燕云鴻，錢曉東

(蘭州交通大學(xué)經(jīng)濟(jì)管理學(xué)院，甘肅 蘭州730070)

1 引言

傳統(tǒng)電子商務(wù)一般由第三方提供交易平臺，這種平臺交易模式容易導(dǎo)致歷史數(shù)據(jù)虛假、商品質(zhì)量低劣，對于商家研究消費者行為特性，對消費者進(jìn)行社區(qū)劃分、制定合理有效的市場營銷策略造成很大困擾。在區(qū)塊鏈環(huán)境下，由于共識機(jī)制與智能合約的存在，陌生消費者對彼此的行為是信任的，這樣有交易需求的雙方或者有相似興趣愛好的消費者相互建立聯(lián)系就更為容易。消費者網(wǎng)絡(luò)社團(tuán)成員之間、社團(tuán)成員與社團(tuán)之間，通過執(zhí)行智能合約規(guī)則的Agent來對社團(tuán)組織進(jìn)行交互選擇管理，可改變目前存在的社團(tuán)成員管理混亂、成員劃分不明確等問題，進(jìn)而提高在市場營銷中消費者的識別水平，增加商家商品銷量。

2 國內(nèi)外相關(guān)研究綜述

在傳統(tǒng)大數(shù)據(jù)環(huán)境下，關(guān)于復(fù)雜網(wǎng)絡(luò)增長機(jī)制的研究已經(jīng)有了不少成果。

在虛擬網(wǎng)絡(luò)方面，針對萬維網(wǎng)和社會、商業(yè)網(wǎng)絡(luò)都具有復(fù)雜網(wǎng)絡(luò)無標(biāo)度特性，Barabási等[1]提出平均場理論，以此來預(yù)測無標(biāo)度網(wǎng)絡(luò)節(jié)點的增長規(guī)律；Barabási等[2]隨后又根據(jù)萬維網(wǎng)網(wǎng)絡(luò)結(jié)構(gòu)特性提出BA(Barabási-Albertmodel)無標(biāo)度網(wǎng)絡(luò)模型，實現(xiàn)全球網(wǎng)絡(luò)自組織管理。針對全局信息獲取受限問題，Li等[3]提出基于局域世界演化的增長模型，認(rèn)為該模型的度分布介于冪率分布和指數(shù)分布之間；周健等[4]在原始加權(quán)無標(biāo)度網(wǎng)絡(luò)BBV(由Barrat、Barthélemy 和 Vespignani 提出，故簡稱BBV )模型和局域世界模型基礎(chǔ)上，提出具有局域世界演化的BBV模型，通過合理控制參數(shù)，構(gòu)造出符合現(xiàn)實世界的網(wǎng)絡(luò)模型。

在現(xiàn)實網(wǎng)絡(luò)方面，針對社交網(wǎng)絡(luò)SNS(Social Networking Sites)的特殊增長與傳播機(jī)制，錢大千等[5]提出二步式增長模型，得出該模型具有冪律分布、平均距離小和集聚系數(shù)高的特點；方勁皓等[6]基于用戶連接強(qiáng)度和鄰居節(jié)點的影響對傳統(tǒng)流行病動力學(xué)SIR(Susceptible Infected Removed)模型進(jìn)行改進(jìn)，引入節(jié)點接觸狀態(tài)，構(gòu)建出基于SCIR(Susceptible Contacted Infected Removed)的微博網(wǎng)絡(luò)輿情話題傳播模型，使得網(wǎng)絡(luò)增長與節(jié)點信息的傳播更加接近真實的社交網(wǎng)絡(luò)。針對傳統(tǒng)大數(shù)據(jù)環(huán)境下電子商務(wù)消費者的趨同行為，李想等[7]在BBV模型的基礎(chǔ)上，提出了部分隨機(jī)、部分擇優(yōu)的消費者-商品二分網(wǎng)絡(luò)增長模型。Ranganthan等[8]認(rèn)為區(qū)塊鏈技術(shù)可以取代中間商，實現(xiàn)服務(wù)自動化，交易過程由智能合約與共識機(jī)制進(jìn)行控制，每個用戶只保留半匿名昵稱。Bajoudah等[9]構(gòu)建了一個實時物聯(lián)網(wǎng)數(shù)據(jù)分散市場，交易者之間無需事先信任，市場進(jìn)入門檻低，用集體驗證機(jī)制取代中間商，以此實現(xiàn)自動執(zhí)行電子商務(wù)治理規(guī)則。Veloso等[10]針對旅游眾包平臺上消費者信任問題，提出區(qū)塊鏈技術(shù)支持的聲譽系統(tǒng)，對消費者評論質(zhì)量進(jìn)行評估，給消費者以及潛在用戶提供可靠的旅游服務(wù)信息。張衍斌[11]介紹了區(qū)塊鏈核心技術(shù)在現(xiàn)有電子商務(wù)模式下的創(chuàng)新應(yīng)用，并探討了去中心化的電子商務(wù)新模式。

綜上，關(guān)于區(qū)塊鏈電商消費者網(wǎng)絡(luò)增長機(jī)制與行為特性方面的相關(guān)研究目前尚不多見，而研究區(qū)塊鏈環(huán)境下消費者網(wǎng)絡(luò)增長模型和特性對于市場營銷客戶細(xì)分具有重要的意義。故本文在相關(guān)研究的基礎(chǔ)上，針對區(qū)塊鏈電商消費者網(wǎng)絡(luò)去中心化、消費行為匿名可信的特點，結(jié)合復(fù)雜網(wǎng)絡(luò)的相關(guān)理論成果與區(qū)塊鏈電商相關(guān)研究內(nèi)容，提出基于共識機(jī)制與智能合約的消費者網(wǎng)絡(luò)多子群混合擇優(yōu)增長模型，以期得到區(qū)塊鏈環(huán)境下電商消費者網(wǎng)絡(luò)的復(fù)雜網(wǎng)絡(luò)相關(guān)特性。

3 基于聲譽的有限信任共識機(jī)制構(gòu)建

已有研究表明，消費者是有限理性的，在區(qū)塊鏈電商環(huán)境下，消費者對交易雙方也是有限信任，而不是完全信任的。因此，本節(jié)提出基于聲譽的有限信任共識機(jī)制。

3.1 傳統(tǒng)P2P社區(qū)信任衡量指標(biāo)公式

一般來說，P2P社區(qū)衡量消費者交易雙方的信譽度從5個方面來考慮：(1)其他消費者對賣方的滿意度；(2)反饋范圍，即該賣方與社區(qū)中其他消費者的交易數(shù)量；(3)反饋來源可信度因素；(4)關(guān)鍵和非關(guān)鍵交易背景因素；(5)社區(qū)相關(guān)特征和脆弱性的背景因素。

令I(lǐng)(u)表示在給定時間段內(nèi)，賣方u與其他消費者進(jìn)行的交易總量，p(u,i)表示賣方u在第i筆交易中與之交易的買方，S(u,i)表示賣方u在第i筆交易中收到滿意反饋的買方p(u,i)的歸一化數(shù)量，Cr(p(u,i))表示由買方p(u,i)提交的反饋的可信度，TF(u,i)表示在自主交易中賣方u第i筆交易的背景因素，CF(u)表示在給定時間段賣方u所在交易社區(qū)的背景因素。該時間段賣方u的信譽度表示為T(u)，其表達(dá)式如式(1)所示：

β*CF(u)

(1)

式(1)由2部分組成:右側(cè)第1部分是賣方u在每筆交易中獲得的信譽度的平均值；右側(cè)第2部分作為一個調(diào)整項，其根據(jù)社區(qū)特性對信譽度的第1部分進(jìn)行調(diào)整。α和β分別表示這2部分的歸一化權(quán)重因子。

3.2 改進(jìn)的基于聲譽的有限信任共識機(jī)制

本節(jié)對傳統(tǒng)信任衡量指標(biāo)進(jìn)行改進(jìn)，引入具有區(qū)塊鏈技術(shù)特性的時間戳因素和積分激勵因素，提出基于聲譽的有限信任共識機(jī)制，使該模型更適用于區(qū)塊鏈電商環(huán)境。

3.2.1 增加時間戳因素

本文考慮將消費者的交易歷史通過分配適當(dāng)?shù)臋?quán)重，將時間戳因素加入到消費者有限信任共識機(jī)制標(biāo)準(zhǔn)量化公式的衡量指標(biāo)中。令I(lǐng)h(u)表示交易中賣方u的歷史交易總數(shù)，則得到如式(2)所示的自適應(yīng)信譽度：

(2)

3.2.2 增加激勵因素

聲譽系統(tǒng)中存在的激勵問題可以通過將社區(qū)背景因子加入到有限信任共識機(jī)制量化公式中解決，即對于每一個提供反饋的消費者獎勵一定額度的信譽度。社區(qū)背景因子為在給定時間段內(nèi)交易者給他人的反饋總數(shù)與其所有交易歷史中給出的反饋總數(shù)的比率，用F(u)表示，若不考慮交易背景因素TF(u,i)，則得到如式(3)所示的信譽度：

(3)

3.2.3 有限信任共識機(jī)制最終表達(dá)式

結(jié)合前述時間戳與積分激勵2種因素，得出最終的有限信任共識機(jī)制信譽度表達(dá)式為：

(4)

3.3 有限信任共識機(jī)制分析

3.3.1 有限信任共識機(jī)制信譽度評判標(biāo)準(zhǔn)

在一次交易中，消費者w可以通過計算其與賣方u的信任關(guān)系值，以確定是否與u進(jìn)行下一次交易。該信譽度T(u)表示每個交易者考慮在特定情況下其決定在多大程度上信任賣方u。由于在相同的價格上，消費者會有不同的心理價位，因此交易的一方w與另一方u構(gòu)成交易行為的簡單決策規(guī)則可以表示為：

ifT(u)>Tthreshold(w),then trustu

(5)

其中，Tthreshold(w)為交易方w信任其他交易者的閾值,決定該閾值的因素包括：消費者w愿意信任對方的程度大小和潛在交易的背景因素。

3.3.2 有限信任共識機(jī)制準(zhǔn)確性分析

本文依托Python仿真模擬平臺，對消費者行為進(jìn)行模擬，設(shè)定初始網(wǎng)絡(luò)社區(qū)成員數(shù)為N=150，消費者與其他交易者隨機(jī)選擇交易，在交易完成后消費者對交易方中的賣家進(jìn)行評價，其中的惡意評價行為可視為復(fù)雜網(wǎng)絡(luò)傳染病模型中的感染節(jié)點，這種評價(感染)中引入惡意評價因子M，設(shè)k為社區(qū)中信譽度低的交易者所占百分比，mrate為一個不可靠交易者采取惡意行為的概率，則M=k*mrate,設(shè)置初始惡意行為因素概率為mrate=1/4,通過改變惡意行為因素概率來觀察有限信任共識機(jī)制對于衡量消費者信譽度的準(zhǔn)確性(可視為網(wǎng)絡(luò)的抗干擾能力)。最終得出如圖1所示的結(jié)果。

Figure 1 Accuracy results of trust evaluation圖1 信任評價準(zhǔn)確性結(jié)果

當(dāng)惡意行為因素概率較低時，信任評價準(zhǔn)確性較高，當(dāng)惡意行為因素概率增加到0.19時，準(zhǔn)確性最低，之后隨著惡意行為因素概率增加，信任評價準(zhǔn)確性提高，系統(tǒng)對于惡意行為根據(jù)前述5種因素進(jìn)行共識判定，使得信任評價結(jié)果更為準(zhǔn)確，該網(wǎng)絡(luò)的抗干擾能力也隨之增強(qiáng)。

3.4 基于聲譽的有限信任共識機(jī)制執(zhí)行過程構(gòu)建

區(qū)塊鏈電商環(huán)境下消費者之間基于聲譽的有限信任共識機(jī)制執(zhí)行過程如圖2所示。

Figure 2 Framework of the implementation process of a reputation-based limited trust consensus mechanism圖2 基于聲譽的有限信任共識機(jī)制執(zhí)行過程框架

買方w瀏覽商品，確定所需商品S，之后選擇賣方u，此時共識機(jī)制對賣方信譽度T(u)進(jìn)行判定，若符合買方閾值，則買方w選擇與其交易，否則重新選擇賣方u，直到符合交易條件。雙方進(jìn)行交易需要消費者w準(zhǔn)備關(guān)于商品S的貨款P，準(zhǔn)備提交貨款，之后完成貨款轉(zhuǎn)賬，完成商品購買，二者簽訂交易憑證并提交，交易完成后，確定是否真實具有該憑證，如果滿足條件則可對商品進(jìn)行意見反饋，最后由共識機(jī)制重新計算雙方信譽度并反饋給交易雙方，否則直接結(jié)束交易。

在此模型中，在每一次交易結(jié)束時，將信譽度分?jǐn)?shù)分配給參與的每一對w和u，參與者可使用信譽度分?jǐn)?shù)來評估與不受信任的參與者達(dá)成協(xié)議的風(fēng)險，決定之后是否與其進(jìn)行長久交易。

4 基于去中心化特性的電商消費者與社團(tuán)的交互選擇機(jī)制構(gòu)建

傳統(tǒng)大數(shù)據(jù)環(huán)境下，大部分學(xué)者研究的方向均為社群中個體之間的交互，鄭君君等[12]從社會系統(tǒng)復(fù)雜性的角度研究，認(rèn)為不同個體之間的相互作用最終會涌現(xiàn)出群體行為，而群體反過來作為一種環(huán)境會影響個體。梁孟華[13]探討了檔案虛擬社區(qū)用戶不同群體之間的交互行為特點，以為用戶提供個性化服務(wù)。吳江等[14]對在線醫(yī)療社區(qū)用戶個體之間的交互行為進(jìn)行研究，以期提升社區(qū)活躍度。錢曉東等[15]基于復(fù)雜網(wǎng)絡(luò)理論對電商用戶重疊社區(qū)復(fù)合類型進(jìn)行識別研究，為商家個性化營銷提供了真實可靠的數(shù)據(jù)支撐。

區(qū)塊鏈環(huán)境下消費者行為發(fā)生根本性變化，故本部分提出基于去中心化特性的消費者個體與網(wǎng)絡(luò)社團(tuán)之間的交互選擇機(jī)制，將社團(tuán)吸引力作為社團(tuán)與消費者交互選擇的衡量指標(biāo)，對傳統(tǒng)非數(shù)值指標(biāo)進(jìn)行量化，實現(xiàn)消費者與社團(tuán)良性增長。

4.1 消費者個體選擇消費者社團(tuán)

區(qū)塊鏈環(huán)境下，電商消費者網(wǎng)絡(luò)演化的初始時刻為t0，在t0與t1時刻之間，網(wǎng)絡(luò)節(jié)點按照隨機(jī)連接模式增加，每個時刻增加1個節(jié)點，其中，t1表示網(wǎng)絡(luò)中出現(xiàn)凝聚子群的時刻。在t1時刻，消費者網(wǎng)絡(luò)中已有n0個節(jié)點，m0條邊，此時出現(xiàn)凝聚子群，所有子群包含的節(jié)點數(shù)為N≤n0+t1。

在t(t≥t1)時刻，消費者網(wǎng)絡(luò)中有M個子群，Hλ(t)為各子群內(nèi)的節(jié)點數(shù)，λ∈{1,…,M}，每一個進(jìn)入網(wǎng)絡(luò)的新節(jié)點i在每個時間步可增加m(m≤minHλ(t))條邊。由于消費者節(jié)點可選擇同時與一個子群中的節(jié)點相連，也可以選擇同時與多個子群中的節(jié)點相連，故該消費者節(jié)點按照概率δ對子群進(jìn)行混合擇優(yōu)。消費者節(jié)點與凝聚子群之間的擇優(yōu)連接概率為ρ，隨機(jī)連接概率為1-ρ，則概率δ計算公式如式(6)所示：

(6)

其中，h=1,2,…,M;概率δ表示節(jié)點i按照BA網(wǎng)絡(luò)增長模型與M個子群中的最大子群擇優(yōu)連接，與剩下的M-1個非最大子群隨機(jī)連接的混合概率。

此外，i與包含Hλ(t)個節(jié)點的子群內(nèi)的節(jié)點連接方式也遵循部分隨機(jī)、部分擇優(yōu)的規(guī)則，然后在時刻ti，執(zhí)行以下操作：

(1)擇優(yōu)連接模式：向網(wǎng)絡(luò)中添加一個具有m條邊的新節(jié)點i(表示一個剛進(jìn)入消費者網(wǎng)絡(luò)的消費者)，p表示加入凝聚子群內(nèi)部的新節(jié)點與凝聚子群內(nèi)部的舊節(jié)點進(jìn)行隨機(jī)連接的概率，1-p表示加入凝聚子群內(nèi)部的新節(jié)點與凝聚子群內(nèi)部的舊節(jié)點進(jìn)行擇優(yōu)連接模式的概率。p滿足0≤p≤1。

(3)在擇優(yōu)連接模式中，新產(chǎn)生的m條邊與選中的子群中的節(jié)點連接。其中，目標(biāo)子群中的中心節(jié)點j直接與新節(jié)點i相連，而新節(jié)點i與凝聚子群內(nèi)部剩下的m-1個非中心節(jié)點的連接概率與度值Ki成正比，如式(7)所示：

(7)

其中，∑j∈subgroupKj指的是目標(biāo)子群中節(jié)點度值的總和。圖3為多子群混合擇優(yōu)模型圖，其中M(t)表示在t時刻消費者網(wǎng)絡(luò)凝聚子群的規(guī)模。

Figure 3 Multi-subgroup hybrid optimization model 圖3 多子群混合擇優(yōu)模型圖

4.2 消費者社團(tuán)篩選消費者個體

在社團(tuán)自治情況下，決定消費者融入社團(tuán)的關(guān)鍵因素是其自身對社團(tuán)價值觀的認(rèn)同感和忠誠度。而社團(tuán)吸引力取決于其節(jié)點的凝聚力水平，本文用聚類系數(shù)來表示社團(tuán)吸引力。聚類系數(shù)Ci表示節(jié)點i與鄰居節(jié)點的連接緊密程度，由其與鄰居節(jié)點之間的實際連接數(shù)Ei與節(jié)點i與其鄰居節(jié)點可能出現(xiàn)的所有連接結(jié)果Emax的比值確定，如式(8)所示：

(8)

其中，Ki為節(jié)點i的度，即連接到節(jié)點i的邊數(shù)。聚類系數(shù)Ci越大，社團(tuán)對于消費者吸引力越強(qiáng)。將新進(jìn)入的消費者視為消費者網(wǎng)絡(luò)中新產(chǎn)生的節(jié)點。每個時刻增加m條邊的新節(jié)點i，其初始社團(tuán)忠誠度為A。在ti時刻，i的社團(tuán)忠誠度水平為A+∑iΔA。當(dāng)A+∑iΔA達(dá)到閾值σ時，節(jié)點i正式進(jìn)入消費者社團(tuán)，該社團(tuán)得到一名忠實成員。

4.3 交互選擇機(jī)制的構(gòu)建

綜上，本節(jié)提出的消費者網(wǎng)絡(luò)中社團(tuán)與消費者的交互選擇機(jī)制如下所示：

步驟1初始消費者進(jìn)入。初始消費者進(jìn)入消費者網(wǎng)絡(luò)采取隨機(jī)增長模式。

步驟2選擇子群。消費者Agent按照式(6)選擇出一個子群Hλ(t)。

步驟3多子群混合擇優(yōu)增長。在每個時刻，Agent個體在選定的目標(biāo)子群內(nèi)部按照概率p與1-p,采取部分擇優(yōu)、部分隨機(jī)的方式與Hλ(t)中的m個節(jié)點進(jìn)行連接。

步驟4計算社區(qū)吸引力。ΔA=∑jαCj,-1≤α≤1;j∈Hλ(t)。

步驟5判斷α的值:

(1)-1≤α<0:子群內(nèi)節(jié)點j對i價值觀感染不成功，i對社區(qū)忠誠度下降，i與j斷開連接，轉(zhuǎn)到步驟6。

(2)α=0:i與j連接后，社團(tuán)多Agent系統(tǒng)對消費者Agent的吸引力不變。i與j斷開連接，轉(zhuǎn)到步驟3。

(3)0<α≤1:目標(biāo)子群內(nèi)節(jié)點j對i的價值觀感染成功，i對社團(tuán)組織認(rèn)同感增加，i與j斷開連接，轉(zhuǎn)到步驟7。

步驟6重新?lián)駜?yōu)。節(jié)點i與目標(biāo)子群內(nèi)節(jié)點的連接概率受到內(nèi)部擇優(yōu)概率p(0.5

步驟7強(qiáng)化擇優(yōu)。在ti+1時刻，節(jié)點i以較大概率δp與j連接，與其他節(jié)點以概率δ(1-p)連接。若在未來某一時刻t，A≥σ，則視i的社團(tuán)忠誠度達(dá)到要求，i被社團(tuán)接收，成為社團(tuán)成員。

4.4 交互選擇機(jī)制特性分析

4.4.1 模塊度指標(biāo)Q函數(shù)

為分析基于去中心化特性的交互選擇機(jī)制下社團(tuán)結(jié)構(gòu)特性，本文采用經(jīng)典的社團(tuán)結(jié)構(gòu)劃分指標(biāo)模塊度Q函數(shù)。具體衡量標(biāo)準(zhǔn)為：將一個網(wǎng)絡(luò)劃分為m個社團(tuán)，定義m×n的對稱矩陣F，其中的元素eIJ為連接中社團(tuán)HI和社團(tuán)HJ中的節(jié)點的邊在所有邊中所占的比例，這個矩陣對角線元素的和也就是跡tr(F)=∑IeII，表示網(wǎng)絡(luò)中連接社團(tuán)內(nèi)部節(jié)點的邊在所有邊中所占的比例。令aI=∑JeIJ表示與社團(tuán)HI中的節(jié)點相連的邊在所有邊中所占的比例，則有：

(9)

其中‖F(xiàn)2‖為矩陣F2的模(即元素的總和)。

一般以Q=0.3作為網(wǎng)絡(luò)具有明顯社團(tuán)結(jié)構(gòu)的下界。本文通過觀察交互選擇機(jī)制下消費者網(wǎng)絡(luò)的社團(tuán)結(jié)構(gòu)特性，來判斷區(qū)塊鏈環(huán)境下電商消費者行為是否具有復(fù)雜網(wǎng)絡(luò)的特性。

4.4.2 消費者網(wǎng)絡(luò)社團(tuán)特性分析

(1)模塊度指標(biāo)Q值。

本文基于Python仿真平臺構(gòu)建了基于上述交互選擇規(guī)則的增長網(wǎng)絡(luò)，并運用Gephi計算出在不同規(guī)模時網(wǎng)絡(luò)的模塊度指標(biāo)Q值并對其進(jìn)行統(tǒng)計，結(jié)果如圖4所示。由圖4可知，該消費者網(wǎng)絡(luò)社團(tuán)模塊度指標(biāo)隨著網(wǎng)絡(luò)規(guī)模的不斷擴(kuò)大在逐漸增長，最終在0.46處上下浮動，其值處于0.3～0.8，社區(qū)劃分較為明顯，說明在該交互選擇機(jī)制下網(wǎng)絡(luò)仍具有明顯的社團(tuán)結(jié)構(gòu)特征。

Figure 4 Trend chart of Q values change of network modularity圖4 網(wǎng)絡(luò)模塊度Q值變化趨勢圖

(2)網(wǎng)絡(luò)社團(tuán)簇分布。

與此同時，本文繼續(xù)對消費者網(wǎng)絡(luò)社團(tuán)分簇情況進(jìn)行統(tǒng)計，得出如圖5所示的簇分布圖。

Figure 5 Clusters distribution of consumer network 圖5 消費者網(wǎng)絡(luò)簇分布圖

由圖5可知，該消費者網(wǎng)絡(luò)社團(tuán)的簇分布符合冪律分布的特點，即大型的社團(tuán)數(shù)量極少，而小型社團(tuán)數(shù)量占絕大多數(shù)，社團(tuán)大小與其數(shù)量成負(fù)相關(guān)關(guān)系，具有馬太效應(yīng)。

4.5 基于交互機(jī)制的智能合約規(guī)則設(shè)計

本節(jié)的消費者與社團(tuán)交互選擇機(jī)制規(guī)則設(shè)計如圖6所示。

Figure 6 Smart contract execution rules based on interaction selection mechanism圖6 基于交互選擇機(jī)制的智能合約執(zhí)行規(guī)則

智能合約規(guī)則如下所示：

(1)消費者有交易需求，向智能合約提交請求臨時服務(wù)，區(qū)塊鏈網(wǎng)絡(luò)所有節(jié)點都將收到此未經(jīng)確認(rèn)的事務(wù)，并將它存儲在其本地存儲中；

(2)網(wǎng)絡(luò)使用基于聲譽的有限信任共識協(xié)議，根據(jù)區(qū)塊鏈對等網(wǎng)絡(luò)中已存在節(jié)點的信譽度分?jǐn)?shù)確定區(qū)塊創(chuàng)建者；

(3)區(qū)塊創(chuàng)建者作出判斷，觸發(fā)條件，上傳數(shù)據(jù)到智能合約；

(4)智能合約臨時服務(wù)自動運行邏輯，對消費者進(jìn)行條件檢查并給出執(zhí)行結(jié)果；

(5)智能合約臨時服務(wù)將執(zhí)行結(jié)果發(fā)布給區(qū)塊創(chuàng)建者；

(6)區(qū)塊創(chuàng)建者創(chuàng)建出智能合約執(zhí)行結(jié)果區(qū)塊；

(7)將新產(chǎn)生的區(qū)塊加入?yún)^(qū)塊網(wǎng)絡(luò)中接受認(rèn)證；

(8)若滿足共識要求，則所有節(jié)點都接受該區(qū)塊，認(rèn)定該消費者A的交易請求事務(wù)有效；

(9)更新的區(qū)塊鏈結(jié)果與事件(附加信息：可以在區(qū)塊鏈中存儲事件消息作為日志，其中節(jié)點可以檢查智能合約執(zhí)行的結(jié)果)發(fā)送到合約實體(A和B)；

(10)消費者正式向社團(tuán)發(fā)送加入申請；

(11)社團(tuán)對消費者進(jìn)行認(rèn)證，授予加入許可。

5 基于共識機(jī)制與交互選擇規(guī)則的電商消費者網(wǎng)絡(luò)智能擇優(yōu)增長模型的構(gòu)建

本節(jié)將有限信任共識機(jī)制與智能合約規(guī)則結(jié)合形成智能混合擇優(yōu)增長機(jī)制，使其符合區(qū)塊鏈環(huán)境下電商消費者真實網(wǎng)絡(luò)增長特性。

5.1 基于共識機(jī)制與智能合約的消費者網(wǎng)絡(luò)增長模型算法介紹

算法流程圖如圖7所示，具體步驟包括:

步驟1消費者注冊賬號進(jìn)入?yún)^(qū)塊鏈環(huán)境下的電子商務(wù)網(wǎng)絡(luò)。

步驟2消費者選擇是否加入社團(tuán)，若選擇是，則執(zhí)行步驟3，否則直接結(jié)束。

步驟3執(zhí)行智能合約交互機(jī)制選擇社團(tuán)，消費者自由選擇社團(tuán)交互方式1：消費者同時選擇多個子群多個節(jié)點進(jìn)行連接；社團(tuán)交互方式2：消費者只選擇單個子群中的多個節(jié)點與之連接。

步驟4消費者之間建立連接，執(zhí)行有限信任共識機(jī)制，對消費者雙方行為進(jìn)行判定，若是二者發(fā)生交易，則執(zhí)行步驟3，否則直接結(jié)束。

步驟5共識機(jī)制將交易雙方完成交易后的新的信譽值反饋給雙方。

步驟6結(jié)束，完成一次網(wǎng)絡(luò)增長演化過程。

Figure 7 Flow chart of consumer network intelligent hybrid growth model圖7 消費者網(wǎng)絡(luò)智能混合增長模型算法流程圖

5.2 模型的復(fù)雜網(wǎng)絡(luò)特性分析

5.2.1 度分布演化方程

本節(jié)對基于交互機(jī)制的多子群混合擇優(yōu)增長機(jī)制進(jìn)行分析，假設(shè)在多子群演化機(jī)制中，只考慮新節(jié)點與網(wǎng)絡(luò)中已有節(jié)點進(jìn)行連接的情況，應(yīng)用平均場理論，得到模型中度分布的演化方程，如式(10)所示：

(10)

式(10)右側(cè)括號中第1項表示節(jié)點i選擇與目標(biāo)子群的中心節(jié)點j連接的情況，其中，p為節(jié)點i與網(wǎng)絡(luò)中已存在節(jié)點隨機(jī)連接的概率；m為節(jié)點i在每一刻與其他節(jié)點連接的邊數(shù)；n0為t1時刻消費者網(wǎng)絡(luò)中存在的節(jié)點數(shù)量；t為時間步；Ci表示節(jié)點i的聚類系數(shù)；Cj表示節(jié)點j的聚類系數(shù)；Ci/∑jCj表示節(jié)點i相對于網(wǎng)絡(luò)中已存在其他節(jié)點的聚類系數(shù)的比值；(1-p)Ci/(∑jCj)為其與該節(jié)點擇優(yōu)連接的概率;ΔKi1表示節(jié)點i的度值變化量。

同理，式(10)右側(cè)括號中第2項表示節(jié)點i與目標(biāo)子群中心節(jié)點j的直接鄰居節(jié)點連接的情況，其中，Cj/(∑lCl)表示節(jié)點j相對于其鄰居節(jié)點的聚類系數(shù)的比值;∑j*指節(jié)點j的最近鄰節(jié)點；∑j*Kj*表示這些最近鄰節(jié)點的總度值;ΔKi2表示在該情況下的節(jié)點i的度值變化量；Pij表示節(jié)點i和j為最近鄰連接的概率，根據(jù)平均場理論，其計算方式如式(11)所示：

(11)

其中，Ki表示節(jié)點i的度值，Kj為節(jié)點j的度值，m0為開始進(jìn)行混合擇優(yōu)時網(wǎng)絡(luò)中存在的邊數(shù)。

式(10)右側(cè)括號中第3項表示隨機(jī)連接方式下度值變化。此外，式(10)中ΔKij(j=1,2,3)表示在生長機(jī)制中，每類節(jié)點只有一條邊與節(jié)點i相連，因此式(10)被簡化為式(12)：

(12)

5.2.2 集聚系數(shù)動態(tài)方程

由于消費者網(wǎng)絡(luò)節(jié)點增加有漸進(jìn)性，經(jīng)過長時間演化后，網(wǎng)絡(luò)結(jié)構(gòu)會呈現(xiàn)出一般特征，故本文運用平均場理論對其集聚系數(shù)變化情況進(jìn)行動態(tài)描述。記其在時刻t時目標(biāo)子群平均連通性如式(13)所示：

(13)

化簡式(13)，用Ki代替Ki(t)。由于集聚系數(shù)Ci只有當(dāng)Ki改變時才會發(fā)生改變，故若要使Ci改變，在i節(jié)點之后加入消費者網(wǎng)絡(luò)的新節(jié)點v必須與節(jié)點i發(fā)生連接。記ΔCij(j=1,2)為在以下2種模式中增加新節(jié)點v時Ci的變化：

(1)擇優(yōu)連接模式，新節(jié)點v進(jìn)入消費者網(wǎng)絡(luò)：

(14)

其中，Ei表示節(jié)點i的鄰居節(jié)點實際連邊數(shù)。

(2)隨機(jī)連接模式，新節(jié)點v進(jìn)入網(wǎng)絡(luò)：

(15)

(16)

(17)

給定節(jié)點i的狀態(tài)，若要得到其集聚系數(shù)變化的動態(tài)方程，首先需要求出2種連接模式下各自的連接概率，設(shè)模式(1)的連接概率為P1，模式(2)的連接概率為P2，應(yīng)用平均場理論，可得式(18)和式(19)：

(18)

(19)

故節(jié)點i的聚類系數(shù)Ci的變化如式(20)所示：

(20)

最后,將式(14)～式(19)代入式(20)產(chǎn)生動態(tài)的聚類系數(shù)。式(12)和式(20)表示多子群混合擇優(yōu)增長演化模型的動態(tài)行為，由此可得到消費者網(wǎng)絡(luò)增長模型結(jié)構(gòu)演化性質(zhì)的精確表達(dá)式。

6 實證模擬

模擬采用的計算機(jī)配置：CPU為主頻1.80 GHz的Intel(R)Core(TM)i5-8265U,內(nèi)存為8 GB,操作系統(tǒng)為Windows 10。本文利用Python語言編程實現(xiàn)仿真。

6.1 人工數(shù)據(jù)模擬與分析

6.1.1 初始網(wǎng)絡(luò)的生成與分析

首先，本文隨機(jī)產(chǎn)生包含50個節(jié)點和91條邊的網(wǎng)絡(luò)，節(jié)點之間以0.08的概率相連生成復(fù)雜網(wǎng)絡(luò)，并利用Gephi對網(wǎng)絡(luò)中節(jié)點的度分布進(jìn)行統(tǒng)計計算，得出如圖8所示的度分布圖。

Figure 8 Network degree distribution at time t0圖8 t0時刻網(wǎng)絡(luò)度分布圖

如圖8所示，在t0時刻，該網(wǎng)絡(luò)平均度值為1.82，網(wǎng)絡(luò)的模塊化程度為0.425，在標(biāo)準(zhǔn)值0.3～0.8，具有較為明顯的社團(tuán)結(jié)構(gòu)劃分。

6.1.2 混合擇優(yōu)增長網(wǎng)絡(luò)演化結(jié)果分析

為模擬出區(qū)塊鏈環(huán)境下消費者的行為特性，將消費者之間基于聲譽的共識機(jī)制和基于消費者與社團(tuán)交互機(jī)制的智能合約編入Python語言算法中，對網(wǎng)絡(luò)進(jìn)行增長演化，暫且只考慮在單一確定δ值與p值的情況下多子群網(wǎng)絡(luò)的增長，故此處設(shè)置δ=0.2,p=0.7。在t0時刻之后，消費者網(wǎng)絡(luò)結(jié)構(gòu)特性如表1所示。

Table 1 Simulation results of consumer network structure characteristics表1 消費者網(wǎng)絡(luò)結(jié)構(gòu)特性仿真結(jié)果

由表1分析可知，在智能混合擇優(yōu)增長網(wǎng)絡(luò)模型中，隨著網(wǎng)絡(luò)規(guī)模N的擴(kuò)大：(1)網(wǎng)絡(luò)的平均度值穩(wěn)定在6.5左右，相比于BA無標(biāo)度網(wǎng)絡(luò)的平均度〈k〉=4要大，其中k表示網(wǎng)絡(luò)中節(jié)點的度值；(2)網(wǎng)絡(luò)直徑隨著網(wǎng)絡(luò)規(guī)模N的增加不會無限制擴(kuò)大，最終穩(wěn)定在11左右；(3)網(wǎng)絡(luò)模塊度整體變化不大，在0.45左右變化，根據(jù)第4節(jié)中提到的模塊度Q函數(shù)可知，模塊度值在0.3～0.8表明社團(tuán)劃分較為理想，因此，此消費者網(wǎng)絡(luò)社團(tuán)結(jié)構(gòu)特性較為顯著；(4)網(wǎng)絡(luò)平均聚類系數(shù)增長變化幅度不是太大，最終在0.153處上下浮動，平均聚類系數(shù)較小，而BA網(wǎng)絡(luò)隨著網(wǎng)絡(luò)規(guī)模的擴(kuò)大，網(wǎng)絡(luò)聚類系數(shù)會快速縮小，當(dāng)N→∞時，聚類系數(shù)為0；(5)網(wǎng)絡(luò)平均路徑長度只有微小變化，大約在3.7左右，表明該網(wǎng)絡(luò)具有小世界特性。

6.2 實際數(shù)據(jù)模擬與分析

本文實證數(shù)據(jù)采用斯坦福大學(xué)網(wǎng)絡(luò)真實數(shù)據(jù)集——比特幣社交網(wǎng)絡(luò)數(shù)據(jù)集(soc-sign-bitcoin-alpha)[16,17]，運用Python編程語言對數(shù)據(jù)集進(jìn)行處理，將2010年至2016年的節(jié)點按年份分為6個時間段t1～t7，研究其度值和節(jié)點變化，并進(jìn)行社區(qū)劃分和可視化處理。

6.2.1 數(shù)據(jù)集的度分布與節(jié)點變化情況

圖9和圖10為2010年至2016年節(jié)點的增長變化情況，圖中顯示，在t4之前，邊和節(jié)點的數(shù)量增長迅速，t4～t5時間段內(nèi)增長放緩，t5～t7時間段內(nèi)新增節(jié)點和邊的數(shù)量非常少。

Figure 9 Edge growth change 圖9 網(wǎng)絡(luò)連邊增長變化圖

Figure 10 Node growth change 圖10 網(wǎng)絡(luò)節(jié)點增長變化圖

由圖9與圖10可知，隨著時間的變化，該網(wǎng)絡(luò)連邊數(shù)與節(jié)點數(shù)都在快速增加，但是在t5之后增長速度趨于平緩，該網(wǎng)絡(luò)社團(tuán)對新用戶的吸引力達(dá)到飽和。

6.2.2 數(shù)據(jù)集社區(qū)結(jié)構(gòu)劃分與度分布變化情況

(1)t1時刻。

在t1時刻，網(wǎng)絡(luò)中共有41個節(jié)點和98條邊，對節(jié)點進(jìn)行社區(qū)結(jié)構(gòu)劃分后，出現(xiàn)明顯的社團(tuán)組織結(jié)構(gòu)，此時節(jié)點度值分布較為散亂，沒有明顯的復(fù)雜網(wǎng)絡(luò)特性，如圖11和圖12所示。

Figure 11 Node network at time t1圖11 t1時刻節(jié)點網(wǎng)絡(luò)圖

Figure 12 Node degree distribution at time t1圖12 t1時刻節(jié)點度分布

(2)t2時刻。

在t2時刻，網(wǎng)絡(luò)中共有1 592個節(jié)點和7 701條邊，節(jié)點數(shù)量過多，社區(qū)劃分較為混亂，周圍存在許多低度值的節(jié)點，利用Gephi對度值過濾，只留下度值在24～345的節(jié)點，如圖13所示，此時節(jié)點數(shù)為131,邊數(shù)為1 409，社區(qū)結(jié)構(gòu)明顯。圖14中節(jié)點度分布圖表現(xiàn)出明顯的冪律分布特點。

Figure 13 Community structure filtered at time t2圖13 t2時刻過濾后的社區(qū)結(jié)構(gòu)

Figure 14 Node distribution at time t2圖14 t2時刻節(jié)點度分布圖

(3)t3時刻。

在t3時刻，同樣對節(jié)點進(jìn)行過濾，留下度值在67～548的節(jié)點，如圖15所示，此時只有77個節(jié)點和1 290條邊，占所有節(jié)點的2.95%，相比于t2時刻，高度值節(jié)點的數(shù)目也在增加。從圖16的節(jié)點度分布圖可以看出，節(jié)點網(wǎng)絡(luò)圖出現(xiàn)更為明顯的“馬太效應(yīng)”。

Figure 15 Network community structure division at time t3圖15 t3時刻網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)劃分

Figure 16 Node degree distribution at time t3圖16 t3時刻節(jié)點度分布圖

(4)t4～t7時間段網(wǎng)絡(luò)節(jié)點度分布情況。

由于在t4時刻之后，網(wǎng)絡(luò)中節(jié)點與連邊數(shù)量增長緩慢，對于整個網(wǎng)絡(luò)的結(jié)構(gòu)影響較小，故此處只給出最終在t7時刻網(wǎng)絡(luò)的節(jié)點度分布情況，如圖17所示。由圖17可知，隨著時間的變化，網(wǎng)絡(luò)節(jié)點度分布符合冪率分布的特點，即高度值的節(jié)點數(shù)量極少，而低度值的節(jié)點反而占大多數(shù)。

Figure 17 Node degree distribution at time t7圖17 t7時刻節(jié)點度分布圖

(5)實際網(wǎng)絡(luò)的復(fù)雜網(wǎng)絡(luò)特征統(tǒng)計。

對比特幣社交網(wǎng)絡(luò)數(shù)據(jù)集進(jìn)行統(tǒng)計，得出其復(fù)雜網(wǎng)絡(luò)特征統(tǒng)計表，如表2所示。

Table 2 Simulation results of the structural characteristics of Bitcoin social network表2 比特幣社交網(wǎng)絡(luò)結(jié)構(gòu)特性仿真結(jié)果

從表2分析可知：(1)平均節(jié)點度值：該網(wǎng)絡(luò)平均節(jié)點度值在t7時刻穩(wěn)定在6.393，與算法所得平均度值6.5相比略有減小，但仍比BA無標(biāo)度網(wǎng)絡(luò)平均節(jié)點度值〈k〉=4要大許多；(2)網(wǎng)絡(luò)直徑：網(wǎng)絡(luò)直徑最終穩(wěn)定在10上下，比算法所得直徑要?。?3)模塊化：模塊度值變化略有起伏，在網(wǎng)絡(luò)中出現(xiàn)凝聚子群的t1時刻模塊度為0.452，到t4時刻達(dá)到最低點，這與t4時刻進(jìn)入網(wǎng)絡(luò)的節(jié)點增加量減少有一定關(guān)系，但隨著網(wǎng)絡(luò)達(dá)到飽和，網(wǎng)絡(luò)模塊度為0.464，與算法所得數(shù)值相差不大；(4)平均聚類系數(shù)：平均聚類系數(shù)也隨著進(jìn)入網(wǎng)絡(luò)中用戶的變化量略有起伏，最終保持在0.156，具有隨機(jī)網(wǎng)絡(luò)小集聚系數(shù)的特點；(5)平均路徑長度：平均路徑長度在t2時刻有急劇增長，這與網(wǎng)絡(luò)中用戶大量涌入有關(guān)，之后隨著網(wǎng)絡(luò)達(dá)到一定規(guī)模，其網(wǎng)絡(luò)結(jié)構(gòu)更為穩(wěn)定，網(wǎng)絡(luò)平均路徑長度為3.679，具有小世界效應(yīng)。

7 結(jié)束語

本文針對區(qū)塊鏈環(huán)境下電子商務(wù)消費者行為的變化情況，提出基于聲譽的有限信任共識機(jī)制與基于去中心化的消費者社團(tuán)交互選擇智能合約，形成多子群智能混合擇優(yōu)增長模型，并使用人工數(shù)據(jù)與真實網(wǎng)絡(luò)數(shù)據(jù)集進(jìn)行仿真，認(rèn)為在區(qū)塊鏈電子商務(wù)去中心化、消費者匿名的環(huán)境下，消費者網(wǎng)絡(luò)仍然是具有小世界特性、網(wǎng)絡(luò)節(jié)點度分布也具有冪律分布的特點，社團(tuán)結(jié)構(gòu)也具有很明顯的“馬太效應(yīng)”，即少數(shù)人具有更多的度，只是冪律分布相比BA網(wǎng)絡(luò)更為陡峭。這是由于區(qū)塊鏈去中心化的特點，使得消費者網(wǎng)絡(luò)的社團(tuán)結(jié)構(gòu)更為松散，具有反壟斷特性，在該環(huán)境下消費者行為更加自由與透明。

本文的不足之處在于，在實證模擬階段只是固定了δ與p的值來考慮網(wǎng)絡(luò)的結(jié)構(gòu)特性，沒有考慮其參數(shù)值在變化的情況下，對區(qū)塊鏈電商環(huán)境下消費者網(wǎng)絡(luò)的結(jié)構(gòu)特性進(jìn)行分析，這將作為本文接下來研究的方向，繼續(xù)深入研究參數(shù)值變化時網(wǎng)絡(luò)社團(tuán)結(jié)構(gòu)的變化情況。