[논문 리뷰] Game of Coins

Alexander Spiegelman, Idit Keidar외 1명|arXiv (Cornell University)|2018. 05. 23.

Blockchain Technology Applications and Security참고 문헌 11인용 수 9

한 줄 요약

이 논문은 다중 암호화폐 전략적 채굴을 게임 이론적으로 모델링하여, 보다 나은 반응 학습이 균형으로 수렴함을 증명한다. 또한, 어떤 초기 균형에서든 원하는 균형으로 시스템을 이동시키는 보상 설계 방안을 제안하여, 다중 에이전트 환경에서의 학습 채굴자들을 제어할 수 있도록 한다.

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.

연구 동기 및 목표

• 다중 암호화폐 시장에서의 전략적 채굴을 게임 이론적 프레임워크로 공식화하기.
• 해당 전략적 환경에서 보다 나은 반응 학습의 수렴 성질 분석하기.
• 어떤 초기 균형에서든 목표 균형으로 시스템을 이동시키는 보상 메커니즘 설계하기.
• 다중 에이전트 채굴 시스템에서의 적응형 및 학습 채굴자들을 제어할 수 있도록 하기.

제안 방법

• 채굴자들 간의 비협력 게임으로 다중 암호화폐에 걸친 전략적 채굴을 모델링한다.
• 정의된 게임에서 어떤 보다 나은 반응 학습 역학도 나시 균형으로 수렴함을 증명한다.
• 시스템을 초기 균형에서 원하는 균형으로 이동시키기 위해 인센티브를 조작하는 보상 함수를 설계한다.
• 게임 이론적 분석을 활용하여 제안된 보상 메커니즘 하에서의 안정성과 수렴성을 보장한다.
• 다중 에이전트 시스템 원리를 활용하여 탈중앙화된 채굴 환경에서의 학습 행동을 다룬다.
• 균형 분석과 인센티브 공학을 활용하여 시스템 설정을 목표 결과로 유도한다.

실험 결과

연구 질문

• RQ1 다중 암호화폐 채굴에서의 보다 나은 반응 학습은 균형으로 수렴하는가?
• RQ2 보상 설계 방안을 통해 어떤 초기 균형에서든 원하는 균형으로 시스템을 이동시킬 수 있는가?
• RQ3 다중 에이전트 채굴 환경에서 학습 채굴자의 행동을 제어하기 위해 어떻게 인센티브를 구성할 수 있는가?
• RQ4 다중 암호화폐 시스템에서 전략적 채굴 역학이 안정화되는 조건은 무엇인가?

주요 결과

• 제안된 게임 모델에서의 보다 나은 반응 학습은 나시 균형으로 수렴한다.
• 보상 설계 방안은 어떤 초기 균형에서든 원하는 균형으로 시스템을 성공적으로 이동시킨다.
• 이 접근법은 전략적 인센티브 조작을 통해 학습 채굴자들을 제어할 수 있다.
• 이 프레임워크는 적응형 채굴 환경에서의 다이코인 전략적 공격을 다루는 데 있어 최초의 시도이다.
• 제안된 보상 메커니즘 하에서 시스템은 안정적이고 예측 가능하다.
• 이 방법은 어떤 초기 균형에도 적용 가능하여 광범위한 구성 가능성을 보장한다.