Análise de Características Estruturais de Tokens não Fungíveis no Ethereum
Resumo
Token não fungível ou NFT é um objeto digital insubstituível por qualquer outro objeto, seja do mesmo tipo ou valor, com atributos que provam a sua propriedade a uma pessoa ou organização via redes blockchain. A indústria de artes e mídias digitais vem adotando gradativamente NFTs devido a sua segurança para definir autoria, transferência, royalties desses tokens, entre outros recursos que podem ser programados em contratos inteligentes. Como NFT é uma tecnologia nova com popularidade em ascendência, há oportunidades para desenvolvimento de ferramentas que auxiliem os usuários no consumo desse tipo de token. Neste trabalho, realizamos uma análise e caracterização de coleções de NFTs baseada em dados extraídos do OpenSea, que é a maior plataforma de comercialização de NFTs na atualidade. Utilizamos uma abordagem de classificação não supervisionada para conhecer propriedades estruturais dessas coleções. Isso nos permitiu definir quatro classes de coleções de NFTs que podem ser facilmente compreendidas por usuários para facilitar o comércio e a valoração de seus tokens.
Referências
Aspembitova, A. T., Feng, L., and Chew, L. Y. (2021). Behavioral structure of users in cryptocurrency market. PLOS ONE, 16(1):1–19.
Bussab, W. d. O. and Morettin, P. A. (2017). Estatística Básica. Saraiva.
Casale-Brunet, S., Ribeca, P., Doyle, P., and Mattavelli, M. (2021). Networks of ethereum non-fungible tokens: A graph-based analysis of the erc-721 ecosystem. https://arxiv.org/abs/2110.12545. arXiv.
Christie’s (2021). Beeple (b. 1981). https://onlineonly.christies.com/s/first-open-beeple/beeple-b-1981-1/112924.
Hu, T., Liu, X., Chen, T., Zhang, X., Huang, X., Niu, W., Lu, J., Zhou, K., and Liu, Y. (2021). Transaction-based classification and detection approach for ethereum smart contract. Information Processing Management, 58(2):102462.
Norvill, R., Fiz Pontiveros, B. B., State, R., Awan, I., and Cullen, A. (2017). Automated labeling of unknown contracts in ethereum. In 2017 26th International Conference on Computer Communication and Networks (ICCCN), pages 1–6.
Okonkwo, I. E. (2021). Nft, copyright; and intellectual property commercialisation. SSRN. https://ssrn.com/abstract=3856154.
Oliveira, V. C., Almeida Valadares, J., A. Sousa, J. E., Borges Vieira, A., Bernardino, H. S., Moraes Villela, S., and Dias Goncalves, G. (2021). Analyzing transaction confirmation in ethereum using machine learning techniques. SIGMETRICS Perform. Eval. Rev., 48(4):12–15.
Rebello, G., Hu, Y., Thilakarathna, K., Batista, G., Seneviratne, A., and Duarte, O. C. (2020). Melhorando a acurácia da detecção de lavagem de dinheiro na rede bitcoin. In Anais do XXXVIII Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos, pages 728–741, Porto Alegre, RS, Brasil. SBC.
Revoredo, T. (2021). Nfts e sua sofisticação nos blockchains. [link].
Singh, H. J. and Hafid, A. S. (2019). Transaction confirmation time prediction in ethereum blockchain using machine learning. https://arxiv.org/abs/1911.11592. arXiv.
Valadares, J., Oliveira, V., Sousa, J., Bernardino, H., Villela, S., Vieira, A., and Gonçalves, G. (2021). Identificação de perfis de comportamento de usuários no ethereum utilizando técnicas de aprendizado de máquina. In Anais do IV Workshop em Blockchain: Teoria, Tecnologias e Aplicações, pages 60–73, Porto Alegre, RS, Brasil. SBC.
Wang, M., Ichijo, H., and Xiao, B. (2020). Cryptocurrency address clustering and labeling. https://arxiv.org/abs/2003.13399. arXiv.
Wu, S. X., Wu, Z., Chen, S., Li, G., and Zhang, S. (2021). Community detection in blockchain social networks. J. Commun. Inf. Networks, 6:59–71.
Xu, G., Guo, B., Su, C., Zheng, X., Liang, K., Wong, D. S., and Wang, H. (2020). Am i eclipsed? a smart detector of eclipse attacks for ethereum. Computers Security, 88:101604.
