A cross-protocol dataset of blockchain oracle incentives and accountability
Dieses Paper führt einen umfassenden protokollübergreifenden Datensatz ein, der die ökonomischen Ergebnisse und Rechenschaftsdaten von Blockchain-Orakeln standardisiert und rekonstruiert, um vergleichende Forschung zu Anreizen, Streitbeilegung und finanzieller Rechenschaftspflicht über acht verschiedene Oracle-Zweige hinweg zu ermöglichen.
Originalarbeit lizenziert unter CC BY 4.0 (https://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
Stellen Sie sich eine Welt vor, in der Computerprogramme Entscheidungen basierend auf realen Ereignissen treffen können, wie etwa dem Preis einer Aktie oder dem Ausgang eines Sportspiels, aber die Computer selbst die Außenwelt nicht sehen können. Um diese Lücke zu schließen, fungiert ein spezielles System namens „Oracle“ als Bote, der Informationen aus der Außenwelt in das digitale Register bringt. Diese Boten sind nicht nur passive Rohre; sie werden von Menschen und Organisationen betrieben, die ihr eigenes Geld setzen, um die Richtigkeit der Information zu garantieren. Wenn sie lügen oder einen Fehler machen, verlieren sie ihr Geld. Wenn sie recht haben, verdienen sie eine Belohnung. Dieses System beruht auf Vertrauen, doch im digitalen Zeitalter muss Vertrauen auf verifizierbaren Beweisen und klaren Regeln darüber aufgebaut werden, wer bezahlt wird und wer bestraft wird.
Jahrelang wollten Forscher untersuchen, wie gut diese Systeme funktionieren, doch sie standen vor einem frustrierenden Problem. Die Aufzeichnungen dieser Transaktionen sind öffentlich, aber sie sind so geschrieben, dass es nahezu unmöglich ist, ein System mit einem anderen zu vergleichen. Eine Zahlung in einem System könnte wie eine Belohnung aussehen, während sie in einem anderen wie eine Rückzahlung einer Kaution erscheint. Eine Strafe könnte als ein Versprechen zur späteren Zahlung oder als ein sofortiger Verlust verbucht werden. Ohne eine Möglichkeit, diese verschiedenen Sprachen zu übersetzen, konnten Wissenschaftler die wahre wirtschaftliche Gesundheit dieser Netzwerke nicht messen und auch nicht verstehen, wie gut sie ihre Versprechen halten.
Ein Team von Forschern hat dieses Rätsel nun gelöst, indem es einen massiven, vereinheitlichten Datensatz erstellt hat, der die Aufzeichnungen von acht verschiedenen Oracle-Systemen in eine einzige, verständliche Sprache übersetzt. Sie haben nicht nur Daten gesammelt; sie haben die Geschichte jeder einzelnen Transaktion neu rekonstruiert und dabei sorgfältig zwischen Geld, das versprochen wurde, Geld, das tatsächlich verdient wurde, und Geld, das verloren ging, unterschieden. Ihre Arbeit umfasst über einhundert Millionen spezifische Beobachtungen der Rechenschaftspflicht und verfolgt den Weg von Milliarden von digitalen Vermögenswerten über fünf große und drei kleinere Systeme hinweg. Das Ergebnis ist eine klare Landkarte darüber, wie diese digitalen Boten agieren, die genau zeigt, wann sie belohnt, wann sie bestraft werden und wann das System schlichtweg nicht feststellen kann, was passiert ist.
Die Forscher konzentrierten sich auf acht verschiedene Zweige dieser Technologie, darunter fünf große Systeme, die komplexe Streitigkeiten handhaben, und drei weitere, die sich auf spezifische Teile des Prozesses konzentrieren. Sie sammelten Aufzeichnungen vom Beginn dieser Systeme bis zu einem spezifischen Stichtag Mitte 2026. Insgesamt organisierten sie mehr als einhundert Millionen typisierte Beobachtungen, also einzelne Datensätze eines Ereignisses, wie etwa einer Datenanforderung, eines Berichts eines Boten oder einer Abstimmung in einem Streitfall. Sie identifizierten zudem über zweiundzwanzig Millionen ökonomische Komponenten, also die spezifischen finanziellen Bestandteile dieser Ereignisse, wie etwa eine Belohnungsberechnung oder eine Strafbewertung. Entscheidend war, dass sie diese auf fast neunzehn Millionen Datensätze filterten, bei denen das Geld tatsächlich den Besitzer wechselte oder eine Strafe tatsächlich angewandt wurde, wodurch sie die theoretischen Versprechen von den realisierten Ergebnissen trennten.
Um diesen Berg an Daten zu bewältigen, mussten die Forscher wie forensische Buchhalter agieren. Sie erkannten, dass ein einfacher Geldtransfer auf einer Blockchain nicht immer einen Gewinn bedeutet. Manchmal ist ein Transfer lediglich die Rückgabe einer Kaution, und manchmal wird eine Strafe zwar berechnet, aber nie tatsächlich vollzogen. Die Forscher entwickelten einen schrittweisen Prozess, um das Leben jeder Transaktion zu rekonstruieren. Sie begannen damit, die rohen Code-Logs der verschiedenen Netzwerke zu lesen, und fügten dann die Sequenz der Ereignisse zusammen, um zu sehen, wie aus einer Informationsanforderung ein Bericht, ein Streitfall und schließlich eine Zahlung oder ein Verlust wurde. Dabei achteten sie genau auf die Regeln des jeweiligen Systems, um sicherzustellen, dass eine „Belohnung“ in einem System nicht mit einer „Gebühr“ in einem anderen verwechselt wird.
Eine der wichtigsten Entdeckungen ihrer Arbeit ist der Unterschied zwischen dem, was beansprucht wird, und dem, was real ist. In vielen dieser Systeme kann es vorkommen, dass ein Teilnehmer Anspruch auf eine Belohnung hat, das Geld aber dort liegen bleibt, ungesammelt, wenn er es nicht einfordert. Die Forscher stellten sicher, dass ihre Daten zwischen Geld, das lediglich geschuldet wurde, und Geld, das tatsächlich ausgezahlt wurde, unterschieden. Sie trennten auch die Rückzahlung des eigenen Kapitals eines Teilnehmers von seinem erzielten Gewinn. Diese Unterscheidung ist entscheidend, da sie das gesamte Bild davon verändert, wie viel diese Systeme tatsächlich kosten oder verdienen. In einem der von ihnen untersuchten Systeme fanden sie beispielsweise, dass 834 Streitfälle in früheren Versuchen falsch klassifiziert worden waren, wobei entweder eine Belohnung für einen Gewinner übersehen oder eine Strafe doppelt gezählt wurde. Durch die Korrektur dieser Fehler lieferten sie ein weitahe viel präzigeres Bild der finanziellen Realität.
Das Team überprüfte seine Arbeit auch streng, um deren Zuverlässigkeit sicherzustellen. Sie führten Tests durch, um zu prüfen, ob die Zahlen korrekt aufgehen, indem sie die erwarteten Auszahlungen mit dem tatsächlich bewegten Geld verglichen. In den Systemen, in denen sie den vollständigen Pfad einer Transaktion nachverfolgen konnten, stimmten die Zahlen perfekt überein. Sie erstellten zudem einen kleinen Satz von Testfällen, um zu sehen, ob ihre rekonstruierten Daten zukünftige Ergebnisse vorhersagen könnten, wie etwa, ob ein Streitfall gewonnen oder verloren wird. Ihre Daten schnitten besser ab als reines Raten, was zeigte, dass die von ihnen aufgedeckten Muster real und nützlich waren. Sie betonten jedoch vorsichtig, dass ihre Daten die Entscheidungen der Systeme selbst widerspiegeln und kein unabhängiger Test darüber sind, ob die Informationen in der realen Welt faktisch wahr sind.
Dieser Datensatz ist nicht bloß eine Liste von Zahlen; er ist ein Werkzeug, das es Forschern ermöglicht, neue Fragen darüber zu stellen, wie diese digitalen Ökonomien funktionieren. Er offenbart, dass die Systeme zwar darauf ausgelegt sind, fair zu sein, die Art und Weise, wie sie Geld erfassen, jedoch verwirrend und inkonsistent sein kann. Indem sie eine klare, standardisierte Sicht auf diese Prozesse bereitstellen, haben die Forscher die Tür für ein tieferes Verständnis darüber geöffnet, wie Vertrauen im digitalen Zeitalter aufrechterhalten wird. Sie haben gezeigt, dass die Technologie zwar komplex ist, die sie antreibenden wirtschaftlichen Anreize jedoch messbar und verstehbar sind, sofern man sich die Zeit nimmt, die verschiedenen Sprachen in eine gemeinsame Geschichte zu übersetzen. Die Arbeit behauptet nicht, jedes Problem gelöst oder jede verborgene Wahrheit gefunden zu haben, aber sie hat das erste zuverlässige Fundament geschaffen, um diese Systeme zu vergleichen und ihre wahre wirtschaftliche Auswirkung zu verstehen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.