A Network Inefficiency Metric for Structural Stress Detection in Hedera Transactions

본 논문은 토폴로지적 변동성(예: 유효 지름과 근접 중심성)을 거시경제적 사건 및 생태계 역동성과 연결함으로써 탈중앙화 네트워크의 구조적 스트레스를 정량화하기 위해 6 년간의 헤데라 거래 데이터에 주성분 분석을 적용한 결정론적 '비효율성 지표'를 제시한다.

핵심

헤더 네트워크를 컴퓨터 프로그램이 아닌, 오직 돈만이 움직이는 거대하고 분주한 도시로 상상해 보세요. 이 도시에서 모든 사람이나 회사는 건물이고, 모든 거래는 한 건물에서 다른 건물로 주행하는 자동차입니다.

보통 우리가 도시의 혼잡도를 볼 때는 단순히 자동차의 수 (거래량) 만 세어 봅니다. 하지만 이 논문의 저자들은 자동차 수를 세는 것만으로는 도시가 실제로 잘 작동하는지 알 수 없다고 주장합니다. 수백만 대의 자동차가 있더라도, 만약 그 모든 차가 단일한 끝없는 교통 체증에 갇혀 있다면 그 시스템은 고장 난 것입니다.

이 논문은 헤더 도시의 "교통 스트레스"를 측정하는 새로운 방식을 소개하며, 이를 위해 비효율성 지표 (Inefficiency Metric) 라는 도구를 사용합니다. 그 작동 원리는 다음과 같이 간단히 설명됩니다:

1. 그들이 측정한 두 가지 주요 문제

도시의 건강 상태를 이해하기 위해 저자들은 두 가지 구체적인 사항을 살펴보았습니다:

• "우회" 문제 (유효 지름): 도시 한쪽에서 다른 쪽으로 소포를 보내야 한다고 상상해 보세요. 건강한 도시에서는 직접 고속도로를 이용할 수 있지만, 스트레스를 받는 도시에서는 그곳에 도달하기 위해 50 개의 다른 동네를 통과하며 운전해야 할 수도 있습니다. 저자들은 돈이 도시의 90% 에 도달하기 위해 평균적으로 몇 번의 "정거장"이나 "홉 (hop)"을 거쳐야 하는지 측정했습니다. 이 숫자가 커지면 도로가 길게 늘어났고 돈이 길고 비효율적인 우회를 하고 있다는 뜻입니다.
• "혼잡한 광장" 문제 (근접 중심성): 누구나 쉽게 서로 만날 수 있는 광장을 상상해 보세요. 건강한 네트워크에서는 돈이 어떤 목적지로든 빠르게 흐를 수 있습니다. 하지만 스트레스를 받는 네트워크에서는 그 "광장"이 막혀 돈이 시스템의 중심에 도달하기 어려워집니다. 저자들은 돈이 한 지점에서 나머지 네트워크로 얼마나 빠르게 퍼져나갈 수 있는지 측정했습니다.

2. "비효율성 점수"

저자들은 이 두 가지 측정을 비효율성 지표라는 단일 점수로 결합했습니다.

• 높은 점수 (나쁨): 이는 "우회"가 길고 "광장"이 막혀 있을 때 발생합니다. 이는 네트워크가 과도하게 늘어져 있고, 돈이 목적지에 도달하는 데 어려움을 겪고 있음을 의미합니다.
• 낮은 점수 (좋음): 이는 "우회"가 짧고 "광장"이 열려 있을 때 발생합니다. 이는 네트워크가 컴팩트하며 돈이 자유롭게 흐르고 있음을 의미합니다.

3. 왜 단순히 컴퓨터 AI 를 사용하지 않았을까요?

연구진들은 문제를 식별하기 위해 일곱 가지 요소를 한 번에 살펴보는 복잡한 컴퓨터 AI( "고립 숲 (Isolation Forest)"이라고 함) 를 사용해 보았습니다.

• AI 의 실수: AI 는 마치 모든 것에 대해 두려워하는 보안 요원 같았습니다. 이는 지갑을 재구성하는 한 사람이나 작은 지역 행사를 "위기"로 표시할 정도였습니다. 사소한 방해를 도시 전체의 붕괴와 구별하지 못했습니다.
• 새로운 지표의 성공: 저자들의 간단한 점수는 숙련된 교통 엔지니어와 같았습니다. 이는 작고 시끄러운 방해를 무시하고, 도시 전체의 교통 패턴이 실제로 무너졌을 때만 "경보"를 울렸습니다. 이 지표는 "도로"가 어떻게 변했는지 관찰함으로써 FTX 와 같은 대형 암호화폐 거래소의 붕괴나 새로운 금융 도구의 출시와 같은 주요 실제 사건들을 성공적으로 포착했습니다.

4. 데이터가 실제로 보여준 것

6 년간의 데이터를 분석함으로써 저자들은 스트레스에 대한 헤더 도시의 반응에서 두 가지 뚜렷한 패턴을 발견했습니다:

• "확장" 단계 (높은 비효율성): 대형 중앙화 은행이나 거래소 (FTX 나 Terra/LUNA 와 같은) 가 실패하면, 사람들은 당황하여 자산을 안전하게 지키기 위해 복잡하고 탈중앙화된 경로로 이동하려 합니다. 이는 네트워크를 길게 늘어뜨립니다. 돈은 훨씬 더 많은 정거장을 거쳐야 하며, 길고 엉킨 그물을 형성합니다. 비효율성 점수는 상승합니다.
• "압축" 단계 (낮은 비효율성): 시장이 무섭거나 은행과 같은 대형 기관이 개입할 때, everyone 은 같은 몇 개의 "안전 허브"(거대 중앙 거래소 등) 로 달려갑니다. 네트워크는 축소됩니다. 돈은 우회를 멈추고 중심을 향해 직행합니다. 비효율성 점수는 하락합니다.

결론

이 논문은 단순한 "자동차 수"를 무시하고 대신 도로의 모양을 측정함으로써 디지털 경제가 실제로 스트레스를 받고 있는지 알려주는 도구를 만들었다고 주장합니다.

• 점수가 높으면 네트워크는 늘어져 있고 분열되어 있습니다 (사람들이 중심에서 도망치고 있습니다).
• 점수가 낮으면 네트워크는 컴팩트하고 중앙화되어 있습니다 (사람들이 중심으로 달려가고 있습니다).

이 도구는 거래되는 돈의 양을 기반으로 추측하는 것이 아니라, 돈이 실제로 어떻게 움직이는지를 보여주는 네트워크의 "물리적" 현실을 파악하는 데 도움을 줍니다.

기술 요약

기술적 요약: 헤더라 거래에서 구조적 스트레스 감지를 위한 네트워크 비효율성 지표

문제 제기
헤더라와 같은 분산 원장 기술 (DLT) 은 방대하고 역동적인 거래 네트워크를 생성하며, 여기서 전통적인 금융 지표 (예: 거래량, 총 예치 가치, 시가총액) 는 근본적인 구조적 조직을 포착하지 못합니다. 이러한 표면적 지표는 종종 진정한 네트워크 유틸리티와 분리되어, 참여를 확대하지 않고 거래량을 인플레이션시키는 투기적 노이즈, 세탁 거래, 집중된 자본 이동에 취약하게 남아 있습니다. 또한, 머신러닝 모델은 고차원 데이터를 처리할 수 있지만, 봇 활동이나 지갑 재구성 같은 일시적인 미세 노이즈와 전 네트워크적 구조적 변화 사이를 구분하는 데 어려움을 겪습니다. 분산 거래 네트워크에 내재된 "구조적 스트레스", 특히 공간적 확장과 내부 접근성 간의 트레이드오프를 정량화할 수 있는 결정론적이고 해석 가능한 지표의 부재가 존재합니다.

방법론
저자들은 6 년간의 헤더라 거래 데이터를 분석하기 위해 물리학에서 영감을 받은 프레임워크를 제안하며, 주간 거래를 방향성 그래프 ($G(V, E)$) 로 모델링합니다. 방법론은 다음 단계를 거칩니다:

1. 위상적 특징 추출: 연구는 자본 라우팅을 특성화하기 위해 여러 위상적 지표를 평가합니다.

   • 유효 지름 ($D_{eff}$): 고립된 봇 체인과 같은 위상적 이상치에 대한 민감도를 피하기 위해 표준 지름 대신 최단 경로 거리의 90 백분위수로 선택됩니다.
   • 근접 중심성 ($\langle C \rangle$): 노드가 다른 노드에 도달할 수 있는 평균 능력을 측정하여 전역 라우팅 효율성을 평가합니다.
   • 보조 지표: 구조적 불평등을 위한 지니 계수 ($G$), 혼합 패턴을 위한 차수 상관성 ($r$), 평균 군집 계수 ($C_{av}$), 평균 차수 ($\langle k \rangle$), 네트워크 밀도 ($\rho$).

2. 차원 축소 및 변수 선택:

   • 주성분 분석 (PCA): 표준화된 시계열 데이터에 적용하여 지배적인 구조적 차원을 식별합니다. 분석 결과, $D_{eff}$와 $\langle C \rangle$는 밀도나 평균 차수와 같은 성장 기반 지표에 비해 largely 독립적인 구조적 차원을 나타내는 것으로 나타났습니다.
   • 피어슨 상관 분석: 선형 독립성을 검증하는 데 사용됩니다. 저자들은 $D_{eff}$가 지니 계수 ($r \approx -0.01$) 와 상관성 및 assortativity 와 거의 상관관계가 없음을 발견하여, 공간적 확장이 위계 구조와 독립적으로 작동함을 확인했습니다.

3. 비효율성 지표 ($I$):
   저자들은 거시적 라우팅 저하를 정량화하기 위한 결정론적이고 무차원적인 지표를 정의합니다:
   $$I(t) = \tilde{D}_{eff}(t) - \tilde{C}(t)$$
   여기서 $\tilde{D}_{eff}$와 $\tilde{C}$는 0 과 1 사이로 제한된 Min-Max 정규화 값입니다.

   • 높은 $I$ (+1): 네트워크가 최대한 확장되고 핵심 접근성이 낮은 심각한 위상적 혼잡을 나타냅니다 (공간적 확장 대 내부 도달성).
   • 낮은 $I$ (-1): 최적의 컴팩트하고 이동이 용이한 상태, 즉 네트워크 압축을 나타냅니다.

4. Isolation Forest 를 통한 검증:
   지표를 검증하기 위해 저자들은 1 차원 비효율성 점수를 7 차원 특징 공간에서 작동하는 비지도 Isolation Forest 모델과 비교합니다. Isolation Forest 는 사전 정의된 밀도 가정 없이 다차원 이상치를 탐지하기 위한 벤치마크 역할을 합니다.

주요 결과

• 지표 견고성: 표준 네트워크 지름 ($D$) 은 매우 변동성이 크고 사소한 거래 체인에 의해 인위적으로 인플레이션되기 쉬운 것으로 나타났습니다. 90 백분위수 유효 지름 ($D_{eff}$) 은 거시적 공간적 확장의 안정적인 측정을 제공합니다.
• 구조적 분리: PCA 와 상관 행렬은 네트워크 밀도 및 평균 차수와 같은 지표가 주로 구조적 스트레스가 아닌 자연스러운 네트워크 확장 (사용자 성장) 을 추적함을 확인했습니다. 반면, $D_{eff}$와 $\langle C \rangle$는 네트워크 확장과 라우팅 효율성 사이의 특정 긴장 관계를 포착합니다.
• 사건 상관관계:
  • 높은 비효율성 (높은 $I$): 중개자 분열 또는 급격한 스마트 계약 확장 기간 동안 관찰되었습니다. 구체적인 예로는 Terra/LUNA 와 FTX 붕괴가 있으며, 이 시기 사용자는 복잡한 분산 브리지를 통해 자금을 라우팅해야 하여 네트워크 위상이 확장되었습니다.
  • 낮은 비효율성 (낮은 $I$): 시장 스트레스 또는 기관 통합 기간 동안 관찰되었습니다. 예로는 "블랙 목요일" 폭락 (중앙화 회피) 과 현물 비트코인 ETF 도입 또는 네이티브 스테이킹이 있으며, 이 시기 활동은 몇몇 중앙 허브 주변으로 압축되었습니다.
• 검증 비교: Isolation Forest 는 22 개의 다차원 이상치를 식별했으나, 많은 경우 거시경제적 영향이 없는 미세 사건 (해커톤, 일상적 재균형 등) 에 해당했습니다. Isolation Forest 와 비효율성 지표가 일치한 7 개 기간은 보편적으로 인정받는 거시경제적 충격 (예: FTX 붕괴, ETF 출시) 에 해당했습니다. 이는 Isolation Forest 가 내생적 미세 노이즈에 과도하게 민감한 반면, 비효율성 지표는 이러한 노이즈를 성공적으로 필터링하여 진정한 구조적 변화를 격리함을 시사합니다.

의의 및 주장
본 논문은 분산 거래 네트워크의 대규모 조직과 관찰 가능한 경제 동역학을 연결하는 "물리학에서 영감을 받은 프레임워크"를 제공한다고 주장합니다. 주요 기여점은 다음과 같습니다:

1. 결정론적 지표: 거래량 기반 분석을 넘어 공간적 확장과 내부 접근성 간의 트레이드오프를 포착하는 단일 해석 가능한 지표인 비효율성 지표 ($I$) 의 도입.
2. 구조적 해석 가능성: "블랙박스" 머신러닝 모델과 달리, 이 지표는 분산 복잡성 (높은 $I$) 과 네트워크 압축 (낮은 $I$) 을 구분하는 명확한 구조적 해석을 제공합니다.
3. 노이즈 필터링: 연구는 지표를 특정 위상 차원 ($D_{eff}$ 및 $\langle C \rangle$) 으로 제한함으로써 고차원 이상치 탐지를 괴롭히는 일시적 미세 노이즈를 효과적으로 필터링하여 심각한 구조적 스트레스의 정확한 식별을 가능하게 함을 입증합니다.
4. 생태계 건강 모니터링: 이 프레임워크는 거시경제적 사건과 생태계 발전 (예: 기관 진입, 거래소 실패) 이 분산 경제의 라우팅 아키텍처를 근본적으로 어떻게 변화시키는지 추적할 수 있게 합니다.

저자들은 이 지표를 DLT 를 위한 구조적 지표로 채택하여, 실제 시장 동역학이 네트워크 위상을 어떻게 변화시키는지 평가하는 데이터 기반 렌즈를 제공할 수 있다고 결론지었습니다. 또한 향후 개발을 위해 다른 네트워크에서 이 지표를 테스트하는 것이 필수적인 단계라고 언급했습니다.