Analyse dimensionnelle supérieure – Ethereum Blockchain Layer-1 | de Saketh Teki | Coinmons | juin 2022

Visualisation multidimensionnelle des blocs de données du réseau principal

Pes gens ont parcouru un long chemin depuis les peintures rupestres, les tablettes statistiques dessinées à la main et les cartes jusqu’à la visualisation de données interactive moderne. Les progrès ont été graduels et sont devenus exponentiels au cours des dernières décennies.
L’objectif initial était de communiquer ou de rendre quelque chose de complexe visuellement compréhensible d’une manière qui a plus de sens que des nombres et du texte aléatoires et cela sert toujours l’objectif. De nos jours, nous utilisons les infographies avancées en médecine, automobile, espace et avec le dernier métaverse, cela va au-delà de la folie. Mais, l’essentiel reste à comprendre quelque chose dans une perspective.

Nous avons vu dans l’analyse EIP-1559 (lien dans les références), comment les différentes caractéristiques ou caractéristiques du bloc miné en 1 et 2 dimensions déterminent comment un paramètre individuel change dans le temps, les moments où il se produit (fréquence) et son gamme et la distribution, essentiellement dans les voies statistiques fondamentales.
Maintenant, nous le prenons plus haut pour voir les choses sous différentes perspectives possibles. Il s’agit de voir différentes façons d’extraire des informations plutôt que de déterminer l’information elle-même.

Visualisation en 3D

3e dimension discrète ou catégorielle :

Les graphiques ci-dessus montrent la relation entre deux caractéristiques différenciées par le troisième facteur (qui est généralement catégorique avec des valeurs possibles limitées). Dans ce cas, j’ai utilisé le temps (année) comme 3ème dimension et nous avons pu voir la dispersion des données par rapport à 2021 et 2022, sur les données échantillonnées.

Dans ces quelques sous-parcelles, nous pouvions clairement voir la large diffusion des données sur la plage en 2021 et les données concentrées à un point spécifique rétréci en 2022. tandis que le reste semble se chevaucher avec les points de données communs.

3ème dimension continue :

Les projections classiques à 3 points (x, y, z) sur la longueur, la largeur et la profondeur nous donneraient une vue des trois caractéristiques les unes par rapport aux autres et les chances de déterminer des groupes de clusters augmenteraient probablement.

Il s’agit d’un nuage de points projeté en 3D avec Gaslimit, Gasfee et le nombre de transactions de blocs tracés pour l’ensemble des données échantillonnées. nous pouvons voir les grappes de données formées et la concentration de données autour de 3,00 de la limite de gaz. La vue diffère avec l’utilisation des mêmes paramètres dans différentes coordonnées, la perspective peut changer mais les faits seront toujours les mêmes pour un ensemble de données.

Ci-dessous, nous pouvons voir plusieurs nuages ​​de points avec différentes combinaisons possibles de fonctionnalités. Dans certains cas, nous avons pu sentir les limites que nous avons dans ces projections 3D, que nous ne pouvions pas estimer clairement les valeurs de l’axe z ou la hauteur par rapport à la base du graphique. Une solution pour cela serait une vue interactive.

L’autre façon serait d’utiliser le troisième paramètre comme taille de bulle. en faisant varier la taille en fonction des valeurs continues, l’échelle serait automatiquement ajustée pour les valeurs les plus élevées, mais les valeurs aberrantes extrêmes poseraient problème.
Il en va de même avec le graphique de densité, les points où nous avons des frais de gaz plus élevés ou du gaz utilisé seraient dans une teinte plus foncée et limiter les frais de base à se concentrer autour d’un seuil rendrait difficile la détermination des limites.

Visualisation en 4D

Pour introduire le paramètre suivant dans la vue, nous devons d’abord nous assurer de la nature de sa dispersion et de sa plage, cela dépend du type de données ainsi que des données continues et catégorielles. Sur la base de ceux-ci, nous pourrions en outre ajouter cette fonctionnalité comme dans la taille des bulles dans le nuage de points du tracé 3D, considérant que les valeurs sont très diverses, ce qui pourrait être facile à distinguer facilement.

C’est un nuage de points tridimensionnel de GasFee (en gwei), du gaz utilisé et de la limite de gaz (dans l’ordre trié inverse) sous forme de graphique cartésien x, y, z avec la taille du bloc (en Ko) comme 4ème dimension variant comme la taille des bulles tracées. Ici, les tailles des blocs minés sont discrètes et ont une taille minimale même avec zéro transaction, ce qui en fait une variable parfaite pour l’utiliser de cette manière.

En cas de valeurs possibles limitées (0 à 9 principalement) pour une caractéristique, elle serait facilement incluse sous forme de variable de teinte / couleur tandis que la valeur continue et plus numérique correspond à la taille de la bulle ou du marqueur que nous utilisons dans traçage.

Les graphiques ci-dessus sont un nuage de points bidimensionnel avec Gasused versus BurntFee (ETH) et la limite de gaz respectivement, la taille de bloc (KB) étant la 3ème dimension variant avec la taille de la bulle selon les valeurs de données. La quatrième dimension serait la répartition catégorique des nombres de transactions supérieurs à la moyenne et le reste, variant avec la teinte/couleur.
Les groupes de données peuvent être visualisés ici, ce qui peut encore être optimisé pour de meilleurs groupes avec des limites spécifiques.

Visualiser en 5D

La taille de bloc (KB) serait la 4ème dimension comme vous l’avez vu précédemment et la 5ème serait la valeur conditionnelle de GasUsed par rapport à la moyenne. Toutes les bulles de couleur bleue ont le GasUsed supérieur à la valeur moyenne, à partir de l’ensemble de données échantillonné à partir duquel il est calculé. nous pourrions aller encore plus haut pour 6D, mais le rendu de l’intrigue prend beaucoup de temps et une puissance de calcul plus élevée est nécessaire pour tracer toutes les 400 000 lignes de données de bloc avec de multiples fonctionnalités.

Bien que nous puissions voir des clusters se former, les informations sont assez génériques et attendues. Tout revient à utiliser judicieusement les paramètres de l’intrigue qui doivent être déterminés en fonction de la nature, du type et du format des données qui affectent directement la visualisation et donc l’aperçu visuel que vous en extrayez. Ce n’est que la pointe de l’iceberg et je viens d’utiliser des données échantillonnées pour visualiser les données et voir les modèles potentiels pour quelques paramètres déjà extraits.

Le cas d’utilisation de l’entreprise serait d’utiliser les informations des données pour se concentrer sur les utilisateurs/transactions des échanges DeFi/portefeuilles/jeux/contrats intelligents afin de déterminer les classes pour le marketing, l’optimisation des solutions, les initiatives de collecte de fonds, les prévisions de pool AMM, etc.

Comme nous pouvons le voir sur le marché avec toutes les nouvelles solutions à venir pour Ethereum, en particulier pour la mise à l’échelle – Rollups optimistes, sidechains, zk-rollups, sharding tech, canaux, etc. qui affectent considérablement les transactions et la sécurité d’Ethereum bien qu’ils soient largement utilisés aujourd’hui. Ce type d’analyse serait utile pour déterminer les performances ou l’efficacité de ces solutions et déterminer les points de référence ou peut être un cadre pour comparer divers traits afin de sélectionner la meilleure technologie possible en fonction du cas d’utilisation commerciale.