기술적 요약: 머신러닝을 통한 라이트닝 네트워크 채널 폐쇄 예측

1. 문제 정의

라이트닝 네트워크 (LN) 는 비트코인을 위한 레이어 2 프로토콜로, 결제 채널을 통해 온체인 외부 거래를 가능하게 합니다. 이러한 채널은 상호 폐쇄(협력적, 자금 즉시 해제) 또는 강제 폐쇄(일방적, 수일에서 수주 간의 시간 잠금 기간 동안 자금이 동결됨) 를 통해 종료될 수 있습니다. 강제 폐쇄는 온체인 수수료를 소모하고 유동성을 동결시켜 네트워크 효율성에 해를 끼칩니다.

본 연구가 다루는 핵심 문제는 공개된 그ossip 데이터만을 기반으로 오픈된 채널의 미래 상태를 예측하는 것입니다. 이 작업은 시계열 링크 분류 문제로 공식화됩니다: 시간 $t$에서의 LN 그래프 상태를 주어, 현재 오픈된 각 채널이 미래 시간 창 $\Delta t$(본 연구에서는 180 일로 설정) 내에 오픈 상태를 유지할지, 상호 폐쇄될지, 아니면 강제 폐쇄될지 예측하는 것입니다.

도전 과제는 LN 의 본질적 프라이버시에 있습니다. 채널 잔액, 결제 실패율, 노드 가동 시간과 같은 폐쇄 결정에 영향을 미치는 핵심 요소들은 gossip 프로토콜을 통해 방송되지 않습니다. 본 연구는 관찰 가능한 시계열 패턴과 행동 이력이 이러한 누락된 정보를 보완할 수 있는지 조사합니다.

2. 방법론

데이터셋 구축

저자들은 2022 년 6 월 9 일부터 2024 년 10 월 14 일까지의 일일 LN gossip 메시지 스냅샷에서 파생된 데이터셋을 구축했습니다.

• 규모: 36,170 개의 고유 노드가 포함된 874 개의 타임스탬프에 걸쳐 693,277 개의 방향성 이벤트 (개방/폐쇄).
• 전처리:
  • 웜-스타트: 초기 스냅샷 (2022 년 6 월) 은 그래프 상태를 초기화하는 데 사용되었으나, 누적된 역사로 인한 데이터 누출을 방지하기 위해 학습에서 제외되었습니다.
  • 멀티그래프 처리: 노드 쌍 간의 병렬 채널을 제거하여 단순 그래프를 생성하고, 특징 선택의 모호성을 제거했습니다.
  • 분할: 시계열 누출을 방지하기 위해 데이터를 시간순으로 분할했습니다 (학습 70%, 검증 15%, 테스트 15%).
• 레이블: 시간 $t$에서의 오픈 엣지는 $t + 180$일 후의 상태에 따라 레이블이 지정되었습니다: 오픈, 상호, 또는 강제. 데이터셋은 매우 불균형하여, 예측 시점에 오픈 엣지의 약 83% 가 오픈 상태로 유지되었습니다.

특징 공학

특징은 엣지 (채널) 및 노드 (엔드포인트) 수준에서 gossip 메시지에서 직접 추출되었습니다:

• 엣지 특징: 온체인 타임스탬프, 잠금 용량, 펀딩 블록 수수료율, 수수료 정책 (기본/비례), HTLC 경계, 시간 잠금, 비활성화 플래그.
• 노드 특징: 각 엔드포인트에 대해 모델은 이벤트 (개방, 상호 폐쇄, 강제 폐쇄) 의 누적 카운트와 최근성 지표 (마지막 업데이트 이후 경과 시간) 를 추적합니다.
• 시계열 인코딩: 채널 나이와 소스 및 목적지 노드의 마지막 상호작용 최근성.

평가된 모델

본 연구는 그래프 구조와 로컬 특징의 가치를 결정하기 위해 다양한 접근 방식을 벤치마킹했습니다:

1. 베이스라인: 무작위 (균일/층화) 및 다수 클래스 예측기.
2. MLP (멀티 레이어 퍼셉트론): 엣지, 노드, 시계열 특징을 연결하여 엣지를 독립적으로 분류하는 비그래프 모델.
3. 그래디언트 부스팅 트리: MLP 와 동일한 입력 벡터를 사용하는 XGBoost 및 LightGBM.
4. 그래프 신경망 (GNN):
   • 정적 GNN (GraphSAGE): 시계열 역동성 없이 오픈 엣지 스냅샷에서 작동.
   • 시계열 GNN (TGN): 동적 그래프에서의 메시지 전달을 통합하고 어텐션을 통해 노드 임베딩을 학습.
5. 스펙트럴 인코딩: 반복적 집계 없이 구조적 역할을 포착하기 위해 정규화된 라플라시안의 고유벡터를 사용하는 증강 MLP.

평가 파이프라인

평가는 Temporal Graph Network (TGN) 프레임워크에서 적응되었습니다. 엣지를 샘플링하는 표준 링크 예측과 달리, 이 파이프라인은 각 타임스탬프에서 현재 오픈된 모든 엣지의 상태를 예측합니다. 성능은 클래스 불균형을 해결하기 위해 마이크로 평균 F1 점수를 사용하여 측정되었습니다.

3. 주요 결과

성능 비교

• MLP 우위: 간단한 MLP 가 마이크로 F1 0.38로 가장 높은 성능을 달성했습니다.
• 그래프 모델 저조: TGN(0.36), 정적 GNN(0.35), 스펙트럴 MLP(0.35) 모두 비그래프 MLP 보다 낮거나 동등한 성능을 보였습니다.
• 베이스라인 비교: 모든 학습된 모델은 층화 무작위 베이스라인 (0.32) 을 능가했으나, 그 차이는 미미했습니다. MLP 는 클래스 가중치가 적용되었을 때만 다수 베이스라인 (0.30) 을 유의미하게 능가했습니다.

특징 중요도 및 제거 분석

• 주요 신호: 특징 제거 및 SHAP 분석은 시계열 및 행동 신호가 예측의 주요 동인임을 드러냈습니다. 구체적으로:
  • 엔드포인트 활동의 최근성 ($src\_recency$, $dst\_recency$).
  • 과거 폐쇄에 대한 노드별 이력 ($count\_forced$, $count\_mutual$).
  • 채널 나이.
• 미미한 신호: 정적 채널 메타데이터 (수수료, 용량, 시간 잠금) 와 그래프 토폴로지는 예측력에 거의 추가적인 기여를 하지 못했습니다.
• 그래프 집계: MLP 에 GNN 메시지 전달이나 스펙트럴 인코딩을 추가해도 성능이 향상되지 않았으며, 일부 경우 오히려 저하되었습니다. 이는 이웃 구조가 엔드포인트의 개별 이력에 이미 포착되지 않은 특정 채널의 폐쇄 위험에 대한 정보를 제공하지 않음을 시사합니다.

혼동 행렬 분석

모델은 오픈 상태를 유지할 채널을 성공적으로 식별했습니다 (오픈 클래스에 대한 높은 재현율). 그러나 상호 폐쇄와 강제 폐쇄를 구별하는 데 어려움을 겪었으며, 종종 서로 또는 오픈 클래스와 혼동했습니다. 폐쇄가 드문 사건인 오래된 채널의 경우 폐쇄 유형에 대한 성능이 크게 저하되었습니다.

4. 주요 기여

1. 공식화: 진화하는 그래프에 대한 시계열 링크 분류 작업으로 채널 폐쇄 예측을 정의.
2. 데이터셋 공개: 레이블이 지정된 폐쇄 결과와 함께 2 년 분량의 LN gossip 스냅샷 데이터셋을 공개.
3. 실증적 발견: 이 특정 작업에 대해 로컬 시계열 및 행동 특징이 그래프 기반 표현보다 우수함을 입증.
4. 프라이버시 분석: 중요한 폐쇄 트리거 (잔액, 실패) 가 gossip 프로토콜에 보이지 않는 LN 의 프라이버시 설계가 예측 가능성의 근본적 한계임을 입증.

5. 중요성 및 주장

이 논문은 중간 수준의 예측 성능 (마이크로 F1 약 0.38) 이 머신러닝 아키텍처의 실패가 아니라 근본적인 정보 격차의 반영이라고 주장합니다.

• 프라이버시 제한: LN 은 채널 잔액, 결제 흐름, 노드 가동 시간을 숨기도록 설계되었습니다. 이러한 요소들이 강제 폐쇄의 주요 트리거이므로, gossip 데이터에서 이들이 누락되면 공개 데이터만으로는 고정밀 예측이 불가능합니다.
• 행동적 대리 변수: 모델은 관찰 가능한 가장 근접한 대리 변수에 의존합니다: 노드가 얼마나 최근에 활동했는지와 채널을 폐쇄하려는 역사적 경향.
• 그래프 토폴로지의 무관함: 노드의 이웃이 행동을 강력하게 예측하는 소셜 네트워크와 달리, LN 의 토폴로지는 폐쇄 결정이 양자적이고 사적이기 때문에 특정 채널의 운명에 대한 통찰력을 거의 제공하지 않습니다.
• 실용적 유용성: 공개 데이터로는 완벽한 예측이 불가능하지만, 내재적 한계를 이해한다면 시계열 모델링은 노드 운영자가 라우팅 신뢰성과 수수료 수익을 최적화하는 데 여전히 가치 있는 도구입니다.

저자들은 현재 수준을 훨씬 뛰어넘는 예측을 크게 개선하려면 로컬 잔액 이력이나 결제 로그와 같은 사적이고 노드 로컬 데이터에 대한 접근이 필요할 것이라고 결론지었으며, 이는 LN 의 프라이버시 보존 아키텍처와 모순됩니다.