarte“, eine sogenannte Ontologie. Betrachten Sie eine Ontologie als ein superpräzises Wörterbuch, das nicht nur Wörter definiert, sondern auch erklärt, wie die Dinge, die diese Wörter beschreiben, in der realen Welt zusammenpassen. Anstatt einfach nur zu zählen, wie viele Computer in einem Netzwerk vorhanden sind (eine Methode, die das Paper als zu simpel bezeichnet), entwickelten sie ein System, das die Beziehungen zwischen den Teilen betrachtet. Sie behandeln ein Computersystem wie einen Graphen, bei dem Computer Punkte und die sie verbindenden Kabel Linien sind.

Die Hauptfeststellung des Papers ist, dass man nicht einfach sagen kann, ein ganzes System sei „dezentralisiert“ oder „zentralisiert“. Stattdessen kann ein System in einigen Aspekten dezentralisiert und in anderen zentralisiert sein. In einem populären Typ des KI-Trainings namens Federated Learning (Föderiertes Lernen) sind die Daten beispielsweise über viele Telefone verteilt (dezentralisiert), aber ein einzelner Server könnte immer noch derjenige sein, der ihnen allen sagt, was sie tun sollen (zentralisiert). Die neue Landkarte der Autoren kann diesen Unterschied erkennen. Sie beweisen, dass ein System teilweise dezentralisiert sein kann – was bedeutet, dass einige Teile frei sind und andere kontrolliert werden – anstatt eine „Ja oder Nein“-Antwort zu erzwingen.

Die neuen Werkzeuge: „Void Tolerance“ und „Imperviousness“

Um diese neue, komplexere Idee der Dezentralisierung zu messen, erfanden die Autoren zwei spielerische, aber leistungsstarke Werkzeuge: Void Tolerance (Leere-Toleranz) und Imperviousness (Unverwundbarkeit/Durchdringbarkeit).

Stellen Sie sich das Netzwerk wie ein Geflecht von Freunden vor, die sich Zettel zuwerfen.

Void Tolerance fragt: „Wenn ein Freund plötzlich verschwindet, hört dann die ganze Gruppe auf zu reden?“ Wenn die Gruppe in zwei isolierte Inseln zerfällt, weil eine Person gegangen ist, hat das System eine niedrige Void Tolerance. Wenn die Gruppe auch nach dem Weggang eines Mitglieds weiter chattet, hat sie eine hohe Void Tolerance. Dies misst, wie gut das System mit fehlenden Teilen zurechtkommt.
Imperviousness fragt: „Wie viele Telefonleitungen müssen wir kappen, um eine bestimmte Person daran zu hindern, mit der Gruppe zu sprechen?“ Wenn man nur ein Kabel kappen muss, um eine Person zum Schweigen zu bringen, ist sie nicht sehr geschützt. Wenn man ein Dutzend Kabel kappen muss, ist sie hochgradig impervious. Dies misst, wie schwer es ist, die Verbindungen des Systems zu unterbrechen.

Die Autoren testeten ihre Landkarte an zwei sehr unterschiedlichen realen Beispielen: Federated Learning (wo KI aus privaten Daten auf vielen Geräten lernt) und Blockchain (die Technologie hinter Kryptowährungen).

In ihren Simulationen zeigten sie, dass alte Wege, Dezentralisierung zu messen, dies oft falsch machten. Beispielsweise könnte ein Blockchain-Netzwerk deshalb als „dezentralisiert“ erscheinen, weil es viele Computer hat, aber wenn all diese Computer von einem einzigen Unternehmen kontrolliert werden, offenbart die neue Landkarte, dass es in Bezug auf die Kontrolle tatsächlich zentralisiert ist. Umgekehrt kann ein System aufgrund eines Chef-Computers als „zentralisiert“ gelten, aber wenn die Daten und das Training auf vielen verschiedenen Geräten stattfinden, zeigt die Landkarte, dass es in diesen spezifartigen Bereichen tatsächlich dezentralisiert ist.

Das Paper kommt zu dem Schluss, dass wir durch die Verwendung dieser neuen, graphbasierten Landkarte und dieser zwei neuen Metriken verschiedene Systeme endlich fair vergleichen können. Wir können sagen: „Dieses KI-System ist dezentralisierter in seiner Datenspeicherung, aber weniger dezentralisiert in seiner Entscheidungsfindung“, anstatt nur zu raten. Die Autoren bauten ein browserbasiertes Tool, mit dem jeder ein Netzwerk zeichnen und sofort diese Scores sehen kann, was beweist, dass ihre Definition über verschiedene Arten von Technologie hinweg funktioniert.

Was das Paper nicht behauptet

Es ist wichtig zu wissen, was dieses Paper nicht beansprucht. Die Autoren sind sich sehr bewusst, dass ihre Landkarte nur die Struktur der Verbindungen (den Graphen) betrachtet. Sie misst nicht, wie schnell das System ist, wie viel es kostet oder wie fair die Regeln sind. Sie geben auch zu, dass ihre neuen Werte für „Void Tolerance“ und „Imperviousness“ spezifische Formeln sind, die sie für diese Studie entwickelt haben; sie sind keine universellen Naturkonstanten wie die Schwerkraft. Das Paper legt nahe, dass diese Zahlen nützlich für den Vergleich sind, aber nicht die endgültige, perfekte Antwort auf jedes Problem darstellen. Sie merken auch an, dass ihre Definition nicht berücksichtigt, wem die Computer gehören (wie etwa, ob ein Unternehmen alle Server besitzt), sondern nur, wie die Computer miteinander verbunden sind.

Das Fazit

Kurz gesagt, dieses Paper legt nahe, dass wir aufhören müssen, „Dezentralisierung“ als einen einfachen Schalter zu betrachten, der entweder an oder aus ist. Stattdessen ist sie eine multidimensionale Eigenschaft, vergleichbar mit einer Farbe, die eine Mischung aus Rot und Blau sein kann. Durch die Verwendung einer neuen mathematischen Landkarte und zwei frischer Methoden zur Messung der Resilienz bieten die Autoren einen klareren, ehrlicheren Weg, um zu verstehen, wie unsere digitale Welt aufgebaut ist. Sie zeigen, dass ein System eine Mischung aus „bevormundend“ und „frei“ sein kann, und dass das Verständnis dieser Mischung der Schlüssel zum Bau besserer, sichererer Technologien für die Zukunft ist.

Technische Zusammenfassung: Definition der Dezentralisierung: Eine ontologische Perspektive

Problemstellung
Das Paper identifiziert eine kritische Lücke in der Informatikliteratur, die als „Dezentralisierungsproblem“ bezeichnet wird. Obwohl Dezentralisierung ein grundlegendes Konzept in der Sicherheit, dem verteilten Rechnen, der KI und dem IoT ist, gibt es keine universell akzeptierte, übertragbare Definition, die für verschiedene Kommunikationssysteme anwendbar ist. Die aktuelle Literatur leidet unter vier primären Problemen:

Definitionelle Ambiguität: Dezentralisierung wird oft durch Beispiele oder domänenspezifische Heuristiken (z. B. Blockchain) definiert, anstatt durch eine formale, kontextunabhängige Definition.
Konzeptionelle Verwirrung: Die Begriffe „Dezentralisierung“ und „Verteilung“ (Distribution) werden häufig verwechselt. Während die Verteilung die physische oder logische Platzierung von Komponenten betrifft, befasst sich die Dezentralisierung mit der relationalen Struktur und den Abhängigkeiten zwischen Entitäten.
Mangel an struktureller Formalismus: Bestehende Ansätze stützen sich oft auf knotenzentrierte Metriken (z. B. Teilnehmerzahlen, Konzentration des Eigentums), die die relationale Topologie und die Kommunikationspfade zwischen Entitäten ignorieren.
Fehlen einer übertragbaren Quantifizierung: Aktuelle Metriken sind typischerweise an spezifische Architekturen (wie Blockchain) gebunden und können heterogene Systeme (z. B. Federated Learning vs. Peer-to-Peer-Netzwerke) nicht konsistent vergleichen.

Diese Ambiguität führt zu inkonsistenter Systemanalyse, bei der identische Architekturen in einem Kontext (z. B. strukturelle Graph-Topologie) als „zentralisiert“ und in einem anderen (z. B. Datenlokalität) als „dezentralisiert“ bezeichnet werden können, was ein rigoroses formales Schließen und das Protokolldesign behindert.

Methodik
Die Autoren schlagen eine Lösung vor, die auf einer graphbasierten Ontologie basiert und Dezentralisierung als eine strukturelle, relationale und subjekt-spezifische Eigenschaft behandelt. Die Methodik gliedert sich in vier Schichten:

Ontologische Schicht: Das Framework etabliert eine formale Verpflichtung zum graph-theoretischen Realismus. Ein System wird als nicht-leerer Graph $G=(V, E)$ modelliert. Die Ontologie führt drei primitive Konzepte ein: System, Topologie und Subjekt (eine kontextrelative Projektion, wie z. B. Datenspeicherung oder Konsensautorität). Sie definiert Projektions-Partikularia, um ein System, eine Topologie und ein spezifisches Subjekt zu verknüpfen.
Logische Schicht: Unter Verwendung formaler Semantik und Deskriptionslogik definieren die Autoren Dezentralisierung basierend auf Multiplizität statt bloßer Platzierung.
- Dezentralisierung wird durch die Funktion $\delta(p_u)$ definiert, welche die Anzahl der unterschiedlichen Realisierungs-Partikularia für ein Subjekt $u$ darstellt. Wenn $\delta(p_u) > 1$ , ist das Subjekt dezentralisiert; wenn $\delta(p_u) = 1$ , ist es zentralisiert.
- Verteilung (Distribution) wird durch die Funktion $\lambda(p_u)$ definiert, welche die Anzahl der unterschiedlichen Vertizes darstellt, die diese Realisierungen unterstützen. Ein Subjekt ist verteilt, wenn $\lambda(p_u) > 1$ .
- Entscheidend ist, dass das Framework beweist, dass ein Subjekt dezentralisiert ( $\delta > 1$ ), aber undistributiert ( $\lambda = 1$ ) sein kann, wenn mehrere Realisierungen auf einem einzigen Vertex ko-lokalisiert sind, wodurch die beiden Konzepte formal getrennt werden.
Modellierungsschicht: Diese Schicht bildet die abstrakte Ontologie auf konkrete computergestützte Repräsentationen (z. B. Adjazenzmatrizen, Edgelisten) ab, was die Berechnung von Subjekt-Support-Sets und Realisierungszahlen ermöglicht.
Analytische Schicht: Um den Grad der Dezentralisierung über die binäre Klassifizierung hinaus zu quantifizieren, führen die Autoren zwei neuartige, subjekt-spezifische Metriken ein:
- Void-Toleranz ( $T_L$ ): Misst die vertex-fokussierte Resilienz, indem bewertet wird, wie viele Vertices entfernt werden müssten, um einen Teil des subjekt-induzierten Subgraphen zu isolieren.
- Imperviousness ( $I_L$ ): Misst die edge-fokussierte Resilienz, indem die minimale Anzahl an Kanten-Löschungen berechnet wird, die erforderlich sind, um einen subjekt-spezifischen Vertex zu isolieren.
- Diese Metriken erzeugen einen Dezentralisierungs-Vektor $\vec{d}_u = [T_L, I_L]$ für jedes Subjekt, was einen multidimensionalen Vergleich ermöglicht.

Wesentliche Beiträge

Formale Trennung von Konzepten: Das Paper liefert die erste rigorose semantische Unterscheidung zwischen Dezentralisierung (relationale Multiplizität) und Verteilung (räumliche Dispersion) und löst damit eine langjährige Ambiguität in der Literatur.
Graph-basierte Ontologie: Es führt eine domänenunabhängige Ontologie ein, die Dezentralisierung als eine strukturelle Eigenschaft interagierender computergestützter Entitäten definiert und so eine multidimensionale Evaluierung unterstützt (z. B. kann ein System hinsichtlich der Daten dezentralisiert, aber hinsichtlich der Aggregationsautorität zentralisiert sein).
Neuartige analytische Metriken: Die Einführung von Void-Toleranz und Imperviousness ermöglicht die Quantifizierung der strukturellen und funktionalen Resilienz und geht damit über skalare Maße wie den Nakamoto-Koeffizienten oder den Gini-Index hinaus.
Implementierung und Validierung: Das Framework ist als browserbasierte Anwendung implementiert, die interaktive Modellierung und automatisierte Klassifizierung unterstützt. Es wird an heterogenen realen Systemen validiert, spezifisch Federated Learning (Vergleich von Vanilla Star-Topologie vs. voll dezentraler Aggregation) und Blockchain-Architekturen (Vergleich von Permissioned-Setups mit unterschiedlichen Konsens- und Ledger-Replikationsstrategien).

Ergebnisse
Die Anwendung des Frameworks auf Federated Learning und Blockchain-Systeme zeigt:

Konsistenz: Die Ontologie erzeugt konsistente Klassifizierungen, wo bestehende Definitionen widersprüchliche Ergebnisse liefern. Beispielsweise identifiziert sie „Vanilla Federated Learning“ korrekt als teilweise dezentralisiert (dezentrale Daten/Training, zentralisierte Aggregation) statt voll dezentralisiert.
Granularität: Die vektorbasierten Metriken offenbaren strukturelle Schwachstellen, die skalare Metriken übersehen. Beispielsweise kann das Framework in einer Blockchain-Topologie zwischen einer zentralisierten Konsensautorität (einzelner Node) und einer dezentralisierten, aber strukturell fragilen Autorität (mehrere Nodes, aber hohe Konnektivitätsabhängigkeit) unterscheiden.
Übertragbarkeit: Derselbe topologische Graph kann je nach Art der Realisierung der Subjekte (z. B. Konsens, Ledger, Transaktionen) unterschiedliche Dezentralisierungsprofile ergeben, was beweist, dass Dezentralisierung eine Eigenschaft der Subjekt-Topologie-Beziehung ist und nicht nur der Graphstruktur selbst.

Bedeutung und Ansprüche
Das Paper beansprucht, eine domänenunabhängige Grundlage für die Analyse der Dezentralisierung zu liefern. Indem es Dezentralisierung als eine formale, relationale Eigenschaft und nicht als ein informelles oder anwendungsspezifisches Label behandelt, ermöglicht das Framework:

Vergleichbarkeit: Direkter Vergleich grundlegend verschiedener Architekturen (z. B. KI-Pipelines vs. Distributed Ledgers) unter Verwendung einer einheitlichen formalen Sprache.
Rigoroses Schließen: Die Fähigkeit, formale Schlüsse über Systemeigenschaften zu ziehen und zwischen struktureller Robustheit und bloßer Komponentendispersion zu unterscheiden.
Brückenschlag zwischen Formalität und Informalität: Die Ontologie schlägt die Brücke zwischen informaler Design-Intuition und formaler Verifikation, indem sie Analysten erlaubt, kontextabhängige Subjekte (z. B. „Datenschutz“) zu spezifizieren und gleichzeitig entscheidbare, formale Semantik beizubehalten.

Die Autoren positionieren diese Arbeit nicht als eine endgültige, unveränderliche Wahrheit, sondern als einen notwendigen Schritt, um das „kollektive Amnesie-Phänomen“ bezüglich des relationalen Aspekts der Dezentralisierung in der modernen Literatur zu korrigieren, die seit dem Aufstieg der Blockchain weitgehend zur knotenzentrierten Analyse zurückgekehrt ist. Das Framework erkennt Einschränkungen an, wie etwa den Fokus auf strukturelle Schnappschüsse statt dynamischen Verhaltens und den Ausschluss sozioökonomischer Faktoren wie des Eigentums, behauptet jedoch, dass es erfolgreich eine übertragbare, formale Basis für das Konzept etabliert hat.