Research Article

إطار عمل ألعاب تعاوني معزز بالتعلم الآلي لتداول الأعمال الفنية القائمة على التوكن غير القابل للاستبدال مع إثبات المعرفة الصفرية

DOI:

10.3791/68889

⸱

March 13th, 2026

 , 
1Department of Computer Science and Engineering, National Institute of Technology Meghalaya

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تعزز هذه الدراسة تداول الأصول الرقمية المعتمدة على NFT في بيئات المدن الذكية من خلال دمج التعلم الآلي في إطار عمل CoGTT. يتم تنفيذه باستخدام العقود الذكية على بلوكشين عام ومدعوم بإثباتات المعرفة الصفرية، ويحسن الإطار العدالة والقدرة على التكيف والشفافية، محققا معدل إتمام تداول بنسبة 84٪ مع الأخذ في الاعتبار تكاليف التنفيذ المتأصلة في الأنظمة اللامركزية.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

في سياق المدن الذكية، تقوم الرموز غير القابلة للاستبدال (NFTs) بتحويل أسواق الفن الرقمي من خلال تمكين معاملات آمنة ولامركزية. مع نمو تداول NFTs، يصبح دمج الذكاء والقدرة على التكيف أمرا بالغ الأهمية—مما يجعل دمج التعلم الآلي (ML) أمرا أساسيا. ومع ذلك، فإن النماذج الحالية، وخاصة أطر التداول التعاوني لنظرية الألعاب (CoGTT)، لا تستغل التعلم الآلي بشكل كاف في جميع مراحل التداول. تشمل الفجوات الرئيسية محدودية التكيف في الوقت الحقيقي، واستراتيجيات تفاوض غير مثالية، وعدم كفاية التوفيق بين المشتري والبائع. تعالج هذه الدراسة هذه الفجوات من خلال دمج التعلم الآلي في إطار عمل CoGTT مكون من ثلاث مراحل—التداول الساذج المدعم بتعلم الآلة، والتفاوض على الحد الأدنى لأقصى سعر، والتداول القائم على التوازن—لتعزيز اتخاذ القرار والتسعير. تطبق المنهجية خوارزميات التعلم الآلي مثل أشجار القرار، والتجميع، والتعلم المعزز (Q-learning) ضمن بيئة محاكاة عامة تعتمد على البلوكشين باستخدام العقود الذكية. تستخدم المحاكاة مجموعة بيانات مخصصة تعكس ديناميكيات السوق ومصداقية الفنانين. يتم توليد مجموعة البيانات بشكل اصطناعي لمحاكاة سوق NFT مع الحفاظ على ظروف تجريبية مضبوطة، مما قد يحد من قابلية التطبيق المباشر للأسواق الواقعية المتقلبة. تستخدم براهين المعرفة الصفرية (ZKPs) للحفاظ على الخصوصية. تستخدم أجهزة ZKP للحفاظ على الخصوصية. يظهر تحليل مقارن لنماذج التعلم الآلي لتقدير أسعار NFT والمزايدة الاستراتيجية فعالية دمج الخوارزميات التنبؤية مع التعلم التعزيزي. نماذج الانحدار الخطي والغابات العشوائية تقدر أسعار NFT بدقة، حيث تحقق الغابة العشوائية دقة توقع أعلى في الوقت الحقيقي (R2 = 0.9920). يقوم تجميع K-Means بتقسيم المشاركين في السوق بفعالية لدعم التفاوض المستهدف، محققا درجة ظلية تبلغ 0.8178. يتيح دمج التعلم السؤالي مع الغابة العشوائية استراتيجيات مزايدة ديناميكية تقلل الفجوة بين الأسعار الموصى بها والأسعار الفعلية. تدعم مجموعة الإجراءات المنفصلة (التقليل، البقاء، الزيادة) تعديلات مزايدة قابلة للتفسير في الوقت الحقيقي. تسلط هذه النتائج الضوء على الإمكانات التي تدعم أنظمة تداول NFT المدفوعة بالتعلم الآلي الأسواق الرقمية القابلة للتوسع والمتوافقة مع الخصوصية في المدن الذكية، مواءمة سلوك التداول مع متطلبات السوق من خلال عمليات مؤتمتة مدفوعة بالبيانات.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

أدى التقاء تقنية البلوكشين والرموز غير القابلة للاستبدال (NFTs) إلى إدخال نموذج تحويل في ملكية الأصول الرقمية وتداولها، خاصة داخل المدن الذكية. في هذا السياق، يتيح إطار تداول الأعمال الفنية الرقمية للفنانين تحقيق الدخل من إبداعاتهم ويوفر لهواة الجمع ملكية قابلة للتحقق من خلال بنية تحتية لامركزية. وهذا يتماشى جيدا مع أهداف المدن الذكية مثل الشفافية، وقابلية التتبع، والأتمتة. تعيق عدة عوامل، مثل ارتفاع رسوم المعاملات، ومحدودية التوافق، وعدم كفاية تطبيق حقوق النشر، اعتماد هذه الأنظمة وقابليتها للتوسع.

تستكشف مجموعة متزايدة من الأبحاث التأسيسية هذه القضايا من زوايا متعددة. يقدم فوجيتشيتش وآخرون 1 وكومار وآخرون 2 نظرة فنية على التمويل اللامركزي وآليات العقود المبتكرة التي تدعم تداول NFT. يفحص Ante وآخرون وآخرون وGuan وآخرون السلوكيات الاقتصادية وتجارب المستخدمين في أسواق NFT، مع تسليط الضوء على التقلبات والسلوك الاستراتيجي بين أصحاب المصلحة. تظهر التطبيقات التي تتجاوز الفن الرقمي—مثل إدارة النفايات5، والتداول الآمن بالذكاء الاصطناعي6، والامتثالالقانوني 7—مرونة وتوسيع فائدة منصات NFT في النظم البيئية اللامركزية.

ظهرت أيضا مناهج متعددة التخصصات لتعزيز هذه المنصات. تم استخدام نظرية الألعاب لمعالجة هياكل الحوافز، ونزاعات الملكية، والامتثال التنظيمي، كما هو موضح في أعمال Sun وآخرون 8، Gao وآخرون 9، وشاو وآخرون 10. تصمم هذه الدراسات نماذج قائمة على التوازن ونماذج مدفوعة بالعقوبات لتشجيع السلوك العادل وتخصيص الموارد بكفاءة. في الوقت نفسه، يتم إدخال تقنيات التعلم الآلي (ML) لتحسين اكتشاف الاحتيال، والتنبؤ بالأسعار، وتقييم المحتوى في أنظمة NFT11,12، مقدمة استراتيجيات قائمة على البيانات لتحسين كفاءة التداول 9,10. بدأت الدراسات الحديثة في استكشاف التنبؤ بأسعار NFT باستخدام التعلم العميق والميزات البصرية. اقترح سيهان وسيفر13 نموذج تعلم عميق للتنبؤ بأسعار بيع كل من NFTs الأولية والثانوية، مما أظهر دقة محسنة مقارنة بالنماذج الأساسية. وبالمثل، استخدم PalaوSefer 14 التعلم التحويلي على خصائص NFT القائمة على الصور لتوقع خصائص المبيعات، مما يبرز أهمية الميزات البصرية في تحديد السعر. تكمل هذه الأعمال نهجنا من خلال التركيز على أنماط البيانات البديلة، بينما يدمج إطارنا التعلم الآلي مع التفاوض النظري على الألعاب للتداول الديناميكي والتكيفي.

تؤكد الأدبيات الحديثة التأثير المتزايد لتقنيات البلوك تشين وNFT في تأمين النظم البيئية الرقمية وإعادة هيكلة ديناميكيات السوق. يعزز تكامل البلوك تشين أمان الأصول، ومقاومة الاحتيال، والملكية اللامركزية في المنصات الرقمية، خاصة في اقتصادات الألعاب والافتراضية. في الوقت نفسه، تكشف الجماليات الرقمية المدفوعة بالرموز غير القابلة للاستبدال (NFT) وأسواق الفن اللامركزية عن تفاعلات اجتماعية تقنية معقدة تعيد تشكيل القيمة الفنية والملكية والإنتاج الثقافي16، بينما تشير الدراسات التجريبية إلى أن تسعير NFT يحكمه بشكل رئيسي الندرة، وسمعة المبدعين، وديناميكيات السوق18. تظهر التحليلات الكمية والتحليلات القائمة على الشبكات أيضا أن التحسين الاستراتيجي وشبكات التفاعل المنظمة تؤثر بشكل كبير على النتائج الاقتصادية والاستقرار وأنماط النجاح في الأسواق اللامركزية والأنظمة ذات الصلة19,20.

على الرغم من هذه التطورات، لا تزال أطر تداول NFT الحالية — وخاصة تلك المبنية على التداول التعاوني لنظرية الألعاب (CoGTT) — محدودة في القدرة على التكيف واتخاذ القرار. يوضح الشكل 1 المخطط المعماري لإطار التداول التعاوني المعزز بنظام التعلم الآلي المقترح (CoGTT). النماذج الحالية في الغالب ثابتة، وغالبا ما تعتمد على استراتيجيات استدلالية أو قائمة على القواعد التي لا تأخذ في الاعتبار ظروف السوق المعقدة والديناميكية وسلوك المستخدمين. ينتج عن ذلك صفقات غير فعالة، واستراتيجيات تسعير سيئة، وعدالة محدودة للمعاملات.

يقترح هذا البحث إطار عمل CoGTT معزز للتعلم الآلي لمنصات تداول الأصول الرقمية اللامركزية لمعالجة هذه القيود. ينظم الإطار إلى ثلاث مراحل تقدمية — التداول الساذج المعزز بتعلم الآلة، التفاوض على الحد الأدنى لأقصى سعر، والتداول القائم على التوازن—ويستفيد من تقنيات التعلم المراقب وغير المراقب والتعزيز لتحسين تحليل السوق، والتفاوض الاستراتيجي، واكتشاف التوازن. على وجه التحديد، تستخدم نماذج التصنيف (مثل أشجار القرار)، وخوارزميات التجميع (مثل K-Means)، وطرق التعلم الديناميكي (مثل التعلم بالأسئلة الذهنية) لتحسين مطابقة التداول، وتحديد الأسعار، واستراتيجية التفاوض.

يتم نشر هذه البنية المعززة بتعلم الآلة على منصة البلوكشين المدعومة بالعقود الذكية (هنا، بلوكشين إيثيريوم)، لضمان تنفيذ الصفقات بشكل لامركزي وشفاف ومستقل. لحماية بيانات المستخدمين والحفاظ على السرية، يتم دمج نقاط ZKP مما يتيح التحقق الآمن للمعاملات بشكل مشفير دون الكشف عن معلومات حساسة. تؤثر الرؤى المدعومة بتعلم الآلة مباشرة على منطق العقود الذكية، حيث تدمج الأسعار المتوقعة والعتبات التكيفية التي تستجيب لديناميكيات السوق في الوقت الحقيقي.

باختصار، تقدم هذه الدراسة إطار تداول قابل للتوسع ويحافظ على الخصوصية وذكيا تم تطبيقه على بلوكشين عام مع جدول حساب رسوم الغاز وتكلفة النشر في الجدول 1 ، مما يعزز بشكل كبير كفاءة أنظمة تداول NFT (كما هو موضح في الجدول 2 والجدول 3)، والموثوقية، والقدرة على التكيف. من خلال دمج التعلم الآلي بشكل وثيق مع منطق الألعاب والبنية التحتية للبلوك تشين، يتماشى الحل المقترح مع أهداف المدن الذكية — تقديم منصة آمنة وعادلة وشاملة للمستخدم لتبادل الأصول الرقمية.

تقترح هذه الدراسة إطارا هجينا يدمج التعلم الآلي مع التداول التعاوني بنظرية الألعاب (CoGTT) لدعم التسعير والتفاوض واتخاذ القرار في أسواق الفن الرقمي المعتمد على NFT. تدمج النماذج التنبؤية مع العقود الذكية لتعزيز أتمتة العمليات والعدالة والأمان في بيئات التداول. لمعالجة متطلبات الخصوصية والامتثال، تستخدم وحدات ZKP لمطابقة الأسعار، والتحقق من الملكية، والتحقق من الأصالة. يعتمد الإطار هيكلا من ثلاث مراحل يشمل التداول الساذج بمساعدة التعلم الآلي، والتفاوض على الحد الأدنى للسعر، والتداول القائم على التوازن، مما يوفر نهجا منسقا لعمليات سوق NFT القابلة للتوسع.

التحليل المقارن في الجدول 4: 8، 9، 10، 13، 14، 21، 22، 23، 24، 25، 26، 27، 28، 29، 30، 31، 32، 33,34,35,36,37,38 يسلط الضوء على دمج البلوك تشين، والرموز غير القابلة للاستبدال (NFTs)، وتعلم الآلة، ونماذج نظرية الألعاب عبر مجالات لامركزية مثل الأسواق الرقمية، وأمن إنترنت الأشياء، وأنظمة الطاقة. تظهر الدراسات السابقة أن دمج نماذج التعلم المتقدمة وآليات البلوك تشين يعزز دقة التسعير، والأمان، والشفافية، وتحسين التوازن. تشير الأدلة التجريبية والتحليلية إلى تحسينات في الكفاءة، والتخفيف من الاحتيال، وتقليل التكاليف، والتوزيع العادل للحوافز من خلال أطر التعلم الآلي والبلوكشين الهجينة.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

إطار تداول الأعمال الفنية للNFT المعتمد على البلوكشين مصمم كبروتوكول متعدد الطبقات يدمج العقود الذكية، وآليات الحفاظ على الخصوصية، ونمذجة نظرية الألعاب، وخوارزميات التعلم الآلي، والتعلم التعزيزي، وتقييم تكلفة الغاز ضمن بنية موحدة.

تبدأ العملية بتطوير العقود الذكية التي تحدد الوظائف الأساسية مثل تسجيل المشاركين، وإدراج الأصول، وتقديم الأوامر، وتنفيذ المعاملات. تتيح هذه العقود انضمام المستخدمين، وتسجيل الأصول، والتعامل الآمن مع الطلبات. لتقييم الصحة والكفاءة، تم اختبار منطق العقد، وتم تسجيل تكاليف التنفيذ تحت إعدادات سرعة معاملات مختلفة.

تم دمج نقاط ZKP للتحقق من أصالة الأعمال الفنية دون الكشف عن تفاصيل حساسة. تخضع كل معاملة لتحقق مزدوج من خلال فحوصات على السلسلة والتحقق من نقاط ZKP، مما يضمن السرية وسلامة البيانات. يعمل تصميم ZKP المعياري بشكل مستقل عن العقود الذكية الرئيسية، مما يسمح بالتكامل ودعم النشر على نطاق واسع. تم تقييم توليد الإثبات وكمون التحقق لتقييم الجدوى.

تم تنفيذ واجهة ويب باستخدام إطار عمل عام. تتضمن الواجهة وحدات مثل صفحة هبوط، ولوحة تحكم للفنانين، ومنصة تداول. تتيح المصادقة القائمة على المحفظة توقيع المعاملات، بينما تتيح وظائف الرفع والسك للفنانين تحويل الأعمال الرقمية.

على مستوى تصميم السوق، يستخدم نموذج التداول التعاوني لنظرية الألعاب (CoGTT) آلية تفاوض منظمة من ثلاث مراحل. المرحلة الأولى تطبق مطابقة الأسعار المباشرة بناء على العروض والطلبات المقدمة. ينتقل المشاركون غير المتطابقين إلى المرحلة الثانية، التي تستخدم استراتيجيات تسعير الحد الأدنى والأقصى التفاوض عليها، بما في ذلك طرق التقييم في منتصف النقطة. إذا لم يتم التوصل إلى اتفاق، تتقدم الصفقات إلى المرحلة الثالثة، حيث تطبق مبادئ توازن ناش، وتستمر المفاوضات التكرارية حتى تصل الأسعار المتقاربة للتوازن. يتم تنفيذ هذه المراحل كخوارزميات معيارية: المطابقة الساذجة (الخوارزمية 1)، الوساطة في منتصف النقطة (الخوارزمية 2)، تداول توازن ناش (الخوارزمية 3)، وسير عمل متكامل (خوارزمية 4).

نماذج التعلم الآلي مدمجة في عملية التداول لدعم اتخاذ القرار. تستخدم ميزات السوق مثل العروض، والطلبات، وحجم التداول، وبيانات الأسعار التاريخية، ودرجات السمعة في النمذجة التنبؤية. يقدر الانحدار الخطي (الخوارزمية 5) الأسعار العادلة، مع تقييم الأداء باستخدام متوسط الخطأ التربيعي (MSE). تجميع K-Means (الخوارزمية 6)، المدعوم بتطبيع الميزات وتقليل الأبعاد المعتمد على PCA، يقسم المستخدمين إلى مجموعات يتم تقييمها بواسطة درجة الظل. يوفر الغابة العشوائية (الخوارزمية 7) توقعات أسعار إضافية، تم التحقق منها من خلال كل من MSE وR2. تجمع خوارزمية تكاملية (خوارزمية 8) بين الانحدار، والتجميع، ومخرجات الغابة العشوائية في تدفق قرار ديناميكي للتداول التكيفي.

يتم تطبيق التعلم المعزز من خلال التعلم السؤالي لتحسين استراتيجيات المزايدة. يتم تعريف فضاء الحالة بمستويات الأسعار الحالية وقيم المزايدة، بينما تشمل الإجراءات زيادة أو تقليص أو احتفاظ. يتم تدريب وكيل Q باستخدام تغذية راجعة من توقعات الغابات العشوائية، وتعلم سياسات تقلل من خطأ التسعير وتزيد من فائدة المشاركين. تجرى المحاكاة حتى التقارب مع سياسات متوافقة مع التوازن، ويتم التحقق من النتائج في بيئات تداول محاكاة.

يتم تسجيل استهلاك الغاز لكل وظيفة عقد بشكل منهجي، مع حساب تكاليف المعاملات تحت إعدادات سرعة مختلفة. على سبيل المثال، استهلك دالة registerArtist() 90,123 وحدة غاز، مع مقارنة التكاليف مقابل أسعار ETH في السوق. تحدد هذه التقييمات المقايضات بين التكلفة وكفاءة التنفيذ.

تم تقييم أداء الإطار باستخدام عدة مقاييس. حقق الانحدار الخطي MSE قدره 4.54 × 10⁻28، بينما أنتج تجميع K-Means درجة ظلال 0.8178. أعطت راندوم فورست MSE بمقدار 0.1311 مع R2 0.9920. تم تقييم مخرجات التعلم التابع للتقارب ومحاذاة التوازن تحت ظروف تسعير مختلفة. تشير هذه النتائج إلى جدوى النهج المقترح لدعم تداول فن NFT في ظل ظروف السوق القائمة على البلوك تشين.

إطار التداول التعاوني النظري للألعاب (CoGTT) المقترح لتداول الفن الرقمي

يجمع إطار التداول التعاوني النظري للألعاب (CoGTT) المبتكر من نهج تداول NFT نظرية الألعاب مع آليات تسعير إضافية وتوازن ناش لتحسين كفاءة وتنسيق أسواق NFTs. النهج المقترح مبني على منصة بلوكشين مدعومة بالعقود الذكية. يستفيد هذا النهج من تقنيات التشفير المتقدمة ونقاط ZKP لضمان التحقق الآمن والخاص من المعاملات. تسمح شروط ZKP بالتحقق من تفاصيل الملكية والمعاملات دون الكشف عن معلومات حساسة عن المشترين أو البائعين.

يقدم هذا النهج المقترح تفاعلات استراتيجية بين المبدعين والمشترين والوسطاء ضمن سوق لامركزي. يهدف هذا النموذج إلى تحسين نتائج التداول، مع تحقيق توازن بين الحوافز لجميع المشاركين مع مراعاة ديناميكيات المنافسة والتعاون. بينما يركز الإطار المقترح بشكل أساسي على مطابقة المزايدة والطلب الساذجة، والتفاوض القائم على نقطة الوسط، والتسوية القائمة على توازن ناش، إلا أن هناك طرقا أخرى مثل المزادات بالسعر الثاني لا تزال ذات صلة في أسواق NFT. في تداول الأعمال الفنية الرقمية، يحدد المزاد سعر الصفقة باستخدام الأساليب:

سعر المزايدة على المستهلك: يتم تحديد السعر مباشرة بناء على أعلى عرض للمشتري. تعكس هذه الطريقة أقصى قيمة سيدفعها المشتري مقابل العمل الفني، مما يعزز مزايدة تنافسية.

طريقة السعر المتوسط: يحسب السعر كنقطة منتصف بين سعر المشتري المعروض وسعر البائع المطلوب، مما يخلق توازنا. هذا الحساب التوازني للسعر:

التوازن (EPrice) = DArtAPrice + DArtBPrice

يهدف هذا النهج إلى تحقيق توازن بين مصالح كل من المشتري والبائع، مما يؤدي إلى صفقة عادلة ومتفق عليها بين الطرفين. توفر هذه الطرق مرونة في استراتيجيات التسعير، تلبي التفضيلات المتنوعة وديناميكيات السوق في منظومة تداول الأعمال الفنية الرقمية.

نموذج التداول التعاوني القائم على نظرية الألعاب من ثلاث مراحل

يقدم هذا القسم نهج تداول تعاوني مبتكر من ثلاث مراحل قائم على نظرية الألعاب، مصمم خصيصا للأعمال الفنية الرقمية. يقوم هذا النهج بتعديل أسعار المزايدة والطلب ديناميكيا لتحسين كفاءة التداول والعدالة، كما هو موضح في الجدولين 2 والجدول 3، ويتم تسهيلهم بواسطة وسيط. يهدف إلى تحسين العدالة والكفاءة والربحية في أسواق NFT اللامركزية، مع تحقيق توازن بين مصالح المبدعين ومشتري الأعمال الفنية. يوضح الشكل 2 نموذج نظام التداول ذي المراحل الثلاث المقترح للأعمال الفنية الرقمية، مع الخوارزمية التفصيلية المقدمة في الخوارزمية 4. يكمل إطار CoGTT المقترح عملية تداول الأعمال الفنية الرقمية بكفاءة في ثلاث مراحل: أ) التداول الساذج بناء على أسعار الطلب والمزايدة، ب) التداول بناء على الحد الأدنى الأقصى للسعر التفاوضي، وج) التداول باستخدام طريقة توازن ناش. في المرحلة الأولى، يبدأ التداول الساذج بناء على المعلومات الأولية من المبدعين والمشترين. تتضمن المرحلة الثانية التداول بناء على الأسعار الدنيا المتفق عليها بين البائعين والمشترين للطلبات المتبقية غير المتداولة. وأخيرا، تستخدم المرحلة الثالثة طريقة توازن ناش لإنهاء عملية التداول.

المرحلة الأولى - التداول الساذج على سعر الطلب والمزايدة:

في المرحلة الأولى، يتم تنظيم منشئي الأعمال الفنية الرقمية (مقدمو الخدمة) بترتيب تصاعدي بناء على الأسعار المطلوبة لديهم، بالإضافة إلى الحد الأدنى لأسعار البيع. وبالمثل، يتم ترتيب المشترين (المستهلكين) بترتيب تصاعدي وفقا لأسعار المزايدة المقدمة لهم، بالإضافة إلى أقصى أسعار مزايدة لهم. يتم الحفاظ على السرية الحد الأدنى للسعر المطلوب للمبدعين وأقصى سعر مزايدة للمشترين. يتم بعد ذلك اتباع نهج تعاوني لمطابقة المشترين والمبدعين، مما يسهل توزيع الأعمال الفنية حيث تتوافق أسعار المزايدة للمشترين مع الأسعار التي يطلبها المبدعون. قد يشمل هذا التخصيص منشئ واحد أو عدة منشئين، طالما أن الأسعار المجمعة للطلب تقع ضمن عرض المشتري. المشترون الذين لا يتمكنون من الحصول على أعمال فنية في هذه المرحلة بسبب قيود الأسعار سينتقلون إلى المرحلة الثانية. تفاصيل نهج التداول موضحة في الخوارزمية 1.

المرحلة الثانية - التداول على سعر الحد الأدنى الأقصى المتفاوض عليه

في المرحلة الثانية، يتم معالجة طلبات المشترين غير المتطابقين لإكمال عملية التداول، باستخدام الحد الأدنى من الأسعار المطلوبة من صانعي الأعمال الفنية الرقمية وأقصى أسعار المزايدة من المشترين. يستخدم نهج التداول عدة طرق، بما في ذلك القيمة المتوسطة، والقيمة المتوسطة داخل اليوم، وتوازن السوق، لتحديد قيمة منتصف السعر تعزز كفاءة التداول. تناقش تفاصيل هذه الأساليب المتوسطة في الأقسام الفرعية التالية. تفاصيل نهج التداول موفرة في الخوارزمية 2.

القيمة المتوسطة: نهج وساطة مدمج لإيجاد القيمة المتوسطة بين المبدعين والمشترين من خلال نهج بسيط للقيمة المتوسطة. على سبيل المثال، إذا كان سعر المزايدة لفن رقمي هو 50 وسعر الطلب 52، يمكن إيجاد القيمة الوسطى بحساب متوسط أسعار المزايدة والطلب.

figure-protocol-1

القيمة المتوسطة داخل اليوم: يحدد نهج الوساطة المدمجة الحد الأدنى لسعر التداول لنفس نوع الفنون، كما يحدد الحد الأقصى لسعر نفس نوع الفنون، ويستخدم الصيغة التالية لحساب القيمة المتوسطة: (أعلى سعر حالي لليوم + أدنى سعر حالي لليوم)/2. يتم تحديد هذه القيمة المتوسطة كسعر معاملة تداول إذا كانت القيمة المتوسطة أعلى من الحد الأدنى لسعر الطلب الخاص بصانع الفن وأقل من الحد الأقصى لسعر المزايدة للمشتري.

توازن السوق: السعر المتوسط، هو مؤشر مهم على توازن السوق. يعكس السعر الذي يتوافق به صانع الفن (السعر المطلوب) والمشتري (سعر المزايدة) لأصل ما. يتم حساب هذه القيمة عن طريق متوسط أعلى سعر مزايدة وأدنى سعر طلب، مما يوفر للمتداولين تمثيلا عادلا للقيمة السوقية الحالية، دون التأثر بأسعار المزايدة أو الشراء المتطرفة. يتم عرض الصيغة في المعادلات الثلاث التالية.

 figure-protocol-2

figure-protocol-3

figure-protocol-4

المرحلة الثالثة - التداول باستخدام طريقة توازن ناش

في الخطوة الثالثة، يتم كشف المعلومات الموسعة للطلبات المتبقية غير المتداولة، مثل الحد الأدنى للسعر المطلوب من المنشئ وأقصى سعر مزايدة من المشتري للطرفين، بحيث يتوصلان إلى نقطة توازن حيث يكون سعر المزايدة للمشتري مرتفعا كما هو مستعد لقبوله، ويكون سعر الطلب للمنشئ منخفضا كما يرغبون في قبوله. تفاصيل نهج التداول تعرض في الخوارزمية 3.

في المرحلتين الأولى والثانية من الإطار، يتم استخدام السرية وتوافق الحوافز لمنع الإبلاغ الاستراتيجي الخاطئ عن الأسعار. يتم الحفاظ على الحد الأقصى لاستعداد المشترين للدفع والأسعار المقبولة الأدنى للمبدعين كقيم سرية أثناء التخصيص، مما يحد من فرص التلاعب من خلال التقليل من الإبلاغ أو المبالغة. نظرا لأن قرارات المطابقة تعتمد على النطاقات (الحد الأدنى للطلب والحد الأقصى للمزايدة) بدلا من الإفصاحات الصريحة، فإن محاولات الإبلاغ الخاطئ عن الأسعار تزيد من احتمال الاستبعاد من تخصيصات المرحلة الأولى أو المرحلة الثانية، مما يقلل من فرص التداول. علاوة على ذلك، يتقدم البروتوكول إلى مرحلة ثالثة تعتمد على توازن ناش عندما تفشل الصفقات السابقة. في هذه المرحلة، تؤدي التعديلات التكرارية إلى تقارب في نتائج تعكس القيم الحقيقية للمشاركين بدقة أكبر. هذا التقدم يثبط الإبلاغ الخاطئ في المراحل الأولى، حيث أن المحاولات الفاشلة للتلاعب تؤخر التنفيذ وتتطلب في النهاية الكشف الصادق عن التقييمات لإتمام التجارة بنجاح.

لا تعامل مخرجات خوارزميات التعلم الآلي (ML) كتوقعات معزولة، بل يتم دمجها بنشاط في إطار التداول التعاوني النظري للألعاب (CoGTT) ذو الثلاث مراحل لتوجيه التسعير والتفاوض واكتشاف التوازن. يتم الآن وصف الروابط كما يلي:

المرحلة 1 - التداول الساذج مع الانحدار الخطي: ينتج نموذج الانحدار الخطي معيارا سعريا عادلا من خلال متوسط ميزات العرض والطلب مقابل الاتجاهات التاريخية. يتم بعد ذلك مقارنة هذا السعر العادل المتوقع بكل من العرض المقدم للمشتري وسعر الطلب. إذا أبلغ أي من الطرفين عن قيمة تختلف بشكل كبير عن السعر العادل المتوقع، يتم تقليل الأولوية للتخصيص المخصص، مما يقلل الحافز للإبلاغ الخاطئ. لذا، يعمل مخرج الانحدار كآلية تصفية تحدد أي الصفقات تعتبر قابلة للتخصيص المباشر.

المرحلة 2- التفاوض على الحد الأدنى مع الغابات العشوائية: يقوم نموذج الغابة العشوائية بتحسين تقدير الأسعار الديناميكي من خلال دمج فروق العرض والطلب، وحجم التداول، ودرجات السمعة. تستخدم هذه التنبؤات مباشرة لمعايرة طرق التفاوض القائمة على منتصف النقطة (القيمة المتوسطة، منتصف النقطة داخل اليوم، توازن السوق). على سبيل المثال، عند حساب سعر نقطة الوسط، يتم تطبيق توقع الغابة العشوائي كعامل تصحيحي لضمان توافق القيمة التفاوضية مع سلوك السوق. يضمن هذا التكامل أن نتائج الوساطة تكون مرتبطة بأنماط السوق المتعلمة بدلا من نقاط وسطى حسابية عشوائية.

المرحلة 3- التداول القائم على التوازن مع تجميع K-المتوسطات: في هذه المرحلة، يتم أولا تقسيم المشاركين بين المشتري والبائع إلى مجموعات بناء على خصائص سلوكية (عدوانية المزايدة/الطلب، السمعة، النشاط التاريخي). يضمن هذا التقسيم أن تحدث المفاوضات نحو التوازن بين المشاركين المتشابهين، مما يقلل من التقلبات ويحسن العدالة. وبالتالي، تعمل تعيينات المجموعات كقيود على مستوى المجموعة على أسعارها التي يمكن النظر فيها في اكتشاف التوازن.

تكامل التعلم المعزز (Q-learning): يبني التعلم Q على توقعات الغابات العشوائية لتحسين استراتيجيات المزايدة الديناميكية. في كل مرة يقوم فيها الوكيل بتعديل مزايدة (تقليل، احتفاظ، أو زيادة)، يتم حساب إشارة المكافأة بالنسبة للسعر العادل المتوقع من الغابة العشوائية. على مدى عدة حلقات، يتعلم وكيل Q سياسات تقلل من أخطاء التسعير وتعظم المنفعة، ويتم تطبيق هذه السياسات مباشرة في تداول التوازن المرحلة الثالثة. في الواقع، يعني هذا أن تعديلات المزايدة للمشترين أثناء اكتشاف التوازن تستند إلى استراتيجيات تم تحسينها والتحقق منها خلال محاكاة التدريب.

معا، تظهر هذه الآليات أن مخرجات التعلم الآلي تعمل كمحركات دعم اتخاذ القرار مرتبطة ارتباطا وثيقا بمراحل CoGTT. يفرض الانحدار الخطي تخصيصات أولية واقعية، ويؤسس الغابة العشوائية المفاوضات في سلوك السوق التجريبي، ويشكل التجميع عملية التوازن، ويدفع التعلم المعزز لتحسين الاستراتيجيات التكيفية. من خلال ربط التنبؤات الخوارزمية بشكل صريح بنقاط اتخاذ القرار التشغيلية، يضمن الإطار أن التداول ليس فقط مؤتمت، بل يستند أيضا إلى ذكاء تكيفي للسوق.

مجموعات البيانات، الميزات، وإطار عمل قابلية التكرار

تعريف مجموعة البيانات والدوافع

تتميز بيئات تداول NFT والأصول الرقمية بخصائص سوقية ومشاركة متعددة، بما في ذلك سعر عرض المشتري، سعر الطلب من البائع، سعر المعاملة التاريخي، حجم المعاملات، وسمعة المشاركين. ونظرا لعدم توفر مجموعة بيانات NFT متاحة للجمهور جميع هذه الصفات في الوقت نفسه، تستخدم هذه الدراسة مجموعات بيانات مولدة تركيبيا لتمكين التحقق من صحة البروتوكول المتحكم به مع الحفاظ على سلوك السوق الواقعي. تتراوح أحجام مجموعات البيانات بين 100 إلى 1000 معاملة، حسب السيناريو التجريبي ومتطلبات النموذج.

يتكون كل سجل مجموعة بيانات من الحقول التالية: مزايدة، طلب، سعر تاريخي، حجم، سمعة، وسعر عادل، حيث يعرف السعر العادل كمتوسط حسابي لقيم المزايدة والطلب.

عملية توليد البيانات الاصطناعية:

يتم أخذ عينات من عروض المشتري من توزيعات موحدة محدودة، باستخدام نطاقات مثل [90، 110] للتجارب الصغيرة النطاق و[100، 1000] للمحاكاة واسعة النطاق. يتم توليد أسعار الطلب من البائع بإضافة إزاحة عشوائية إيجابية إلى العروض المقابلة، مما يشكل فروقات عرض واقعية بين العرض والطلب. تستمد الأسعار التاريخية من توزيعات طبيعية تركز على قيم المزايدة مع ضوضاء إضافية لمحاكاة تقلبات السوق. يتم توليد أحجام المعاملات كقيم صحيحة ضمن نطاقات محددة مسبقا (مثل [1، 10] أو [100، 1000])، بينما يتم أخذ عينات من درجات سمعة المشاركين من توزيعات موحدة إما في [0, 1] (درجات الثقة المطبعة) أو [0، 5] (تمثيل النجوم). جميع التجارب تستخدم بذور عشوائية ثابتة (numpy.random.seed(42)) لضمان إعادة بناء حتمية وقابلة للتكرار لمجموعة البيانات.

مخطط البيانات، التخزين، والوصول إليها

جميع مجموعات البيانات مخزنة بصيغة CSV مع مخطط ثابت مكون من ستة أعمدة: (مزايدة، طلب، historical_price، حجم، سمعة، fair_price). عادة ما يحتوي كل ملف CSV على حوالي 1000 سجل، ما لم يذكر خلاف ذلك. لإعادة الإنتاج اللامركزية، يتم رفع ملفات مجموعات البيانات إلى IPFS، ويتم تسجيل معرفات المحتوى المقابلة (CIDs) إلى جانب عناوين العقود الذكية في ملفات التكوين. يتيح هذا التصميم استرجاع مستقل لمجموعات بيانات متطابقة دون الاعتماد على التخزين المركزي.

إعداد وتقسيم مجموعة البيانات

يتم تقسيم مجموعات البيانات إلى مجموعات تدريب واختبار باستخدام تقسيم 80/20 للقطار والاختبار يتم تنفيذه عبر train_test_split مع random_state=42. يتم تطبيق التحقق المتقاطع الخماسي أثناء ضبط المعلمات الفائقة في Random Forest، بينما يتم تطبيق تحجيم الميزات باستخدام StandardScaler() عند الحاجة، خاصة في التجميع وسير العمل المعتمد على PCA.

نماذج التعلم الآلي والمعلمات

جميع نماذج التعلم الآلي تنفذ باستخدام مكتبات قائمة بتكوينات ثابتة لضمان قابلية التكرار. ملخص كامل للمعاملات والقيم مقدم في الجدول المرفق. يستخدم الانحدار الخطي (LR) مقدر المربعات الصغرى مع مدخلات مزايدة، وطلب، وسعر تاريخي، وحجم، وسمعة السمعة، بينما السعر العادل هو المتغير المستهدف. يتم تقييم الأداء باستخدام متوسط تربيع الخطأ (MSE). يطبق تجميع K-Means على مجموعات الميزات المقيمة، ويتم تقليله اختياريا باستخدام تحليل المكونات الرئيسية (PCA) مع وجود مكونين يحققان التباين بنسبة تزيد عن 90٪. يتم اختيار عدد المجموعات ضمن النطاق 2–3 باستخدام معايير الكوع والظل. يستخدم الانحدار العشوائي للغابات (RF) لتقدير الأسعار غير الخطي مع 100–200 شجرة، وعمق ومعلمات تقسيم مضبوطة عبر التحقق المتقاطع الخماسي المعاني. يتم تقييم أداء النموذج باستخدام MSE و R2. يتم تنفيذ التعلم السؤالي كنهج تعلم تعزيز جدولي مع 31 حالة سعر منفصلة، وثلاث إجراءات تعديل مزايدة، ومعلمات تعلم ثابتة (α = 0.1، γ = 0.9، ε = 0.1). يتم تقييم التقارب من خلال تثبيت المكافآت العرضية. حسابيا، يكتمل الانحدار الخطي والمتوسطات K في ثوان لمجموعات بيانات تصل إلى10 عينات 3 ، وتدريب الغابة العشوائية يتطلب ثوان إلى دقائق حسب المقياس، والتعلم ب Q يتقارب بكفاءة بسبب فضاء الحالة منخفض الأبعاد.

تنفيذ البلوكشين، الخصوصية، وتسجيل التكاليف

نشر وتنفيذ العقود الذكية

العقود الذكية التي ترمز منطق التداول مكتوبة بلغة Solidity (براغما ^0.8.20) مع تفعيل تحسين المترجم (200 تشغيل) وتنشر على شبكة اختبار سيبوليا باستخدام أطر تطوير موحدة. يتم توقيع المعاملات المعتمد على المحفظة من خلال محفظة تعتمد على المتصفح متصلة بنقطة نهاية RPC. يتم تسجيل استخدام الغاز لنشر العقود والوظائف المعاملية تلقائيا، ويتم حساب تكاليف التنفيذ باستخدام معدلات تحويل ETH/USD المتزامنة.

تكامل إثبات المعرفة الصفرية

يتم تنفيذ التحقق الذي يحافظ على الخصوصية من خلال خط أنابيب ZK-SNARK، بما في ذلك تجميع الدوائر، والإعداد الموثوق، وتوليد الأثبات، والتحقق على السلسلة. يتم توليد الإثباتات خارج السلسلة والتحقق منها على السلسلة باستخدام عقد تحقق مخصص ينشر جنبا إلى جنب مع عقد التداول الرئيسي، مما يتيح التحقق من صحة الملكية والمعاملات دون الكشف عن بيانات حساسة من المشاركين.

بيئة البرمجيات وسير عمل التنفيذ

تجرى جميع التجارب على نظام لينكس 64-بت مع تكوين مادي ثابت. يتم تنفيذ سير عمل التعلم الآلي في بيئة بايثون، بينما يعتمد تطوير البلوك تشين والتفاعل مع الواجهة الأمامية على مكدس قائم على جافا سكريبت مع إصدارات إطار عمل ثابتة. يتم بناء وخدمة تطبيقات الواجهة الأمامية باستخدام مدير حزم، وتجميع العقود الذكية ونشرها باستخدام أطر تطوير موحدة، ويتم دمج التحقق من ZKP في تدفق تنفيذ المعاملات.

يتم توثيق نسخ البرمجيات الدقيقة، وعلامات المترجم، وتكوينات المحفظة، وسياسات تثبيت IPFS، وأوامر التنفيذ، ونماذج CIDs في ملف إعادة الإنتاج لتسهيل التكرار المستقل.

النتائج التشغيلية ومعدلات الإنجاز

تنعكس متانة البروتوكول المنشور في إحصائيات التنفيذ الخاصة به. تحقق وظائف العقود الذكية الأساسية معدلات إتمام عالية، مع معدل نجاح إجمالي يبلغ 84٪ عبر جميع العمليات المعاملية. يتم الإبلاغ عن أعداد التنفيذ التفصيلية على مستوى الوظائف ومعدلات الإنجاز في جدول النتائج المقابل.

الخوارزميات

يقدم هذا القسم إطار عمل تعاوني من ثلاث مراحل لتداول الأعمال الفنية الرقمية النظرية للألعاب التعاونية، حيث يستخدم وسيط لجمع وحدات الأعمال الفنية المتاحة وأسعارها المطلوبة من المبدعين والوحدات المطلوبة وأسعار المزايدة من المستخدمين. استنادا إلى النهج المقترح، يقوم الوسيط بعد ذلك بتسهيل المعاملات بين المبدعين والمستخدمين. تدور عملية التداول على ثلاث مراحل مميزة: في المرحلة الأولى، يتم تطبيق خوارزمية تداول ساذجة على أسعار الطلب وأسعار المزايدة، كما هو موضح في الخوارزمية 1. تقدم المرحلة الثانية خوارزمية تداول قائمة على التفاوض على السعر الأقصى، مقدمة في الخوارزمية 2. وأخيرا، تستخدم المرحلة الثالثة خوارزمية تداول قائمة على توازن ناش، موضحة في الخوارزمية 3، وتدمج الخوارزمية 4 جميع الخوارزميات الثلاث في نهج شامل لتحدي الألعاب التعاونية الثلاثية لتداول الأعمال الفنية الرقمية. تظهر الخوارزمية 5 الانحدار الخطي لتوقع السعر العادل. تظهر الخوارزمية 6 تجميع K-Means لتجميع المشتري والبائع. الخوارزمية 7 تعرض الغابة العشوائية لتوقع الأسعار في التفاوض اللحظي. تعرض الخوارزمية 8 تدفق خوارزمية تداول NFT المعتمدة على التعلم الآلي. الخوارزميات 5–8 هي جزء من خوارزمية 8.

يطبق الإطار المقترح آلية تداول نظرية ألعاب تعاونية ثلاثية المراحل (CoGTT) للتعامل بشكل منهجي مع معاملات الأعمال الفنية الرقمية المبنية على NFT. في المرحلة الأولى، يتم إجراء التداول الساذج باستخدام مطابقة مزايدة وطلب مباشرة، كما هو موضح في الخوارزمية 1. يتم ترتيب المشترين حسب انخفاض أسعار المزايدة، والبائعين من خلال الأسعار التصاعدية، مما يتيح تخصيصا متسلسلا للأعمال الفنية ضمن قيود ميزانية المشتري. المشترون الذين لا يستطيعون إتمام صفقة في هذه المرحلة يتم تحويلهم إلى المرحلة الثانية، حيث يتم تطبيق تسعير الحد الأدنى الأقصى التفاوضي باستخدام الخوارزمية 2. تحسب هذه المرحلة السعر المتوسط بين الحد الأدنى لسعر الطلب للبائع وأقصى سعر مزايدة للمشتري، والذي يتم تعديله لاحقا باستخدام مؤشرات الطلب في السوق والتداول في الوقت الحقيقي. يتم تنفيذ الصفقة فقط إذا بقي السعر المتفاوض عليه ضمن نطاق المزايدة والطلب المسموح به. بالنسبة للمعاملات التي لا تزال غير محلولة، يتقدم الإطار إلى المرحلة الثالثة، حيث يتم تطبيق التداول القائم على توازن ناش باستخدام خوارزمية 3. هنا، تتقارب التعديلات السعرية التكرارية بناء على منفقات المشاركين إلى سعر توازن مستقر، مما يضمن التسوية العقلانية. يتم تنسيق هذه المراحل الثلاث ضمن سير عمل موحد لاتخاذ القرار محدد في الخوارزمية 4، والذي يدمج المطابقة المباشرة، والوساطة، وحل التوازن في خط تداول واحد.

لتعزيز دقة التسعير، والقدرة على التكيف، واتخاذ القرار الاستراتيجي، يتم تعزيز إطار عمل CoGTT بعدة نماذج تعلم آلة. تطبق الخوارزمية 5 الانحدار الخطي لتقدير سعر عادل أساسي باستخدام ميزات السوق القابلة للملاحظة، وتعمل كآلية تصفية قابلة للتفسير أثناء التقييم الأولي للتداول. للتفاوض في الوقت الحقيقي، تستخدم خوارزمية 7 منحيل الغابة العشوائية لالتقاط أنماط التسعير غير الخطية المتأثرة بفروق العرض والطلب، والأسعار التاريخية، والحجم، وسمعة المشاركين. يتم هيكلة سلوك المشاركين بشكل إضافي باستخدام خوارزمية 6، التي تطبق تجميع K-Means مع تقليل الأبعاد المعتمد على PCA على مجموعات المشترين والبائعين في مجموعات سلوكية متشابهة، مما يحسن الاستقرار أثناء مفاوضات التوازن. تم دمج هذه النماذج في سير عمل تداول موحد مدفوع بتعلم الآلة، كما هو موضح في الخوارزمية 8، حيث يدعم الانحدار الخطي تصفية المرحلة الأولى، ويحسن الغابة العشوائية أسعار التفاوض في المرحلة الثانية، ويساعد التجميع على تجميع المشاركين في المرحلة الثالثة، ويعزز التعلم المعزز تعديلات المزايدة نحو توازن ناش. معا، تضمن هذه الخوارزميات أن الإطار المقترح ليس فقط قائما نظريا بل أيضا متكيفا، مدفوعا بالبيانات، ومناسبا لبيئات سوق NFT الديناميكية. جميع الخوارزميات مدرجة في الملف التكميلي 1.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

النهج المقترح القائم على البلوكشين لتداول الأعمال الفنية الرقمية يستفيد من نقاط ZKP. كل طريقة تداول مغلفة في عقد ذكي، مع وظائف أساسية مثل تسجيل منشئ الأعمال الفنية، وتسجيل المستخدم، وآليات التداول، تعرف كوظائف عقود مخصصة. تم توضيح معلمات بيئة منصة البلوك تشين المستخدمة في المحاكاة في الجدول 1.

للحفاظ على الاتساق، تلتزم جميع طرق التداول بمعايير البلوكشين العامة الموحدة وعمليات التسجيل. تعزز نقاط ZKP الأمان من خلال التحقق من ملكية الأعمال الفنية...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يقترح هذا البحث إطار عمل تداول تعاوني لنظرية الألعاب (CoGTT) مدعوم بتعلم الآلة لأسواق الفن الرقمي المعتمد على NFT، يهدف إلى تحسين دقة التسعير، والتفاوض الاستراتيجي، وكفاءة اتخاذ القرار. يدمج هذا النهج نماذج التعلم الخاضع للإشراف، وغير المراقب، ونماذج التعزيز—مثل أشجار القرار، والوسائل K، وتعلم Q—على منصة بلوكشين مدعومة بالعقود الذكية لتمكين التداول اللامركزي والشفاف والتكيف. يتم تقديم هيكل من ثلاث مراحل: التداول الساذج المعزز بتعلم الآلة، التفاوض على الحد الأدنى للسعر، والتداول القائم عل...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

نحن، المؤلفون، نعلن أنه لا توجد تضارب مصالح—مالي، شخصي، أو غير ذلك—يمكن أن يكون أثر على العمل المبلغ عنه في هذه المخطوطة. تم استخدام نموذج اللغة الذكاء الاصطناعي فقط لصقل اللغة، وتصحيح القواعد، وتحسين الوضوح والنبرة الأكاديمية في أقسام مختارة من المخطوطة. لم تستخدم الأداة لتوليد الأفكار العلمية، أو صياغة الفرضيات، أو تصميم المنهجية، أو إجراء التجارب، أو تحليل النتائج، أو استخلاص الاستنتاجات.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يرغب المؤلفون في التعبير عن خالص امتنانهم للدكتور ك. هيمانت كومار ريدي على إرشاداته القيمة واقتراحاته العميقة طوال هذا البحث. كما نقدر الملاحظات البناءة من الأصدقاء والزملاء، التي ساعدت كثيرا في تحسين جودة ووضوح هذه الورقة.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
الهاردهات (إطار تطوير البلوكشين)خوذة الصلبةv2.19.1https://hardhat.org
ميتا ماسك (امتداد المحفظة)ميتا ماسك الإصدار 11.10.0https://metamask.io
Next.jsNext.jsv14.1.0https://nextjs.org
Node.jsNode.jsv20.11.1https://nodejs.org
إنفيديا RTX 3060NVIDIAhttps://www.nvidia.com/إنتل كور i7-12700H
بيناتاPinata.cloudv2.1.0https://www.pinata.cloud
سياسة التثبيتPinata.cloud—https://docs.pinata.cloud
رد الفعلرد الفعلv18.2.0https://react.dev
ريمكسريمكسv0.31.0https://remix.ethereum.org
سوليديتي (لغة المترجم)Solidity v0.8.20https://soliditylang.org
أوبونتو أوبونتو   22.04 LTShttps://ubuntu.com

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Blockchain technology, bitcoin, and Ethereum: a brief overview. Vujičić, D., Jagodić, D., Ranđić, S. 2018 17th International Symposium INFOTEH-JAHORINA (INFOTEH), Sarajevo, Bosnia and Herzegovina, , (2018).
  2. Kumar, C. S., Singh, A. P., Reddy, K. H. K. Utilization of decentralized finance (DeFi) and distributed ledger technology (DLT) in banking operations. 2024 International Conference on Intelligent Computing and Sustainable Innovations in Technology (IC-SIT), , (2024).
  3. Ante, L. The non-fungible token (NFT) market and its relationship with Bitcoin and Ethereum. FinTech. 1 (3), 216-224 (2022).
  4. Guan, M. Y., et al. From digital art to crypto art: the evolution of art brought by NFT. Int J Hum–Comput Interact. 41 (12), 7384-7403 (2025).
  5. Kumar, C. S., Padhy, A. B., Singh, A. P., Reddy, K. H. K. A dynamic trading approach based on Walrasian equilibrium in a blockchain-based NFT framework for sustainable waste management. Mathematics. 13 (3), 521(2025).
  6. Zhang, Q., Xiong, Z., Zhu, J., Gao, S., Yang, W. A privacy-preserving auction mechanism for learning model as an NFT in blockchain-driven metaverse. ACM Trans Multimed Comput Commun Appl. 20 (7), 1-24 (2024).
  7. Cornelius, K. Betraying blockchain: accountability, transparency and document standards for non-fungible tokens (NFTs). Information. 12 (9), 358(2021).
  8. NFT-enabled spectrum data sharing: a game theoretical approach. Sun, J., Wang, W., Cao, P., Shao, X., Lu, X. 2024 3rd International Joint Conference on Information and Communication Engineering (JCICE), Fuzhou, China, , (2024).
  9. Gao, Y., Xie, X., Ni, Y. Evolutionary game analysis of copyright protection for NFT digital works considering collusive behavior. Appl Sci. 13 (20), 11261(2023).
  10. Reconstitution of NFTs based on a game theory model. Shao, J., et al. Financial Cryptography and Data Security Workshops, , (2024).
  11. Iosif, E., Katelaris, L. Integrating machine learning with non-fungible tokens. Computers. 13 (6), 147(2024).
  12. Nadini, M., et al. Mapping the NFT revolution: market trends, trade networks and visual features. Sci Rep. 11 (1), 20902(2021).
  13. Seyhan, B., Sefer, E. NFT primary sale price and secondary sale prediction via deep learning. 4th ACM International Conference on AI in Finance, NY, USA, , (2023).
  14. Pala, M., Sefer, E. NFT price and sales characteristics prediction by transfer learning of visual attributes. Journal of Finance and Data Science. 10, 100148(2024).
  15. Rishiwal, V., et al. Blockchain-secure gaming environments: a comprehensive survey. IEEE Access. 12, 183466-183488 (2024).
  16. Poposki, Z. Crypto-aesthetics: towards a new materialist theory of NFT art. J Vis Art Pract. 23 (1), 1-18 (2024).
  17. Chu, W., et al. Game theory approach for secured supply chain management in effective trade management. Ann Oper Res. 329 (3), 301-319 (2024).
  18. Amirza, M. A., Ariffin, A. L. A. K., Razak, M. R. A. Revealing Malaysian NFT art: exploring opportunities and price dynamics. 2024 14th International Conference on System Engineering and Technology (ICSET), Indonesia, , (2024).
  19. Zarreh, M., Yaghoubi, S., Bahrami, H. Pricing of drinking water under dynamic supply and demand based on government role: a game-theoretic approach. Water Resour Manage. 38 (6), 2101-2133 (2024).
  20. Vasan, K., Janosov, M., Barabási, A. -L. Quantifying NFT-driven networks in crypto art. Sci Rep. 12 (1), 2769(2022).
  21. Game theory on the blockchain: a model for games with smart contracts. Hall-Andersen, M., Schwartzbach, N. I. SAGT 2021: 14th International Symposium on Algorithmic Game Theory, , (2021).
  22. Kumar, C. S., Singh, A. P., Reddy, K. H. K. Optimized non-fungible tokens (NFT)-based auctions for digital art: a blockchain-enabled queueing model approach. Peer-to-Peer Netw Appl. 18, 297(2025).
  23. Sharma, A. K., Chaurasia, B. K. Blockchain-based NFT for evidence system. International Conference on Cryptology & Network Security with Machine Learning, , (2022).
  24. Afaq, Y., Manocha, A. Blockchain and deep learning integration for various applications: a review. J Comput Inf Syst. 64 (1), 92-105 (2024).
  25. Nwogugu, M. C. I. A game-theoretic modular framework for new consensus mechanisms in blockchains and AI. , (2025).
  26. Zerocash: decentralized anonymous payments from Bitcoin. Ben-Sasson, E., et al. 2014 IEEE Symposium on Security and Privacy, Berkeley, CA, USA, , (2014).
  27. Wang, J. A proof of contribution in blockchain using game theoretical deep learning model. arXiv. , (2024).
  28. Game theory in the gaming industry: the disruption of non-fungible tokens (NFTs) and blockchain technology. Teoh, B. AIP Conf Proc, 2608, (2023).
  29. Waheed, N., et al. Security and privacy in IoT using machine learning and blockchain: threats and countermeasures. ACM Comput Surv. 53 (6), 122(2020).
  30. Sufian, M. A. Developing Trading Strategies in Decentralized Market Prediction by Using AI, ML, and Blockchain Technology. Blockchain and AI. , CRC Press. Boca Raton. (2024).
  31. Nguyen, L. D., et al. A marketplace for trading AI models based on blockchain and incentives for IoT data. arXiv. , (2021).
  32. Xiong, W., Xiong, L. Smart contract-based data trading mode using blockchain and machine learning. IEEE Access. 7, 102331-102344 (2019).
  33. Rahman, M., et al. Peer-to-peer power energy trading in blockchain using efficient machine learning model. Sustainability. 15 (18), 13640(2023).
  34. Jamil, F., Iqbal, N., Ahmad, S., Kim, D. Peer-to-peer energy trading mechanism based on blockchain and machine learning for sustainable electrical power supply in smart grid. IEEE Access. 9, 39193-39217 (2021).
  35. Luo, X., Mahdjoubi, L. Towards a blockchain and machine learning-based framework for decentralised energy management. Energy Build. 303, 113757(2024).
  36. Singh, K., Singha, N. Credit-based energy trading system using blockchain and machine learning. J Supercomput. 80 (11), 15386-15407 (2024).
  37. TokenFuse: a versatile NFT marketplace. Sree Kumar, C., et al. International Conference on Computational Science and Its Applications, Athens, Greece, , (2023).
  38. Van Haaften-Schick, L., Whitaker, A. From the artist’s contract to the blockchain ledger: new forms of artists’ funding using equity and resale royalties. J Cult Econ. 46 (2), 287-315 (2022).
  39. Kayikci, S., Khoshgoftaar, T. M. Blockchain meets machine learning: a survey. J Big Data. 11 (1), 9(2024).
  40. Li, C., Wang, H., Zhao, Y., Xi, Y., Xu, E., Wang, S. Enabling high-quality machine learning model trading on blockchain-based marketplace. Mathematics. 11 (12), 2636(2023).
  41. MetaDAG: bridging sustainable supply chains from BlockDAG to the metaverse through agent-based modeling. Fadili, M., Amar, A., Zine, R. Blockchain and Applications. 7th International Congress, , (2024).
  42. Krasheninnikova, E., García, J., Maestre, R., Fernández, F. Reinforcement learning for pricing strategy optimization in the insurance industry. Eng Appl Artif Intell. 80, 8-19 (2019).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Machine LearningCooperative Game TheoryNFT TradingZero Knowledge ProofsBlockchain ArtworkSmart ContractsPrice NegotiationReinforcement LearningRandom ForestK Means Clustering

Related Articles