در دنیای امروز، ارزهای رمزنگاری شده به عنوان یک دارایی دیجیتال و یک سیستم پرداخت نوآورانه، جایگاه ویژه‌ای پیدا کرده‌اند. با این حال، امنیت و قابلیت اطمینان این سیستم‌ها همواره مورد بحث و بررسی بوده است. یکی از تهدیدات جدی که ارزهای رمزنگاری شده مبتنی بر مکانیزم اثبات کار (Proof-of-Work یا PoW) با آن مواجه هستند، حملات 51% است. این نوع حملات، که در آن یک فرد یا گروه کنترل بیش از 50% از قدرت محاسباتی شبکه را در اختیار می‌گیرند، می‌توانند منجر به دستکاری تراکنش‌ها، ایجاد دوبار خرج کردن (double-spending) و در نهایت بی‌اعتمادی به ارز دیجیتال شوند.

مقاله حاضر، با عنوان “Social Media Perceptions of 51% Attacks on Proof-of-Work Cryptocurrencies: A Natural Language Processing Approach” به بررسی تاثیر این حملات بر ادراک کاربران در رسانه‌های اجتماعی می‌پردازد. این پژوهش، با استفاده از تکنیک‌های پردازش زبان طبیعی (Natural Language Processing یا NLP)، احساسات و عواطف کاربران را در واکنش به حملات 51% تحلیل می‌کند. این مقاله نه تنها به درک بهتر تاثیرات حملات سایبری بر روی افکار عمومی کمک می‌کند، بلکه اطلاعات ارزشمندی را برای توسعه‌دهندگان، سرمایه‌گذاران و سیاست‌گذاران در حوزه ارزهای رمزنگاری شده فراهم می‌آورد.

این مقاله توسط Zsofia Baruwa، Sanjay Bhattacherjee، Sahil Rey Chandnani و Zhen Zhu به رشته تحریر درآمده است. نویسندگان این مقاله متخصصانی در زمینه‌های شبکه‌های اجتماعی و اطلاعاتی هستند. این تخصص به آن‌ها اجازه می‌دهد تا با دیدی دقیق و جامع به تحلیل داده‌های رسانه‌های اجتماعی و استخراج اطلاعات ارزشمند از آن‌ها بپردازند.

زمینه تحقیقاتی این مقاله، تقاطع بین امنیت سایبری، ارزهای رمزنگاری شده و علوم اجتماعی است. با توجه به رشد روزافزون استفاده از ارزهای دیجیتال و اهمیت حفظ امنیت و اعتماد در این سیستم‌ها، تحقیقاتی از این دست از اهمیت بالایی برخوردارند. این مقاله تلاش می‌کند تا با بررسی ادراک عمومی نسبت به حملات 51%، به درک بهتری از آسیب‌پذیری‌های اجتماعی و روانی این سیستم‌ها دست یابد.

چکیده این مقاله به این نکته اشاره دارد که این تحقیق، اولین مطالعه در نوع خود است که به بررسی تاثیر حملات 51% بر ارزهای رمزنگاری شده از منظر احساسات و عواطف کاربران رسانه‌های اجتماعی می‌پردازد. هدف اصلی این تحقیق، طراحی روش‌شناسی مناسب برای جمع‌آوری و تحلیل داده‌ها، انجام تحلیل‌های حجمی و زمانی و پروفایل‌بندی احساسات و عواطف استخراج شده از داده‌ها است.

در این راستا، نویسندگان ابتدا لیستی جامع از 31 رویداد حمله 51% به ارزهای رمزنگاری شده مختلف مبتنی بر PoW تهیه کرده‌اند. این لیست نشان می‌دهد که این نوع حملات، برخلاف تصور عمومی، نسبتاً رایج هستند. سپس، داده‌های مربوط به این رویدادها را از توییتر جمع‌آوری کرده و با داده‌های مرجع در زمان‌های عادی مقایسه کرده‌اند. برای تحلیل داده‌ها، پارامترهایی برای پروفایل‌بندی احساسات و عواطف تعریف شده است. در نهایت، تغییرات این پروفایل‌ها در زمان حمله، بین رویدادهای مختلف یک ارز دیجیتال و بین ارزهای دیجیتال مختلف مورد بررسی قرار گرفته است.

نتایج این تحقیق، علاوه بر تایید برخی رفتارهای و واکنش‌های کلی مورد انتظار، بینش‌های دقیق و ظریفی را ارائه می‌دهد که ممکن است بدیهی نباشند یا حتی تعجب‌آور به نظر برسند. به عنوان مثال، ممکن است انتظار داشته باشیم که پس از یک حمله 51%، احساسات منفی در رسانه‌های اجتماعی افزایش یابد. اما این تحقیق نشان می‌دهد که نوع و شدت احساسات، بسته به ارز دیجیتال مورد حمله، ماهیت حمله و سابقه آن ارز، می‌تواند متفاوت باشد. کدها و مجموعه‌داده‌های مورد استفاده در این تحقیق به صورت عمومی در دسترس هستند.

روش‌شناسی این تحقیق شامل چندین مرحله کلیدی است:

• جمع‌آوری داده‌ها: جمع‌آوری داده‌های توییتر مربوط به 31 رویداد حمله 51% به ارزهای رمزنگاری شده مختلف. این داده‌ها شامل توییت‌ها، ریتوییت‌ها، پاسخ‌ها و سایر اطلاعات مرتبط است.
• پیش‌پردازش داده‌ها: پاکسازی و آماده‌سازی داده‌ها برای تحلیل. این مرحله شامل حذف داده‌های تکراری، تصحیح غلط‌های املایی، حذف کلمات بی‌اهمیت و سایر عملیات پیش‌پردازش است.
• تحلیل احساسات: استفاده از تکنیک‌های پردازش زبان طبیعی برای تعیین احساسات (مثبت، منفی، خنثی) بیان شده در توییت‌ها. این کار معمولاً با استفاده از مدل‌های از پیش آموزش‌دیده یا آموزش مدل‌های سفارشی انجام می‌شود.
• تحلیل عواطف: شناسایی عواطف خاص (مانند شادی، غم، خشم، ترس) بیان شده در توییت‌ها. این کار نیز با استفاده از تکنیک‌های پردازش زبان طبیعی انجام می‌شود.
• تحلیل حجمی و زمانی: بررسی تغییرات در حجم توییت‌ها و توزیع احساسات و عواطف در طول زمان، به منظور شناسایی الگوهای مرتبط با حملات 51%.
• مقایسه و تحلیل: مقایسه پروفایل‌های احساسات و عواطف در زمان حمله با زمان‌های عادی، بین رویدادهای مختلف یک ارز دیجیتال و بین ارزهای دیجیتال مختلف.

برای مثال، برای تحلیل احساسات، ممکن است از یک مدل یادگیری ماشین از پیش آموزش‌دیده بر روی مجموعه داده بزرگی از متون استفاده شود. این مدل می‌تواند با دقت بالایی احساسات بیان شده در یک توییت را تشخیص دهد. سپس، با تحلیل آماری احساسات توییت‌ها در بازه‌های زمانی مختلف، می‌توان تغییرات در احساسات عمومی نسبت به یک ارز دیجیتال را پس از یک حمله 51% بررسی کرد.

برخی از یافته‌های کلیدی این تحقیق عبارتند از:

• حملات 51% بر ارزهای رمزنگاری شده، برخلاف تصور عمومی، نسبتاً رایج هستند.
• حملات 51% منجر به افزایش احساسات منفی و کاهش اعتماد به ارز دیجیتال مورد حمله می‌شود.
• نوع و شدت احساسات پس از حمله، بسته به ارز دیجیتال مورد حمله، ماهیت حمله و سابقه آن ارز، می‌تواند متفاوت باشد. به عنوان مثال، حملات به ارزهای دیجیتال بزرگ‌تر و شناخته‌شده‌تر ممکن است تاثیر بیشتری بر احساسات عمومی داشته باشند.
• در برخی موارد، پس از حمله 51%، شاهد افزایش فعالیت کاربران در رسانه‌های اجتماعی هستیم. این امر می‌تواند ناشی از تلاش برای کسب اطلاعات بیشتر، بیان نگرانی‌ها یا بحث در مورد راهکارهای مقابله با حمله باشد.
• برخی از کاربران در رسانه‌های اجتماعی، حملات 51% را به عنوان فرصتی برای خرید ارز دیجیتال با قیمت پایین‌تر می‌بینند.

به عنوان مثال، این تحقیق نشان می‌دهد که پس از حمله 51% به یک ارز دیجیتال خاص، حجم توییت‌های حاوی کلمات کلیدی مرتبط با “ترس” و “ناامیدی” به طور قابل توجهی افزایش می‌یابد. این امر نشان می‌دهد که حملات سایبری می‌توانند تاثیرات روانی عمیقی بر روی کاربران داشته باشند.

نتایج این تحقیق می‌تواند در زمینه‌های مختلف کاربرد داشته باشد:

• توسعه‌دهندگان ارزهای رمزنگاری شده: می‌توانند از این یافته‌ها برای بهبود امنیت و پایداری سیستم‌های خود استفاده کنند. با درک بهتر تاثیر حملات سایبری بر ادراک عمومی، می‌توانند راهکارهایی را برای کاهش این تاثیرات و حفظ اعتماد کاربران طراحی کنند.
• سرمایه‌گذاران: می‌توانند از این یافته‌ها برای ارزیابی ریسک سرمایه‌گذاری در ارزهای رمزنگاری شده استفاده کنند. با بررسی احساسات و عواطف کاربران در واکنش به حملات سایبری، می‌توانند دید بهتری نسبت به آسیب‌پذیری‌های اجتماعی و روانی این سیستم‌ها به دست آورند.
• سیاست‌گذاران: می‌توانند از این یافته‌ها برای تدوین قوانین و مقررات مناسب در حوزه ارزهای رمزنگاری شده استفاده کنند. با درک بهتر تاثیر حملات سایبری بر افکار عمومی، می‌توانند سیاست‌هایی را برای حفظ امنیت و اعتماد در این سیستم‌ها اتخاذ کنند.
• پژوهشگران: این تحقیق می‌تواند به عنوان مبنایی برای تحقیقات بیشتر در زمینه امنیت سایبری، ارزهای رمزنگاری شده و علوم اجتماعی مورد استفاده قرار گیرد.

یکی از دستاوردهای مهم این تحقیق، ایجاد یک لیست جامع از رویدادهای حمله 51% به ارزهای رمزنگاری شده است. این لیست می‌تواند به عنوان یک منبع ارزشمند برای پژوهشگران و علاقه‌مندان به این حوزه مورد استفاده قرار گیرد.

مقاله “Social Media Perceptions of 51% Attacks on Proof-of-Work Cryptocurrencies: A Natural Language Processing Approach” یک مطالعه ارزشمند و نوآورانه است که به بررسی تاثیر حملات 51% بر ادراک کاربران در رسانه‌های اجتماعی می‌پردازد. این تحقیق با استفاده از تکنیک‌های پردازش زبان طبیعی، بینش‌های دقیقی را در مورد احساسات و عواطف کاربران در واکنش به این حملات ارائه می‌دهد. یافته‌های این تحقیق می‌تواند در زمینه‌های مختلف کاربرد داشته باشد و به توسعه‌دهندگان، سرمایه‌گذاران، سیاست‌گذاران و پژوهشگران کمک کند تا درک بهتری از آسیب‌پذیری‌های اجتماعی و روانی ارزهای رمزنگاری شده به دست آورند.

به طور کلی، این مقاله نشان می‌دهد که حملات سایبری نه تنها می‌توانند منجر به خسارات مالی شوند، بلکه می‌توانند تاثیرات روانی عمیقی بر روی کاربران داشته باشند. بنابراین، حفظ امنیت و اعتماد در سیستم‌های ارز رمزنگاری شده، نیازمند رویکردی جامع است که هم جنبه‌های فنی و هم جنبه‌های اجتماعی و روانی را در نظر بگیرد.