Predicting Channel Closures in the Lightning Network with Machine Learning
Dieser Artikel zeigt, dass die Vorhersage von Lightning-Network-Kanalschließungen am effektivsten mit einfachen maschinellen Lernmodellen auf Basis zeitlicher und verhaltensbezogener Knotenmerkmale erreicht wird, da die Netzwerktopologie keinen zusätzlichen Vorhersagewert bietet und die inhärente Privatsphäre des Netzwerks die Genauigkeit bei ausschließlicher Nutzung öffentlicher Gossip-Daten grundlegend begrenzt.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich das Lightning Network als eine riesige, geschäftige Stadt digitaler Autobahnen vor. In dieser Stadt bauen Menschen (Knoten) temporäre Brücken (Kanäle) zwischen sich, um Bitcoin schnell und günstig zu handeln, ohne auf die langsame, teure Hauptstraße (die Bitcoin-Blockchain) warten zu müssen.
Die meisten dieser Brücken sind stabil. Aber manchmal stürzt eine Brücke ein. Das kann auf zwei Arten geschehen:
- Gemeinsame Schließung: Die zwei Personen auf der Brücke einigen sich, sie gemeinsam abzubauen, ihr Geld einzupacken und glücklich zu gehen.
- Erzwungene Schließung: Eine Person wird wütend, reagiert nicht oder wirkt verdächtig, und sprengt die Brücke einseitig in die Luft. Das sind schlechte Nachrichten: Ihr Geld wird wochenlang eingefroren und es entstehen Staus für alle anderen.
Die Autoren dieser Arbeit stellten eine einfache Frage: Können wir vorhersagen, wann eine Brücke kurz vor dem Einsturz steht und wie, indem wir nur die öffentlichen Nachrichtenfeeds beobachten?
Der „Nachrichtenfeed" (Gossip-Daten)
In dieser digitalen Stadt gibt es ein öffentliches Schwarzes Brett namens „Gossip-Protokoll". Es sendet Updates wie: „Brücke A wurde eröffnet", „Brücke B hat ihre Mautgebühren aktualisiert" oder „Brücke C ist geschlossen".
Die Forscher sammelten zwei Jahre lang diese öffentlichen Updates. Sie behandelten diese Daten wie einen temporalen Graphen – einen Film der sich entwickelnden Stadt über die Zeit hinweg, statt nur ein einzelnes Foto. Ihr Ziel war es, einen maschinellen Lern-Detektiv zu bauen, der diesen Film beobachtet und das Schicksal jeder offenen Brücke vorhersagt.
Das Werkzeug des Detektivs
Das Team probierte viele verschiedene Arten von „Detektiven" (Machine-Learning-Modelle) aus:
- Der einfache Beobachter (MLP): Ein einfaches Modell, das nur die Fakten einer spezifischen Brücke und die Geschichte der zwei Personen betrachtet, die sie nutzen.
- Die Nachbarschaftswache (Graph Neural Networks): Komplexe Modelle, die versuchen, von der gesamten Stadtkarte zu lernen, indem sie annehmen, dass, wenn Ihre Nachbarn in Schwierigkeiten stecken, Sie es vielleicht auch sind.
- Der Baum-Pflanzende (Gradient Boosted Trees): Modelle, die Entscheidungen treffen, indem sie eine Reihe von „Ja/Nein"-Fragen stellen, wie ein Flussdiagramm.
Die große Überraschung: Die Nachbarschaft spielt keine Rolle
Das interessanteste Ergebnis war, dass die komplexen Nachbarschaftsmodelle den einfachen Beobachter nicht schlagen konnten.
Stellen Sie es sich so vor: Wenn Sie wissen wollen, ob ein bestimmtes Paar sich trennen wird, hilft es nicht viel, sich die Beziehungen ihrer Freunde anzusehen (die Graph-Topologie). Was zählt, ist ihr eigenes Verhalten.
- Haben sie kürzlich aufgehört, miteinander zu sprechen?
- Haben sie schon vorher Trennungen mit anderen Partnern erlebt?
- Wie lange hat diese Beziehung bereits gedauert?
Die Arbeit ergab, dass das einfachste Modell (der MLP) der beste Detektiv war. Es musste nur wissen:
- Aktualität: Wann hat diese Person zuletzt eine Nachricht gesendet?
- Geschichte: Wie oft hat diese Person in der Vergangenheit eine Brücke erzwungen geschlossen?
- Alter: Wie alt ist die Brücke?
Die „Karte" des gesamten Netzwerks (wer mit wem verbunden ist) erwies sich für diese spezifische Vorhersage als nutzlos. Die Signale waren vollständig lokal auf die zwei Personen auf der Brücke beschränkt.
Die „Privatsphären-Mauer"
Warum konnten die Modelle nicht perfekt vorhersagen? Warum war die beste Punktzahl nur „mäßig"?
Die Autoren erklären, dass das Lightning Network mit Privatsphäre als Kernmerkmal konzipiert ist. Das öffentliche Schwarze Brett (Gossip) verbirgt die wichtigsten Hinweise:
- Der Banksaldo: Wie viel Geld befindet sich tatsächlich in der Brücke?
- Der Verkehr: Wie viele Zahlungen schlagen fehl?
- Die Betriebszeit: Ist der Computer der Person ausgeschaltet?
Das sind die wahren Gründe, warum eine Brücke einstürzt. Aber da das Netzwerk diese Geheimnisse schützt, um die Nutzer zu schützen, muss der „Detektiv" basierend auf Schatten und Silhouetten raten. Es ist wie der Versuch, einen Autounfall vorherzusagen, indem man nur die Straßenschilder beobachtet, ohne die Geschwindigkeit des Fahrers sehen zu können oder ob er schläft.
Das Fazit
Die Arbeit kommt zu dem Schluss, dass wir zwar einen brauchbaren Prädiktor mit öffentlichen Daten bauen können, aber an einer „Glasdecke" stoßen. Das Beste, was wir tun können, ist zu schauen, wer aktiv ist und wer eine Geschichte von Drama hat.
Die Forscher haben ihre Daten und ihren Code der Öffentlichkeit zugänglich gemacht, in der Hoffnung, dass andere versuchen können, den Code weiter zu knacken. Sie schlagen vor, dass wir für bessere Vorhersagen vielleicht hinter den Vorhang der Privatsphäre spähen müssten (unter Verwendung privater Daten, die nur die Brückenbesitzer sehen), aber vorerst sagt uns der öffentliche Nachrichtenfeed nur so viel.
Kurz gesagt: Um vorherzusagen, ob eine digitale Brücke brechen wird, schauen Sie nicht auf die gesamte Stadtkarte. Schauen Sie sich nur die zwei Personen auf der Brücke an, sehen Sie, ob sie in letzter Zeit ruhig waren, und prüfen Sie, ob sie schon einmal für Ärger gesorgt haben. Aber denken Sie daran: Die wichtigsten Hinweise sind in einer verschlossenen Box versteckt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.