[論文レビュー] Game of Coins

Alexander Spiegelman, Idit Keidar+1 more|arXiv (Cornell University)|May 23, 2018

Blockchain Technology Applications and Security参考文献 11被引用数 9

ひとこと要約

本稿では、複数暗号通貨における戦略的マイニングをゲーム理論的枠組みとしてモデル化し、より良い応答学習が均衡に収束することを証明する。また、任意の初期均衡から所望の均衡へシステムを導く報酬設計スキームを提案することで、マルチエージェント環境における学習マイナーの制御を可能にする。

ABSTRACT

We formalize the current practice of strategic mining in multi-cryptocurrency markets as a game, and prove that any better-response learning in such games converges to equilibrium. We then offer a reward design scheme that moves the system configuration from any initial equilibrium to a desired one for any better-response learning of the miners. Our work introduces the first multi-coin strategic attack for adaptive and learning miners, as well as the study of reward design in a multi-agent system of learning agents.

研究の動機と目的

• 複数暗号通貨市場における戦略的マイニングをゲーム理論的枠組みとして形式化すること。
• そのような戦略的環境におけるより良い応答学習の収束特性を分析すること。
• 任意の初期均衡から目的の均衡へシステムを再配置する報酬メカニズムを設計すること。
• マルチエージェントマイニングシステムにおける適応的・学習的マイナーの制御を可能にすること。

提案手法

• マイナー間の非協力的ゲームとして、複数の暗号通貨にわたる戦略的マイニングをモデル化する。
• 定義されたゲームにおいて、任意のより良い応答学習ダイナミクスがナッシュ均衡に収束することを証明する。
• システムを初期均衡から所望の均衡へシフトさせるためにインcentiveを操作する報酬関数を設計する。
• ゲーム理論的分析を用いて、提案された報酬メカニズム下での安定性と収束を保証する。
• マルチエージェントシステムの原則を応用し、分散型マイニング環境における学習行動を扱う。
• 均衡分析とインcentive工学を用いて、システム設定を所望の結果へ誘導する。

実験結果

リサーチクエスチョン

• RQ1 複数暗号通貨マイニングにおけるより良い応答学習は均衡に収束するか？
• RQ2 報酬設計スキームにより、任意の初期均衡から所望の均衡へシステムを再配置できるか？
• RQ3 学習マイナーの行動をマルチエージェントマイニング環境で制御するためには、インcentiveをどのように構造化すべきか？
• RQ4 戦略的マイニングダイナミクスがマルチ暗号通貨システムで安定化する条件は何か？

主な発見

• 提案されたゲームモデルにおけるより良い応答学習は、ナッシュ均衡に収束する。
• 報酬設計スキームにより、任意の初期均衡から所望の均衡へシステムを効果的に再配置できる。
• 戦略的インcentive操作を通じて、学習マイナーの制御が可能になる。
• 本フレームワークは、適応的マイニング環境における複数通貨戦略的攻撃に初めて取り組むものである。
• 提案された報酬メカニズム下でも、システムは安定的かつ予測可能である。
• 本手法は任意の初期均衡に適用可能であり、広範な設定可能性を有する。