Diese Arbeit bündelt 15 Konsensalgorithmen, die in Blockchains im Allgemeinen und Cryptocurrencies im Speziellen zum Einsatz kommen anhand verschiedener Kategorien zu vier Clustern. Wer neu auf dem Gebiet ist, bekommt einen wissenschaftlich fundierten Einblick und einen Überblick über Ähnlichkeiten und Unterschiede dieser Algorithmen. Wer auf dem Gebiet bereits versiert ist, bekommt einen Einblick in neue Analyseansätze wie Clusteranalysen mittels K-Means Verfahren zur Einordnung der Algorithmen in Cluster. Der Quellcode zur Durchführung dieser Analyse ist ebenfalls enthalten.
Der aktuelle Forschungsstand wird auf 109 Seiten nicht nur kritisch betrachtet, sondern auch erweitert, indem Methoden zum Einsatz kommen, die einen neuen Blick auf das Trendthema Blockchain werfen.
Analysiert wurden die Algorithmen: Proof of Work, Proof of Stake, Delegated Proof of Stake, Leased Proof of Stake, Proof of Authority, Proof of Burn, Proof of Capacity, Proof of Storage, Proof of Retrievability, Proof of Bandwidth, Proof of Elapsed Time, Proof of Velocity, Ripple Consensus Algorithm, Stellar, (Practical) Byzantine Fault Tolerance
Inhaltsverzeichnis
1. Einleitung
2. Methoden
2.1 Qualitative Inhaltsanalyse
2.2 Quantifizierung
2.3 Partitionierende Clusteranalyse mittels K-Means Cluster Algorithmus
3. Analyse
3.1 Qualitative Inhaltsanalyse
3.1.1 Materialauswahl
3.1.2 Kategorie Bildung
3.1.3 Konsensalgorithmen
3.1.4 Kategorien
3.1.5 Merkmalsausprägungen
3.2 Quantifizierung
3.3 Clusteranalyse
3.4 Generierung von Archetypen
3.4.1 Archetyp c1: The Rocket
3.4.2 Archetyp c2: The Democrat
3.4.3 Archetyp c3: The Undecided
3.4.4 Archetyp c4: The Wonderchild
4. Fazit
Zielsetzung & Themen
Das Hauptziel dieser Arbeit ist die Entwicklung von Archetypen für Konsensalgorithmen in Blockchains, um die Orientierung innerhalb der stark diversifizierten Technologielandschaft zu erleichtern und die Forschungsfrage zu klären, wie sich diese Algorithmen basierend auf spezifischen Eigenschaften systematisch gruppieren lassen.
- Methodische Einordnung und Analyse von Konsensalgorithmen
- Anwendung qualitativer Inhaltsanalyse zur Kategoriengenerierung
- Quantifizierung und Clusteranalyse zur Identifikation von Archetypen
- Differenzierung zwischen Algorithmus-Eigenschaften und Implementierungsspezifika
- Kritische Reflexion der Datenlage und zukünftiger Forschungsbedarfe
Auszug aus dem Buch
3.1.2 Kategorie Bildung
Abbildung 4 zeigt das Ergebnis der induktiven Bildung von Kategorien. Die Spalten enthalten unterschiedliche Konsensalgorithmen. Die Zeilen der Tabelle enthalten Kategorien, in denen die Konsensalgorithmen Ausprägungen aufweisen. Die Felder der Tabelle beinhalten die kumulierten Häufigkeiten des Auftretens der jeweiligen Kategorie in Zusammenhang mit dem jeweiligen Konsensalgorithmus. Eine detaillierte Aufschlüsselung zu den Häufigkeiten in jedem analysierten Material findet sich in Appendix B. Zu beachten ist, dass BTC (Bitcoin), ETH (Ethereum) und LTC (Litecoin) in Abbildung 4 eine Sonderrolle einnehmen, da sie keine Konsensalgorithmen sondern Kryptowährungen bzw. Plattformen sind. Da die Differenzierung zwischen Konsensalgorithmus, Kryptowährung, Plattform, Netzwerkprotokoll, also den verschiedenen Abstraktionsschichten in der Literatur noch nicht hinreichend verbreitet ist, kommt es vor, dass Eigenschaften pauschal Kryptowährungen zugeschrieben werden, die jedoch ihren Ursprung im jeweiligen Konsensalgorithmus haben. Um trennen zu können, welche Effekte ihren Ursprung im Proof of Work Algorithmus haben – der von BTC, ETH und LTC verwendet wird – und welche Spezifika der jeweiligen Projekte sind, müssen sie getrennt betrachtet werden. Diese Trennung ist bei anderen Konsensalgorithmen nicht erforderlich, da die Vermischung von Konsensalgorithmus und anderen Abstraktionsebenen hier weniger stark auftritt und auch nicht möglich, da eine derart differenzierte Analyse aufgrund der Literaturlage nicht unterstützt wird.
Wie Abbildung 4 weiter zeigt, muss ein Konsensalgorithmus in mindestens 40% aller durch die Kategoriebildung identifizierten, möglichen Kategorien Materials vorhanden sein (h(p)), um sich für die Analyse zu qualifizieren. Für Kategorien gilt, dass mindestens 30% der Protokolle in ihnen Ausprägungen aufweisen müssen (h(k)), damit eine Analyse sinnvoll ist. Die Schwellenwerte ergeben sich aus der Notwendigkeit das Analysematerial auf den relevanten bzw. signifikant ausgeprägten Bereich einzugrenzen (vgl. Mayring and Fenzl 2014, p. 546).
Zusammenfassung der Kapitel
1. Einleitung: Diese Einleitung führt in die Problematik ein, dass trotz der rasanten Entwicklung von Blockchain-Technologien und über 2000 Altcoins ein tiefergehendes Verständnis der zugrundeliegenden Konsensalgorithmen fehlt, was zu einer unklaren Kategorisierung führt.
2. Methoden: Hier wird der gewählte Methodenmix aus qualitativer Inhaltsanalyse nach Mayring, Quantifizierung ordinal und nominal skalierter Daten sowie einem partitionierenden Clusterverfahren mittels K-Means Algorithmus detailliert beschrieben.
3. Analyse: Dieses Kapitel stellt das Herzstück der Arbeit dar, in dem die Merkmalskategorien für Konsensalgorithmen induktiv gebildet, quantifiziert und schließlich durch eine Clusteranalyse in Archetypen überführt werden.
4. Fazit: Das Fazit fasst die Ergebnisse zusammen, diskutiert die Grenzen der Datenlage und vergleicht die entwickelten Archetypen mit bestehenden wissenschaftlichen Ansätzen zur Gruppierung von Blockchain-Konsensmechanismen.
Schlüsselwörter
Blockchain, Konsensalgorithmen, Proof of Work, Proof of Stake, Qualitative Inhaltsanalyse, Clusteranalyse, K-Means Algorithmus, Klassifizierung, Archetypen, Verteilte Systeme, Netzwerkprotokolle, Technologiebewertung, Datenanalyse, Kryptowährungen, Algorithmeneigenschaften.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit befasst sich mit der Identifikation und Entwicklung von Archetypen für Konsensalgorithmen in Blockchains, um die Orientierung in der stark diversifizierten Landschaft dieser Protokolle zu verbessern.
Was sind die zentralen Themenfelder?
Zentrale Themen sind die qualitative Analyse von Fachliteratur zur Blockchain-Technologie, die Quantifizierung von Protokolleigenschaften und die Anwendung mathematischer Clusterverfahren zur Gruppierung dieser Algorithmen.
Was ist das primäre Ziel der Forschungsarbeit?
Das Ziel ist es, die über zwei Dutzend bestehenden Konsensalgorithmen in systematisierbare Gruppen (Archetypen) zu unterteilen, um deren wesentliche Charakteristika auf einen Blick erfassbar zu machen.
Welche wissenschaftliche Methode wird verwendet?
Es kommt ein methodisch fundierter Mix aus der qualitativen Inhaltsanalyse nach Mayring, der statistischen Quantifizierung von Daten und einem K-Means Clusterverfahren zum Einsatz.
Was wird im Hauptteil behandelt?
Im Hauptteil erfolgt zunächst die induktive Bildung von Kategorien für die Analyse, gefolgt von einer detaillierten Quantifizierung und abschließenden Clusteranalyse, die in vier spezifische Archetypen mündet.
Welche Schlüsselwörter charakterisieren die Arbeit?
Die Arbeit lässt sich am besten mit Begriffen wie Blockchain, Konsensalgorithmen, Clusteranalyse, K-Means und algorithmische Archetypen beschreiben.
Warum ist die Unterscheidung zwischen Algorithmus und Implementierung so zentral für die Arbeit?
Die Arbeit verdeutlicht, dass in der Literatur häufig Eigenschaften fälschlicherweise Kryptowährungen statt den zugrundeliegenden Algorithmen zugeschrieben werden, was eine Trennung für eine saubere wissenschaftliche Analyse zwingend macht.
Welches Ergebnis liefern die vier identifizierten Archetypen (c1-c4)?
Die Archetypen werden als "The Rocket", "The Democrat", "The Undecided" und "The Wonderchild" bezeichnet, die jeweils spezifische Profile hinsichtlich Effizienz, Fehlertoleranz und Skalierbarkeit abbilden.
- Citar trabajo
- Lennart Völler (Autor), 2018, Archetypen von Konsensalgorithmen in Blockchain, Múnich, GRIN Verlag, https://www.grin.com/document/451969
