Resumo Técnico: Previsão de Encerramentos de Canais na Lightning Network com Aprendizado de Máquina

1. Declaração do Problema

A Lightning Network (LN) é um protocolo de segunda camada para o Bitcoin que permite transações off-chain por meio de canais de pagamento. Esses canais podem ser encerrados via encerramento mútuo (cooperativo, liberação imediata de fundos) ou encerramento forçado (unilateral, resultando em fundos bloqueados por um período de tempo de dias a semanas). Os encerramentos forçados são prejudiciais à eficiência da rede, consumindo taxas on-chain e congelando liquidez.

O problema central abordado é prever o estado futuro de um canal aberto baseando-se exclusivamente em dados de gossip publicamente disponíveis. A tarefa é formalizada como um problema de classificação de links temporais: dado o estado do grafo da LN no tempo $t$, prever se cada canal atualmente aberto permanecerá aberto, será encerrado mutuamente ou sofrerá um encerramento forçado dentro de uma janela futura $\Delta t$ (definida como 180 dias neste estudo).

O desafio reside na privacidade inerente da LN. Fatores críticos que influenciam decisões de encerramento — como saldos de canais, taxas de falha de pagamentos e tempo de atividade dos nós — não são transmitidos via protocolo de gossip. O estudo investiga se padrões temporais observáveis e histórico comportamental podem compensar essas informações ausentes.

2. Metodologia

Construção do Conjunto de Dados

Os autores construíram um conjunto de dados abrangendo o período de 9 de junho de 2022 a 14 de outubro de 2024, derivado de instantâneos diários de mensagens de gossip da LN.

• Escala: 693.277 eventos direcionados (aberturas/encerramentos) em 874 timestamps envolvendo 36.170 nós únicos.
• Pré-processamento:
  • Inicialização (Warm-start): O instantâneo inicial (junho de 2022) foi usado para inicializar o estado do grafo, mas excluído do treinamento para evitar vazamento de dados decorrente do histórico acumulado.
  • Tratamento de Multigrafos: Canais paralelos entre pares de nós foram removidos para criar um grafo simples, eliminando ambiguidades na seleção de características.
  • Divisão: Os dados foram divididos cronologicamente (70% treinamento, 15% validação, 15% teste) para evitar vazamento temporal.
• Rótulos: Arestas abertas no tempo $t$ foram rotuladas com base em seu status em $t + 180$ dias: Aberto, Mútuo ou Forçado. O conjunto de dados é altamente desbalanceado, com ~83% das arestas abertas permanecendo abertas no momento da previsão.

Engenharia de Características

As características foram extraídas diretamente das mensagens de gossip nos níveis de aresta (canal) e nó (endpoint):

• Características de Aresta: Timestamps on-chain, capacidade bloqueada, taxas de fee do bloco de financiamento, políticas de taxas (base/proporcional), limites de HTLC, time locks e flags desativadas.
• Características de Nó: Para cada endpoint, o modelo rastreia contagens acumuladas de eventos (aberturas, encerramentos mútuos, encerramentos forçados) e métricas de recência (tempo desde a última atualização).
• Codificações Temporais: Idade do canal e a recência da última interação para ambos os nós de origem e destino.

Modelos Avaliados

O estudo comparou uma gama de abordagens para determinar o valor da estrutura do grafo versus características locais:

1. Baselines: Aleatório (uniforme/estratificado) e preditores da classe majoritária.
2. MLP (Perceptron de Múltiplas Camadas): Um modelo não baseado em grafos que classifica arestas independentemente usando características concatenadas de aresta, nó e temporais.
3. Árvores com Boosting de Gradiente: XGBoost e LightGBM utilizando os mesmos vetores de entrada do MLP.
4. Redes Neurais em Grafos (GNNs):
   • GNN Estático (GraphSAGE): Opera no instantâneo de arestas abertas sem dinâmicas temporais.
   • GNN Temporal (TGN): Incorpora passagem de mensagens sobre o grafo dinâmico e aprende embeddings de nós via atenção.
5. Codificações Espectrais: MLPs aumentados usando autovetores do Laplaciano normalizado para capturar papéis estruturais sem agregação iterativa.

Pipeline de Avaliação

A avaliação foi adaptada do framework de Rede de Grafo Temporal (TGN). Diferentemente da previsão de links padrão que amostra arestas, este pipeline prevê o status de todas as arestas atualmente abertas em cada timestamp. O desempenho foi medido usando F1-score médio macro para lidar com o desbalanceamento de classes.

3. Resultados Principais

Comparação de Desempenho

• Superioridade do MLP: O MLP simples alcançou o melhor desempenho com um F1 Macro de 0,38.
• Desempenho Inferior dos Modelos de Grafo: O TGN (0,36), GNN Estático (0,35) e Spectral MLP (0,35) performaram pior ou igual ao MLP não baseado em grafos.
• Comparação com Baselines: Todos os modelos aprendidos superaram a baseline aleatória estratificada (0,32), mas a margem foi modesta. O MLP superou significativamente a baseline da classe majoritária (0,30) apenas quando o ponderamento de classes foi aplicado.

Importância das Características e Ablação

• Sinais Dominantes: A ablação de características e a análise SHAP revelaram que sinais temporais e comportamentais são os principais impulsionadores da previsão. Especificamente:
  • Recência da atividade do endpoint ($src\_recency$, $dst\_recency$).
  • Histórico por nó de encerramentos passados ($count\_forced$, $count\_mutual$).
  • Idade do canal.
• Sinais Insignificantes: Metadados estáticos do canal (taxas, capacidade, time locks) e topologia do grafo forneceram poder preditivo adicional negligenciável.
• Agregação de Grafos: Adicionar passagem de mensagens de GNN ou codificações espectrais ao MLP não melhorou o desempenho; em alguns casos, degradou-o. Isso sugere que a estrutura de vizinhança não revela informações sobre o risco de encerramento de um canal específico que não já esteja capturado pelos históricos individuais dos endpoints.

Análise da Matriz de Confusão

O modelo identificou com sucesso canais que permaneceriam abertos (alta recall para a classe Aberto). No entanto, teve dificuldade em distinguir entre encerramentos Mútuos e Forçados, frequentemente confundindo-os entre si ou com a classe Aberto. O desempenho para tipos de encerramento caiu significativamente para canais mais antigos, onde encerramentos são eventos raros.

4. Contribuições Principais

1. Formalização: Definiu a previsão de encerramento de canais como uma tarefa de classificação de links temporais sobre um grafo em evolução.
2. Lançamento do Conjunto de Dados: Disponibilizou publicamente um conjunto de dados de dois anos de instantâneos de gossip da LN com resultados de encerramento rotulados.
3. Descobertas Empíricas: Demonstrou que, para esta tarefa específica, características temporais e comportamentais locais superam representações baseadas em grafos.
4. Análise de Privacidade: Forneceu evidências de que o limite fundamental de previsibilidade é o design de privacidade da LN, onde gatilhos críticos de encerramento (saldos, falhas) são invisíveis ao protocolo de gossip.

5. Significado e Alegações

O artigo afirma que o desempenho preditivo moderado (F1 Macro ~0,38) não é uma falha das arquiteturas de aprendizado de máquina, mas um reflexo de uma lacuna fundamental de informação.

• Limitação de Privacidade: A LN foi projetada para ocultar saldos de canais, fluxos de pagamento e tempo de atividade dos nós. Como esses são os principais gatilhos para encerramentos forçados, sua ausência nos dados de gossip torna impossível uma previsão de alta precisão usando apenas dados públicos.
• Proxies Comportamentais: O modelo depende dos proxies observáveis mais próximos: quão recentemente um nó esteve ativo e sua tendência histórica de encerrar canais.
• Irrelevância da Topologia do Grafo: Diferentemente de redes sociais onde os vizinhos de um nó predizem fortemente seu comportamento, a topologia da LN oferece pouca percepção sobre o destino de um canal específico, pois as decisões de encerramento são bilaterais e privadas.
• Utilidade Prática: Embora a previsão perfeita seja inatingível com dados públicos, a modelagem temporal permanece uma ferramenta valiosa para operadores de nós otimizar a confiabilidade de roteamento e ganhos de taxas, desde que compreendam as limitações inerentes.

Os autores concluem que melhorar significativamente a previsão além dos níveis atuais provavelmente exigiria acesso a dados privados e locais ao nó (por exemplo, históricos de saldos locais ou logs de pagamento), o que contradiz a arquitetura de preservação de privacidade da LN.