Übersicht
Deferral ist das Ergebnis meiner Masterarbeit an der Universität Zürich (2022/2023). Es handelt sich um eine Sammlung getesteter und dokumentierter Solidity Smart Contracts, mit denen untersucht wird, ob ein hochvolumiges, vollständig dezentrales Referral-System auf EVM-kompatiblen Blockchains wirtschaftlich und technisch realisierbar ist.
Smart-Contract-Varianten
Die Lösung implementiert und vergleicht fünf Referral-Mechanismen, die jeweils als erweiterbare Smart Contracts vorliegen:
- Multilevel Token Rewards — Referral Rewards, die in ERC-20 Tokens über mehrere Stufen ausgezahlt werden
- Payment Multilevel Rewards — mehrstufige Rewards, die aus Zahlungsströmen abgewickelt werden
- Payment Quantity — Rewards basierend auf der Anzahl abgeschlossener Referrals
- Payment Transmitter — schlanker Weiterleitungsmechanismus für Referral-Zahlungen
- Payment Value — Rewards proportional zum Transaktionswert
Bewertung
Jeder Smart Contract wurde für unterschiedliche Nutzerzahlen bereitgestellt und ausgeführt. Anschliessend wurden Gasverbrauch, Transaktionsdauer und reale Fiat-Kosten gemessen. Die Auswertung umfasst sechs Netzwerke – Ethereum, Polygon, BSC, Arbitrum, Optimism und Avalanche – und vergleicht, wie Kosten und Durchsatz pro Blockchain im Laufe der Zeit skalieren. Die Diagramme zeigen die konservativ geschätzten Gasgebühren und die zugrunde liegenden Token-Preise während des Bewertungszeitraums.
Die Bewertung behandelt Machbarkeit nicht als einfaches Ja-oder-Nein-Ergebnis, sondern als messbaren Trade-off: Die praktischen Kosten eines Referral-Modells hängen vom gewählten Mechanismus, dem erwarteten Volumen und dem Deployment-Netzwerk ab.
Toolchain
Hardhat dient als Entwicklungsumgebung, während TypeChain typsichere Contract Bindings für die TypeScript Test- und Deployment-Skripte generiert. Solhint, Solcover, ESLint und Prettier sichern die Codequalität; sol2uml generiert UML-Klassendiagramme. Bei jedem Push führt die CI Linting, Kompilierung und die vollständige Test Suite mit Code Coverage aus.
Die Ergebnisdaten werden im zugehörigen Repository visualizations-deferral mit Python und Plotly analysiert und visualisiert.
Die Forschungsergebnisse wurden als Kurzbeitrag an der BRAINS 2023 veröffentlicht.
