24189

COM2 669

كارشناسي ارشد

مهندسي كامپيوتر - هوش مصنوعي و رباتيكز

مهندسي كامپيوتر

15/7/1403

134 ص.

احمدرضا نقش نيلچي

داده¬هاي زنجيره¬اي، , بلاكچين، , دسته‌بندي،

اين پژوهش، دسته‌بندي و تحليل داده‌هاي زنجيره اي، بر چهار هدف كليدي تمركز دارد. ابتدا، داده‌ها از اتريوم با استفاده از رابط هاي برنامه نويسي كاربردي و پايگاه‌هاي داده قابل اعتماد جمع‌آوري مي‌شوند و يك مجموعه داده جامع ايجاد مي‌شود كه تاريخچه تراكنش‌ها، موجودي كيف پول و معاملات صرافي‌هاي غير متمركز را دارد. دوم، معيارهاي آماري مانند آدرس‌هاي فعال، حجم تراكنش‌ها و تعداد تراكنش‌هاي روزانه براي سنجش فعاليت و سلامت شبكه محاسبه مي‌شوند. اين معيارها زمينه را براي تجزيه و تحليل رفتاري عميق‌تر فراهم مي‌كنند و روندهاي درون اكوسيستم اتريوم را در طول زمان منعكس مي‌كنند. سوم، الگوريتم‌هاي خوشه‌بندي براي شناسايي كيف پول‌هاي پرسود، كه اغلب به عنوان «پول هوشمند» شناخته مي‌شوند، استفاده مي‌شوند كه الگوهاي مرتبط با حركت قيمت و استراتژي‌هاي معاملاتي مؤثر را نشان مي‌دهند. هدف اين تحليل جداسازي اين كيف پول‌هاي تاثيرگذار و كشف رفتار آن‌ها است كه ممكن است روندهاي بازار گسترده‌تري را نشان دهد يا بينش استراتژيك ارائه دهد. در نهايت، داده‌هاي صرافي‌هاي غيرمتمركز به‌عنوان يك گراف مدل‌سازي مي‌شوند، سپس با استفاده از يك الگوريتم ژنتيك مسيرهاي آربيتراژ سودآور بين صرافي‌ها شناسايي مي‌شود. اين رويكرد تكاملي كاربرد تكنيك‌هاي بهينه‌سازي را در كشف مسيرهاي معاملاتي سودده در اكوسيستم اتريوم نشان مي‌دهد كه توانسته در مدت زمان 30 روز، با ميانگين روزانه 70 تراكنش موفق و 0.16 درصد سود به ازاي هرتراكنش، در مجموع در هر روز 5.6 درصد سود كسب كند. با تركيب تجزيه و تحليل آماري، خوشه‌بندي و تكنيك‌هاي بهينه‌سازي، اين پايان‌نامه به تجزيه و تحليل بلاكچين و تحقيقات برنامه‌هاي مالي غيرمتمركز كمك مي‌كند و يك چارچوب روش‌شناختي براي استخراج بينش از داده‌هاي زنجيره اي ارائه مي‌كند. اين يافته‌ها نه تنها درك ما از رفتار كاربر و پويايي بازار در اتريوم را بهبود مي‌بخشد، بلكه ابزارهاي كاربردي براي استفاده از داده‌هاي زنجيره اي در برنامه‌هاي مالي غيرمتمركز ارائه مي‌دهد.

1403/11/02

همدم نوروزي

On-Chain Data, , Blockchain, , Classification, , Clustering

Classification and Analysis of On-Chain Data

مهندسي هوش مصنوعي

This research on the Classification and Analysis of On-Chain Data focuses on four key objectives. First, data is gathered from Ethereum using reliable application programming interfaces and databases to build a comprehensive dataset that captures transaction histories, wallet balances, and decentralized exchange trades. Second, statistical metrics—such as active addresses, transaction volumes, and daily transaction counts—are calculated to gauge network activity and health. These metrics provide context for deeper behavioral analysis, reflecting trends within the Ethereum ecosystem over time. Third, clustering algorithms are applied to identify high-profit wallets, often referred to as "smart money," which exhibit patterns associated with price movement and effective trading strategies. By isolating these influential wallets, the analysis seeks to uncover wallet behaviors that may signal broader market trends or provide strategic insights. Finally, decentralized exchange data is modeled as a graph, with a genetic algorithm employed to identify profitable arbitrage paths between exchanges. This evolutionary approach demonstrates the application of optimization techniques in discovering profitable trading paths within the Ethereum ecosystem, yielding a total profit of 5.6% per day, with a daily average of 70 successful transactions and 0.16% profit per transaction over 30 days. By combining statistical analysis, clustering, and optimization techniques, this thesis contributes to blockchain analytics and decentralized finance research, providing a methodological framework for deriving insights from on-chain data. The findings not only enhance our understanding of user behavior and market dynamics on Ethereum but also offer practical tools for using on-chain data in decentralized finance applications.

5

118081