货币系统的设计是一件困难事情，复杂系统的多层次涌现现象，使我们不能通过分析定义的还原论方法去研究，而需要考虑个体之间的关联和相互作用，从理解系统相互作用的网络结构开始着手。本文作者使用网络动力模型对网络科学进行解释，并提出将网络科学与货币网络相结合才能够得到较为全面的视野。
目录
一、网络科学介绍
二、网络涌现现象
三、网络科学的描述方法
- 节点的相关性
- 网络的传递性
- 网络的中介中心性
- 网络的模块
四、网络动力模型
- 网络与系统的鲁棒性
- 网络拓扑与动力机制
五、网络科学与货币网络
四、网络动力模型
新冠病毒在人类社会网络中的快速扩散，加密货币市场的爆发式变化。网络是大规模的突变与意外的理想背景。底层网络的异质结构、非随机组织等特征都会对表层发生的所有现象造成重要影响。
- 网络与系统的鲁棒性
大多数真实世界的网络都显示出一种双刃的鲁棒性（robustness）。即便大部分网络遭到破坏，它们仍然能够正常运转，但某些突然的小故障或者有针对性的攻击则可能让它们彻底崩溃。真实世界常常面临这些类似事故，杭州网络光缆的切断阻断地区网络，进而演变成支付宝应用全国性卡顿；某一段电网线路着火毁坏，进一步演化为地区级别的断电；病毒可以在人体中自由扩散传播，但某个蛋白功能被破坏，就会大规模失效。网络链路出现问题之初，并不明显，但当这一比例超过某一阈值，网络破坏情况便开始变得明显。
网络模型的鲁棒性
在这方面，网络与设计而成的系统十分不同。以飞机为例，一个元件的损坏便足以让整个机器停止运转。为了让它更具复原力，通过冗余策略，比如复制飞机的某些部件：这能让它几乎100%安全。相比之下，多数并非设计的网络则对广泛的错误表现出自然的复原力，但当特定元素失效，它们便会崩溃。网络能容纳多少错误而不出问题？而导致其崩溃的因素又是什么？
网络科学通过移除网络节点以观察会发生什么情况的方式来模拟故障。删除一部分节点之后，他们会检查剩余的节点是否仍旧相互关联（即某种巨型连通分量是否仍存在于网络之中）且连接紧密（即节点之间的平均距离是否依旧很小）。为了模拟误差，节点是随机移除的。当在随机图中如此操作时，几次移除就会导致节点间距离迅速增加，图也瓦解为许多不相连部分。在半数节点移除之后，与大多数真实世界网络大小一样的随机图便遭到破坏。另一方面，异质网络（不管是真实网络图还是大小类似的无标度模型图）中经历相同的过程时，其中的巨型连接通量在80%的节点都移除之后仍然存在，而其内部的距离则实际上与最初无异。而当一开始移除了网络中最“重要”的节点（枢纽节点）。在这种情况下，两种网络的崩溃速度都比之前快很多。然而，后者更为脆弱：在同质网络中，需要移除大约1/5的枢纽节点才能将其摧毁，而异质网络刚被移除少数枢纽节点，就会发生坍塌。
高度连接的节点似乎在错误和攻击中都发挥着至关重要的作用。它们是暴露在针对性攻击之下的多数异质网络的致命弱点。在这些网络中，枢纽节点主要负责图的整体聚合，移除其中少数枢纽节点便足以将其摧毁。另一方面，枢纽节点也是这些网络在暴露于错误和故障中时的“王牌”：当随机移除节点时，多数时候被选出的节点均为低度数节点，因此，只要枢纽节点保持不变，网络便不会坍塌。考虑到节点度数常常与中介性相关，这种情况就会愈加清晰。高度数节点多数时候都是许多网络路径经过的桥梁。当网络遭到随机破坏，为数不多的枢纽节点很少会受到影响。既然枢纽节点不受影响，它们便提供了必要的连接：许多冗余连接则显得多余；经过枢纽节点的路径会让受损网络的工作区域保持连接状态。在某些低度数节点具备高中介性且扮演桥梁角色（就像某些机场一样）的少数网络中，枢纽节点遭到攻击仍然会导致严重的破坏，但最致命的策略还是攻击最具中心性的节点。
异质网络在面临流行病、病毒，核心节点攻击等十分脆弱。系统可能会从能够容错的弹性状态突然转向全局性崩溃，这应该引起人们的警醒。在此现象中，某一节点的故障不仅会导致节点互联的损失或降低节点之间的平均距离，而且还会引发多米诺效应。金融危机中出现的经济网络的系统故障则是这种现象的又一例证。枢纽节点在所有这些情况中都至关重要，不仅因为它们能减少运输时间，还因为它们会率先饱和。
网络的异质性
对枢纽节点的保护是极好的策略。将枢纽节点的保护对于破坏效应而言，类似于将枢纽节点从网络中删除。通过保护小部分的枢纽节点，可打碎网络，将病毒效应限制在网络少数孤立区域。
枢纽节点保护策略在理论上十分有效，但在真实复杂网络中诸多的细节会降低其有效性。例如，枢纽节点的联系网络是在不断演化而非稳定不变的，破坏机制是否会处理枢纽节点的冗余路径，链接传递的方向顺序与频率。
2. 网络拓扑与动力机制
网络的扩张随着更多的链接，将加入更多的节点，更多的节点反过来又回重新塑造网络。古罗马成功的关键因素之一是其紧邻台伯河的战略地位，该河当时乃首屈一指的通信和商业路线。城邦变得更加强大之后，人们便开始营建其强大的道路网络分支。反过来，道路网又成为维持并进一步扩张罗马强权的关键工具，因为路网使得运输货物和军团更加快捷。更多的道路意味着更多的权力，而更多的权力又必然会打造更多道路：结果便如意大利谚语所言，“条条大路通罗马”。我们几乎能在每个重要城市的历史上发现类似的发展模式。扩张中的城市吸引了更多的交通，也需要更多的连接方式（道路、铁路、航线……），这些因素反过来又会增加交通流量和扩大城市规模，而这又意味着更多的连接。
网络拓扑图
网络拓扑影响动力机制这一问题暗含了某种假设：网络乃不可变的结构，过程在它上面发生。现实中，所有网络都会在动力作用的过程中发生改变。因此，仅当动力机制的发生时间比拓扑早很多时，这一假设才有意义。在某些过程中这是合理的：例如，人们每天或每周相互交换的信息会在固定的社交网络中传播，因为通常友谊与亲属关系的更替是按年进行的；或者，城市的车辆交通不论在哪一天都会在固定街道上进行：通常街道连接不会每天都改变。
然而，在其他情况下，这种假设是有缺陷的。例如互联网的演化，从1969年，阿帕网联结加油大学洛杉矶分校和斯坦福研究所。逐渐演化为各类局域网络，如高能物联网，学术共享网等等。网络的发展从一开始联结各个计算机，转向各个网络。短短几年后，网络规模与复杂性指数级增长，覆盖全世界。截止目前，指数级别增长趋势还未停止。网络并非禁止不变的结构，而是在演化动力机制之下不断的发展。如果我们想研究一个城市十年的发展，那么有必要考虑交通和正在改变的连接之间的相互作用。在类似对等文件共享系统等一些技术网络中，网络结构和信息动力机制在相同的时间段内变化且强烈地相互交织。网络结构和动力机制的耦合在虚拟社交网络发展的特定时刻尤其重要。这些工具提供了个人网络结构和内容的恒定信息流。因此，研究者认为，这种增强的意识可能改变人们创作、维护和影响其社交网络的方式。
一些方法可用于处理网络结构和动力机制耦合这个问题。例如，我们可以通过最优化构建网络模型，其中需要优化的量与网络流量或搜索这样的动力机制相关。更加完善的方法在于修改适应性模型，使得适应性的值取决于一些动态参数。当动力机制继续作用时，适应性也会相应地发生改变；这便可以重组网络。其他策略也是可行的，所有这些都巩固了一个基本观点：多数情况下，当某个动力机制在网络结构中发生或与它耦合时，多数时候我们必须将基本图纳入考虑以充分理解正在发生的情形。
五、网络科学与货币网络
去中心化的货币系统，网络结构和信息动力机制在相同的时间段内变化且强烈地相互交织。网络科学对货币网络的研究方法，基本是将货币网络采取图示法还原为图的形式，将图形基本信息与动力机制纳入考量，以计算机模拟或近似法的方法进行建模研究。
去中心化的货币网络示意图
一般而言，基础科学成果的应用不应超出其真实的有效范围。网络科学也应避免落入被夸大的圈套，其整体性的视野，对差异明显的系统出人意料的相似性的揭示，应用者需要避免从网络理论中提取的空洞概括。
网络方法的优势之一是其对拓扑的关注，但它忽略了元素的诸多具体特征。一旦数据可用，将其呈现在图中则不可避免会将其简化。网络模型有时候被修改后可以包含这些特征，但并不总是如此。当节点现实空间的重要性高过拓扑时，图示法也会不够用。例如，房屋位置明显与其连接的安排有关。此外，社交网络和食物网中的节点接近性则能决定建立某种关系的实际可能性。图示法可能遗漏的另一个元素是时间，病毒传播的时间顺序十分重要。节点的识别也存在问题，例如无法识别聚集结构等同的个人，具有相同联结数量和种类的人，比如家庭成员。边的定义极为复杂，边的定义更为复杂，某公司可能持有另一个公司的小部分或全部资本，比特币网络的交易关系。
人们应当认识到更专业的学科能够提供超出真实范围的更深刻洞见。网络科学与货币网络的结合，将补全我们的视角。
去中心化系统为网络科学提供大规模数据。传统的调查方法例如调查问卷和访谈等方法十分昂贵且耗时，有时候还容易带有主观偏见。从信息技术处获取的数据为我们了解人们的社交关系提供了空前的便利，但这也带来一些问题，涉及到数据还原与伦理的问题。互联网和万维网图可以通过从某节点释放“探测器”以探索其周围各边的方式获取：足够数量的路径能很好地呈现网络，但某些边可能从不会被探测器发现。区块链网络的透明，为网络科学关系分析提供。
网络科学已经在诸多领域显示出了它的预测能力。它目前被应用于咨询行业，以帮助组织更好地开发各成员不同的技能；在公共卫生领域，它能预测和防止传染病的蔓延；在警察和军事系统中，它被用于追踪恐怖分子、罪犯以及反叛团伙；此外网络科学在其他一些领域也有应用。还有许多问题亟待解决，其中包括：制作更精细的模型以适配特定的网络和动力机制；寻找新的相关网络数据；深入挖掘拓扑以发现未被注意到的规律，并充分解释现有规律；描绘小型网络的特征并学习如何处理众网之网；将生物网络与演化范式更有效地连接；发现新的应用（比如在药物设计中）；以及有可能的话找到普适类。网络理论为这些如此不同的结构和过程提供了一个共同的趋势和预测的框架。通常，如果系统足够大且相关现象的观察时间足够长，真实系统便会展现出十分相似的趋势。
