Resumen Técnico: Predicción de Cierres de Canales en la Red Lightning con Aprendizaje Automático

1. Planteamiento del Problema

La Red Lightning (LN) es un protocolo de segunda capa para Bitcoin que permite transacciones fuera de cadena mediante canales de pago. Estos canales pueden terminar mediante cierre mutuo (cooperativo, liberación inmediata de fondos) o cierre forzado (unilateral, resultando en fondos bloqueados durante un periodo de tiempo de días a semanas). Los cierres forzados son perjudiciales para la eficiencia de la red, consumiendo tarifas en cadena y congelando liquidez.

El problema central abordado es predecir el estado futuro de un canal abierto basándose únicamente en datos de difusión públicos. La tarea se formaliza como un problema de clasificación de enlaces temporales: dado el estado del grafo de la LN en el tiempo $t$, predecir si cada canal actualmente abierto permanecerá abierto, se cerrará mutuamente o será cerrado forzosamente dentro de una ventana futura $\Delta t$ (establecida en 180 días en este estudio).

El desafío radica en la privacidad inherente de la LN. Factores críticos que influyen en las decisiones de cierre, como los saldos de los canales, las tasas de fallo de pagos y el tiempo de actividad de los nodos, no se difunden a través del protocolo de difusión. El estudio investiga si los patrones temporales observables y el historial de comportamiento pueden compensar esta información faltante.

2. Metodología

Construcción del Conjunto de Datos

Los autores construyeron un conjunto de datos que abarca desde el 9 de junio de 2022 hasta el 14 de octubre de 2024, derivado de instantáneas diarias de mensajes de difusión de la LN.

• Escala: 693.277 eventos dirigidos (aperturas/cierres) a través de 874 instantáneas que involucran a 36.170 nodos únicos.
• Preprocesamiento:
  • Arranque en caliente: La instantánea inicial (junio de 2022) se utilizó para inicializar el estado del grafo pero se excluyó del entrenamiento para evitar la filtración de datos del historial acumulado.
  • Manejo de multigrafos: Los canales paralelos entre pares de nodos se eliminaron para crear un grafo simple, eliminando la ambigüedad en la selección de características.
  • División: Los datos se dividieron cronológicamente (70% entrenamiento, 15% validación, 15% prueba) para evitar la filtración temporal.
• Etiquetas: Las aristas abiertas en el tiempo $t$ se etiquetaron según su estado en $t + 180$ días: Abierto, Mutuo o Forzado. El conjunto de datos está altamente desequilibrado, con aproximadamente el 83% de las aristas abiertas permaneciendo abiertas en el momento de la predicción.

Ingeniería de Características

Las características se extrajeron directamente de los mensajes de difusión tanto a nivel de arista (canal) como de nodo (extremo):

• Características de Arista: Timestamps en cadena, capacidad bloqueada, tarifas de bloque de financiación, políticas de tarifas (base/proporcional), límites de HTLC, bloqueos de tiempo y banderas deshabilitadas.
• Características de Nodo: Para cada extremo, el modelo rastrea conteos acumulativos de eventos (aperturas, cierres mutuos, cierres forzados) y métricas de recencia (tiempo desde la última actualización).
• Codificaciones Temporales: Edad del canal y la recencia de la última interacción para ambos nodos de origen y destino.

Modelos Evaluados

El estudio comparó una gama de enfoques para determinar el valor de la estructura del grafo frente a las características locales:

1. Líneas Base: Predictores aleatorios (uniforme/estratificado) y de clase mayoritaria.
2. MLP (Perceptrón Multicapa): Un modelo no gráfico que clasifica aristas independientemente utilizando características concatenadas de arista, nodo y temporales.
3. Árboles de Gradiente Potenciado: XGBoost y LightGBM utilizando los mismos vectores de entrada que el MLP.
4. Redes Neuronales de Grafos (GNN):
   • GNN Estático (GraphSAGE): Opera sobre la instantánea de aristas abiertas sin dinámicas temporales.
   • GNN Temporal (TGN): Incorpora paso de mensajes sobre el grafo dinámico y aprende incrustaciones de nodos mediante atención.
5. Codificaciones Espectrales: MLPs aumentados que utilizan vectores propios del Laplaciano normalizado para capturar roles estructurales sin agregación iterativa.

Pipeline de Evaluación

La evaluación se adaptó del marco de la Red Neuronal Temporal de Grafos (TGN). A diferencia de la predicción de enlaces estándar que muestrea aristas, este pipeline predice el estado de todas las aristas actualmente abiertas en cada instantánea. El rendimiento se midió utilizando la puntuación F1 promedio macro para abordar el desequilibrio de clases.

3. Resultados Clave

Comparación de Rendimiento

• Superioridad del MLP: El MLP simple logró el rendimiento más alto con una F1 macro de 0.38.
• Rendimiento Inferior de Modelos de Grafos: El TGN (0.36), el GNN Estático (0.35) y el MLP Espectral (0.35) tuvieron un rendimiento peor o igual al del MLP no gráfico.
• Comparación con Líneas Base: Todos los modelos aprendidos superaron la línea base aleatoria estratificada (0.32), pero el margen fue modesto. El MLP superó significativamente a la línea base mayoritaria (0.30) solo cuando se aplicó ponderación de clases.

Importancia de Características y Ablación

• Señales Dominantes: La ablación de características y el análisis SHAP revelaron que las señales temporales y de comportamiento son los impulsores principales de la predicción. Específicamente:
  • Recencia de la actividad del extremo ($src\_recency$, $dst\_recency$).
  • Historial por nodo de cierres pasados ($count\_forced$, $count\_mutual$).
  • Edad del canal.
• Señales Insignificantes: Los metadatos estáticos del canal (tarifas, capacidad, bloqueos de tiempo) y la topología del grafo proporcionaron poder predictivo adicional insignificante.
• Agregación de Grafos: Añadir paso de mensajes de GNN o codificaciones espectrales al MLP no mejoró el rendimiento; en algunos casos, lo degradó. Esto sugiere que la estructura del vecindario no revela información sobre el riesgo de cierre de un canal específico que no esté ya capturada por los historiales individuales de los extremos.

Análisis de Matriz de Confusión

El modelo identificó con éxito los canales que permanecerían abiertos (alta recuperación para la clase Abierto). Sin embargo, tuvo dificultades para distinguir entre cierres Mutuos y Forzados, a menudo confundiéndolos entre sí o con la clase Abierto. El rendimiento para los tipos de cierre disminuyó significativamente para canales más antiguos, donde los cierres son eventos raros.

4. Contribuciones Clave

1. Formalización: Definición de la predicción de cierres de canales como una tarea de clasificación de enlaces temporales sobre un grafo en evolución.
2. Liberación de Conjunto de Datos: Publicación de un conjunto de datos de dos años de instantáneas de difusión de la LN con resultados de cierre etiquetados.
3. Hallazgos Empíricos: Demostración de que, para esta tarea específica, las características temporales y de comportamiento locales superan a las representaciones basadas en grafos.
4. Análisis de Privacidad: Evidencia de que el límite fundamental de la predictibilidad es el diseño de privacidad de la LN, donde los desencadenantes críticos de cierre (saldo, fallos) son invisibles para el protocolo de difusión.

5. Significado y Afirmaciones

El artículo afirma que el rendimiento predictivo moderado (F1 macro ~0.38) no es un fallo de las arquitecturas de aprendizaje automático, sino un reflejo de una brecha fundamental de información.

• Limitación de Privacidad: La LN está diseñada para ocultar los saldos de los canales, los flujos de pago y el tiempo de actividad de los nodos. Dado que estos son los desencadenantes principales de los cierres forzados, su ausencia en los datos de difusión hace imposible una predicción de alta precisión utilizando únicamente datos públicos.
• Proxies de Comportamiento: El modelo se basa en los proxies observables más cercanos: qué tan recientemente ha estado activo un nodo y su tendencia histórica a cerrar canales.
• Irrelevancia de la Topología del Grafo: A diferencia de las redes sociales donde los vecinos de un nodo predicen fuertemente su comportamiento, la topología de la LN ofrece poca información sobre el destino de un canal específico, ya que las decisiones de cierre son bilaterales y privadas.
• Utilidad Práctica: Aunque la predicción perfecta es inalcanzable con datos públicos, el modelado temporal sigue siendo una herramienta valiosa para los operadores de nodos para optimizar la fiabilidad de enrutamiento y los ingresos por tarifas, siempre que comprendan las limitaciones inherentes.

Los autores concluyen que mejorar significativamente la predicción más allá de los niveles actuales probablemente requeriría acceso a datos privados y locales del nodo (por ejemplo, historiales de saldos locales o registros de pagos), lo cual contradice la arquitectura de preservación de la privacidad de la LN.