[論文レビュー] Transaction Confirmation Time Prediction in Ethereum Blockchain Using Machine Learning

Harsh Jot Singh, Abdelhakim Hafid|arXiv (Cornell University)|Nov 25, 2019

Blockchain Technology Applications and Security参考文献 1被引用数 7

ひとこと要約

本論文では、ブロックレベルの特徴量を用いてイーサリアム取引の承認時間を予測する機械学習手法を提案し、ランダムフォレスト回帰モデルとマルチレイヤーパーセプトロンを統計的回帰モデルと比較している。機械学習モデルが従来の統計的手法に比べて予測精度を顕著に向上させることを示している。

ABSTRACT

Blockchain offers a decentralized, immutable, transparent system of records. It offers a peer-to-peer network of nodes with no centralised governing entity making it unhackable and therefore, more secure than the traditional paper-based or centralised system of records like banks etc. While there are certain advantages to the paper-based recording approach, it does not work well with digital relationships where the data is in constant flux. Unlike traditional channels, governed by centralized entities, blockchain offers its users a certain level of anonymity by providing capabilities to interact without disclosing their personal identities and allows them to build trust without a third-party governing entity. Due to the aforementioned characteristics of blockchain, more and more users around the globe are inclined towards making a digital transaction via blockchain than via rudimentary channels. Therefore, there is a dire need for us to gain insight on how these transactions are processed by the blockchain and how much time it may take for a peer to confirm a transaction and add it to the blockchain network. This paper presents a novel approach that would allow one to estimate the time, in block time or otherwise, it would take for a mining node to accept and confirm a transaction to a block using machine learning. The paper also aims to compare the predictive accuracy of two machine learning regression models- Random Forest Regressor and Multilayer Perceptron against previously proposed statistical regression model under a set evaluation criterion. The objective is to determine whether machine learning offers a more accurate predictive model than conventional statistical models. The proposed model results in improved accuracy in prediction.

研究の動機と目的

• イーサリアムブロックチェーンにおける取引承認時間の予測を目的とした機械学習ベースのモデルの開発。
• ランダムフォレスト回帰モデルとマルチレイヤーパーセプトロンの予測性能を、従来の統計的回帰モデルと比較すること。
• 機械学習手法が古典的統計的手法に比べて、取引承認時間予測において優れた精度を示すかどうかを特定すること。
• ユーザーおよびシステムがイーサリアムにおける取引承認遅延を推定するための実用的でデータ駆動型のツールを提供すること。

提案手法

• 本モデルは、歴史的イーサリアムブロックデータを用い、ブロックサイズ、取引件数、ガス制限、ガス価格などの特徴量を抽出する。
• 取引承認時間は、取引のブロックに含まれてから最終承認までに経過するブロック数（ブロック時間単位）として定義される。
• 抽出された特徴量を用いて、2つの機械学習モデル（ランダムフォレスト回帰モデルとマルチレイヤーパーセプトロン）を訓練し、承認時間を予測する。
• 同じデータセットと評価基準を用いて、ベースラインとなる統計的回帰モデルも訓練し、比較する。
• モデルの性能は、平均絶対誤差（MAE）、平均二乗誤差（MSE）、決定係数（R-squared）などの標準的な回帰指標を用いて評価される。
• トレーニングおよび評価は、ブロックチェーンから収集した実世界のイーサリアムデータセットを用いて実施される。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、従来の統計的回帰モデルに比べて、イーサリアム取引の承認時間をより正確に予測できるか？
• RQ2 ランダムフォレスト回帰モデルとマルチレイヤーパーセプトロンの予測性能は、イーサリアム取引承認時間予測の文脈でどのように比較できるか？
• RQ3 どのブロックチェーン特徴量のセットが、正確な承認時間予測に最も情報量が多い入力となるか？
• RQ4 機械学習モデルを用いることで、統計的モデルに比べて予測精度がどの程度向上するか？

主な発見

• ランダムフォレスト回帰モデルは、すべてのモデルの中で最小の平均絶対誤差（MAE）を達成しており、優れた予測精度を示している。
• マルチレイヤーパーセプトロンモデルは、決定係数（R-squared）と平均二乗誤差（MSE）の観点で、統計的回帰モデルを上回り、適合度と予測の一貫性が向上している。
• 両方の機械学習モデルは、ベースラインとなる統計的モデルに比べて予測誤差を顕著に低減しており、このタスクにおいて機械学習の優位性が確認された。
• ネットワーク状態の変化に関わらずモデルの性能は安定しており、高負荷および低負荷の両状況下で一貫した予測精度の向上が見られた。