Riepilogo Tecnico: Previsione delle Chiusure dei Canali nella Lightning Network con Machine Learning

1. Enunciato del Problema

La Lightning Network (LN) è un protocollo di secondo livello per Bitcoin che abilita transazioni off-chain tramite canali di pagamento. Questi canali possono terminare tramite chiusura reciproca (cooperativa, rilascio immediato dei fondi) o chiusura forzata (unilaterale, con conseguente blocco dei fondi per un periodo di blocco temporale che va da giorni a settimane). Le chiusure forzate sono dannose per l'efficienza della rete, consumando commissioni on-chain e congelando la liquidità.

Il problema centrale affrontato è la previsione dello stato futuro di un canale aperto basandosi esclusivamente su dati gossip pubblicamente disponibili. Il compito è formalizzato come un problema di classificazione temporale dei link: dato lo stato del grafo LN al tempo $t$, prevedere se ogni canale attualmente aperto rimarrà aperto, si chiuderà reciprocamente o verrà chiuso forzatamente entro una finestra futura $\Delta t$ (impostata a 180 giorni in questo studio).

La sfida risiede nella privacy intrinseca della LN. Fattori critici che influenzano le decisioni di chiusura — come i saldi dei canali, i tassi di fallimento dei pagamenti e l'uptime dei nodi — non vengono trasmessi tramite il protocollo gossip. Lo studio indaga se i pattern temporali osservabili e la storia comportamentale possano compensare queste informazioni mancanti.

2. Metodologia

Costruzione del Dataset

Gli autori hanno costruito un dataset che copre il periodo dal 9 giugno 2022 al 14 ottobre 2024, derivato da snapshot giornalieri dei messaggi gossip della LN.

• Scala: 693.277 eventi diretti (aperture/chiusure) attraverso 874 timestamp che coinvolgono 36.170 nodi unici.
• Preprocessing:
  • Avvio caldo (Warm-start): Lo snapshot iniziale (giugno 2022) è stato utilizzato per inizializzare lo stato del grafo ma è stato escluso dall'addestramento per prevenire la fuoriuscita di dati dalla storia accumulata.
  • Gestione del multigrafo: I canali paralleli tra coppie di nodi sono stati rimossi per creare un grafo semplice, eliminando ambiguità nella selezione delle caratteristiche.
  • Divisione: I dati sono stati divisi cronologicamente (70% addestramento, 15% validazione, 15% test) per prevenire la fuoriuscita temporale.
• Etichette: Gli archi aperti al tempo $t$ sono stati etichettati in base al loro stato a $t + 180$ giorni: Aperto, Reciproco o Forzato. Il dataset è altamente sbilanciato, con circa l'83% degli archi aperti che rimane aperto al momento della previsione.

Ingegneria delle Caratteristiche

Le caratteristiche sono state estratte direttamente dai messaggi gossip a livello sia di arco (canale) che di nodo (endpoint):

• Caratteristiche dell'Arco: Timestamp on-chain, capacità bloccata, commissioni del blocco di finanziamento, politiche di commissione (base/proporzionale), limiti HTLC, blocchi temporali e flag disabilitati.
• Caratteristiche del Nodo: Per ogni endpoint, il modello traccia i conteggi cumulativi di eventi (aperture, chiusure reciproche, chiusure forzate) e metriche di recenza (tempo trascorso dall'ultimo aggiornamento).
• Codifiche Temporali: Età del canale e recenza dell'ultima interazione per entrambi i nodi sorgente e destinazione.

Modelli Valutati

Lo studio ha confrontato una serie di approcci per determinare il valore della struttura del grafo rispetto alle caratteristiche locali:

1. Baseline: Predittori casuali (uniformi/stratificati) e di classe maggioritaria.
2. MLP (Perceptron Multistrato): Un modello non grafico che classifica gli archi indipendentemente utilizzando caratteristiche concatenate di arco, nodo e temporali.
3. Alberi con Gradient Boosting: XGBoost e LightGBM che utilizzano gli stessi vettori di input dell'MLP.
4. Reti Neurali Grafiche (GNN):
   • GNN Statico (GraphSAGE): Opera sullo snapshot degli archi aperti senza dinamiche temporali.
   • GNN Temporale (TGN): Incorpora il passaggio di messaggi sul grafo dinamico e impara embedding dei nodi tramite attenzione.
5. Codifiche Spettrali: MLP aumentati che utilizzano autovettori del Laplaciano normalizzato per catturare ruoli strutturali senza aggregazione iterativa.

Pipeline di Valutazione

La valutazione è stata adattata dal framework della Temporal Graph Network (TGN). A differenza della previsione di link standard che campiona gli archi, questa pipeline prevede lo stato di tutti gli archi attualmente aperti a ogni timestamp. Le prestazioni sono state misurate utilizzando il Macro-average F1-score per affrontare lo sbilanciamento delle classi.

3. Risultati Chiave

Confronto delle Prestazioni

• Superiorità dell'MLP: Il semplice MLP ha raggiunto le prestazioni più elevate con un Macro F1 di 0,38.
• Sottoperformance dei Modelli Grafici: Il TGN (0,36), il GNN Statico (0,35) e l'MLP Spettrale (0,35) hanno tutti ottenuto prestazioni inferiori o uguali all'MLP non grafico.
• Confronto con le Baseline: Tutti i modelli appresi hanno superato la baseline casuale stratificata (0,32), ma il margine è stato modesto. L'MLP ha superato significativamente la baseline maggioritaria (0,30) solo quando è stata applicata la ponderazione delle classi.

Importanza delle Caratteristiche e Ablazione

• Segnali Dominanti: L'ablazione delle caratteristiche e l'analisi SHAP hanno rivelato che i segnali temporali e comportamentali sono i principali driver della previsione. Nello specifico:
  • Recenza dell'attività dell'endpoint ($src\_recency$, $dst\_recency$).
  • Storia per nodo delle chiusure passate ($count\_forced$, $count\_mutual$).
  • Età del canale.
• Segnali Insignificanti: I metadati statici del canale (commissioni, capacità, blocchi temporali) e la topologia del grafo hanno fornito un potere predittivo aggiuntivo trascurabile.
• Aggregazione Grafica: L'aggiunta di passaggio di messaggi GNN o codifiche spettrali all'MLP non ha migliorato le prestazioni; in alcuni casi, le ha peggiorate. Ciò suggerisce che la struttura del vicinato non rivela informazioni sul rischio di chiusura di un canale specifico che non siano già catturate dalle storie individuali degli endpoint.

Analisi della Matrice di Confusione

Il modello ha identificato con successo i canali che sarebbero rimasti aperti (alta recall per la classe Aperto). Tuttavia, ha faticato a distinguere tra chiusure Reciproche e Forzate, confondendole spesso tra loro o con la classe Aperto. Le prestazioni per i tipi di chiusura sono diminuite significativamente per i canali più vecchi, dove le chiusure sono eventi rari.

4. Contributi Chiave

1. Formalizzazione: Definizione della previsione delle chiusure dei canali come compito di classificazione temporale dei link su un grafo in evoluzione.
2. Rilascio del Dataset: Pubblicazione di un dataset biennale di snapshot gossip della LN con esiti di chiusura etichettati.
3. Risultati Empirici: Dimostrazione che, per questo compito specifico, le caratteristiche temporali e comportamentali locali superano le rappresentazioni basate su grafi.
4. Analisi della Privacy: Fornitura di prove che il limite fondamentale della prevedibilità è il design della privacy della LN, dove i trigger critici di chiusura (saldi, fallimenti) sono invisibili al protocollo gossip.

5. Significato e Affermazioni

Il documento afferma che le prestazioni predittive moderate (Macro F1 ~0,38) non sono un fallimento delle architetture di machine learning, ma riflettono un divario informativo fondamentale.

• Limitazione della Privacy: La LN è progettata per nascondere i saldi dei canali, i flussi di pagamento e l'uptime dei nodi. Poiché questi sono i principali trigger per le chiusure forzate, la loro assenza dai dati gossip rende impossibile una previsione ad alta accuratezza utilizzando solo dati pubblici.
• Proxy Comportamentali: Il modello si basa sui proxy osservabili più vicini: quanto recentemente un nodo è stato attivo e la sua tendenza storica a chiudere i canali.
• Irrelevanza della Topologia del Grafo: A differenza delle reti sociali, dove i vicini di un nodo predicono fortemente il suo comportamento, la topologia della LN offre pochi spunti sul destino di un canale specifico perché le decisioni di chiusura sono bilaterali e private.
• Utilità Pratica: Sebbene una previsione perfetta sia irraggiungibile con dati pubblici, la modellazione temporale rimane uno strumento prezioso per gli operatori di nodi per ottimizzare l'affidabilità dell'instradamento e i guadagni da commissioni, purché comprendano i limiti intrinseci.

Gli autori concludono che migliorare significativamente la previsione oltre i livelli attuali richiederebbe probabilmente l'accesso a dati privati e locali al nodo (ad esempio, cronologie dei saldi locali o registri dei pagamenti), il che contraddice l'architettura che preserva la privacy della LN.