技術的サマリー：機械学習を用いたライトニングネットワークにおけるチャネル閉鎖の予測

1. 問題定義

ライトニングネットワーク（LN）は、ペイメントチャネルを介したオフチェーン取引を可能にするビットコインのレイヤー 2 プロトコルである。これらのチャネルは、相互閉鎖（協調的、即時の資金解放）または強制閉鎖（一方的、数日から数週間のタイムロック期間にわたって資金がロックされる結果をもたらす）のいずれかによって終了する可能性がある。強制閉鎖は、オンチェーン手数料を消費し、流動性を凍結させるため、ネットワーク効率に悪影響を及ぼす。

本稿で扱われる核心的な問題は、公的に利用可能なゴシップデータのみに基づいて、オープンなチャネルの将来の状態を予測することである。このタスクは、時系列リンク分類問題として形式化される：時間 $t$ における LN グラフの状態が与えられたとき、現在オープンしている各チャネルが、将来のウィンドウ $\Delta t$（本研究では 180 日に設定）内にオープン状態を維持するか、相互に閉鎖されるか、あるいは強制閉鎖されるかを予測する。

課題は、LN の本質的なプライバシーにある。チャネル閉鎖の決定に影響を与える重要な要因（チャネル残高、支払い失敗率、ノードの稼働時間など）は、ゴシッププロトコルを通じてブロードキャストされない。本研究は、観測可能な時系列パターンと行動履歴が、この欠落情報を補うことができるかどうかを検証する。

2. 手法

データセット構築

著者らは、2022 年 6 月 9 日から 2024 年 10 月 14 日までの期間にわたるデータセットを構築した。これは、LN ゴシップメッセージの毎日スナップショットから派生したものである。

• 規模: 36,170 個の一意のノードを含む 874 個のタイムスタンプにわたる、693,277 個の方向性イベント（開設/閉鎖）。
• 前処理:
  • ウォームスタート: 初期スナップショット（2022 年 6 月）はグラフ状態の初期化に使用されたが、蓄積された履歴からのデータ漏洩を防ぐため、トレーニングから除外された。
  • マルチグラフ処理: ノードペア間の並列チャネルを除去して単純グラフを作成し、特徴選択における曖昧さを排除した。
  • 分割: 時系列的な漏洩を防ぐため、データを時系列順に分割した（トレーニング 70%、検証 15%、テスト 15%）。
• ラベル: 時間 $t$ におけるオープンエッジは、$t + 180$ 日時点でのステータスに基づいてラベル付けされた：Open（オープン）、Mutual（相互）、またはForced（強制）。データセットは非常に不均衡であり、予測時点でオープンエッジの約 83% がオープン状態を維持している。

特徴量エンジニアリング

特徴量は、ゴシップメッセージからエッジ（チャネル）レベルとノード（エンドポイント）レベルの両方で直接抽出された：

• エッジ特徴量: オンチェーンタイムスタンプ、ロックされた容量、資金調達ブロックの手数料率、手数料ポリシー（ベース/比例）、HTLC 境界、タイムロック、無効化フラグ。
• ノード特徴量: 各エンドポイントについて、モデルはイベント（開設、相互閉鎖、強制閉鎖）の累積カウントと、最新性指標（最終更新からの時間）を追跡する。
• 時系列エンコーディング: チャネルの年齢と、ソースおよび宛先ノードの最終相互作用の最新性。

評価されたモデル

本研究は、グラフ構造とローカル特徴量の価値を決定するために、さまざまなアプローチをベンチマークした：

1. ベースライン: ランダム（一様/層別）および多数派クラス予測器。
2. MLP（多層パーセプトロン）: エッジ、ノード、時系列特徴量を連結してエッジを独立して分類する、非グラフモデル。
3. 勾配ブースティング木: MLP と同じ入力ベクトルを使用する XGBoost および LightGBM。
4. グラフニューラルネットワーク（GNN）:
   • 静的 GNN（GraphSAGE）: 時系列ダイナミクスなしでオープンエッジのスナップショット上で動作する。
   • 時系列 GNN（TGN）: 動的グラフ上のメッセージパッシングを組み込み、アテンションを介してノード埋め込みを学習する。
5. スペクトルエンコーディング: 反復的な集約なしに構造的役割を捉えるために、正規化ラプラシアンの固有ベクトルを使用して拡張された MLP。

評価パイプライン

評価は、Temporal Graph Network（TGN）フレームワークから適応された。エッジをサンプリングする標準的なリンク予測とは異なり、このパイプラインは各タイムスタンプにおいて現在オープンしているすべてのエッジのステータスを予測する。性能は、クラス不均衡に対処するためにマクロ平均 F1 スコアを使用して測定された。

3. 主要な結果

性能比較

• MLP の優位性: シンプルな MLP が、マクロ F1 0.38という最高性能を達成した。
• グラフモデルの低性能: TGN（0.36）、静的 GNN（0.35）、スペクトル MLP（0.35）は、すべて非グラフの MLP よりも劣るか同等の性能であった。
• ベースラインとの比較: 学習されたすべてのモデルは、層別ランダムベースライン（0.32）を上回ったが、その差は modest（小規模）であった。クラス重み付けを適用した場合のみ、MLP は多数派ベースライン（0.30）を大幅に上回った。

特徴量の重要度とアブレーション

• 支配的なシグナル: 特徴量アブレーションと SHAP 分析により、時系列および行動シグナルが予測の主要な駆動力であることが明らかになった。具体的には：
  • エンドポイント活動の最新性（$src\_recency$, $dst\_recency$）。
  • 過去の閉鎖のノードごとの履歴（$count\_forced$, $count\_mutual$）。
  • チャネルの年齢。
• 有意でないシグナル: 静的なチャネルメタデータ（手数料、容量、タイムロック）とグラフトポロジーは、追加的な予測能力をほとんど提供しなかった。
• グラフ集約: MLP に GNN メッセージパッシングまたはスペクトルエンコーディングを追加しても性能は向上せず、場合によっては低下した。これは、近隣構造が、エンドポイントの個別の履歴ですでに捕捉されている特定のチャネルの閉鎖リスクに関する情報を明らかにしないことを示唆している。

混同行列分析

モデルは、オープン状態を維持するチャネルを正常に識別した（Open クラスの高いリコール）。しかし、Mutual とForced の閉鎖を区別することには苦労し、互い、あるいはOpen クラスと混同することが多かった。閉鎖タイプの性能は、閉鎖が稀な事象となる古いチャネルでは大幅に低下した。

4. 主要な貢献

1. 形式化: 進化中のグラフにおけるチャネル閉鎖予測を、時系列リンク分類タスクとして定義した。
2. データセット公開: ラベル付けされた閉鎖結果を伴う、2 年間の LN ゴシップスナップショットのデータセットを公開した。
3. 実証的知見: この特定のタスクにおいては、ローカルな時系列および行動特徴量が、グラフベースの表現を上回ることを実証した。
4. プライバシー分析: 予測可能性の根本的な限界は、残高や失敗といった重要な閉鎖トリガーがゴシッププロトコルから不可視である LN のプライバシー設計にあるという証拠を提供した。

5. 意義と主張

本論文は、中程度の予測性能（マクロ F1 約 0.38）は機械学習アーキテクチャの失敗ではなく、根本的な情報ギャップの反映であると主張している。

• プライバシーの制限: LN は、チャネル残高、支払いフロー、ノード稼働時間を隠すように設計されている。これらは強制閉鎖の主要なトリガーであるため、ゴシップデータからこれらが欠如している場合、公的データのみを使用して高精度な予測を行うことは不可能である。
• 行動の代理指標: モデルは、最も観測可能な代理指標に依存している：ノードがどの程度最近アクティブであったか、およびチャネルを閉鎖する傾向の歴史的な度合い。
• グラフトポロジーの無関係性: 社会的ネットワークではノードの近隣がその行動を強く予測するのとは異なり、LN のトポロジーは、閉鎖決定が双方向的かつ私的であるため、特定のチャネルの運命に関する洞察をほとんど提供しない。
• 実用的有用性: 公的データでは完全な予測は達成不可能であるが、内在的な限界を理解している限り、時系列モデルはノード運用者がルーティングの信頼性と手数料収益を最適化するための貴重なツールであり続ける。

著者らは、現在のレベルを超えて予測を大幅に改善するには、おそらくローカルなバランス履歴や支払いログなどの、プライベートでノードローカルのデータへのアクセスが必要であり、それは LN のプライバシー保護アーキテクチャと矛盾すると結論付けている。