[논문 리뷰] Transaction Confirmation Time Prediction in Ethereum Blockchain Using Machine Learning

Harsh Jot Singh, Abdelhakim Hafid|arXiv (Cornell University)|2019. 11. 25.

Blockchain Technology Applications and Security참고 문헌 1인용 수 7

한 줄 요약

이 논문은 블록 수준의 특징을 사용하여 이더리움 거래 확정 시간을 예측하는 기계학습 접근법을 제안한다. 랜덤 포레스트 리그레서와 다층 퍼셉트론을 통계적 회귀 모델과 비교한다. 기계학습 모델이 전통적인 통계적 방법에 비해 예측 정확도를 크게 향상시킨다는 것을 입증한다.

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.

연구 동기 및 목표

• 이더리움 블록체인에서 거래 확정 시간을 예측하는 기계학습 기반 모델을 개발하는 것.
• 랜덤 포레스트 리그레서와 다층 퍼셉트론의 예측 성능을 기존의 통계적 회귀 모델과 비교하는 것.
• 기존의 통계적 방법에 비해 기계학습 기법이 거래 확정 시간 예측 정확도에서 뛰어난 성능을 보이는지 확인하는 것.
• 사용자와 시스템이 이더리움에서 거래 확정 지연 시간을 추정할 수 있도록 실용적이고 데이터 기반의 도구를 제공하는 것.

제안 방법

• 모델은 이전의 이더리움 블록 데이터를 사용하며, 블록 크기, 거래 건수, 가스 제한, 가스 가격 등의 특징을 추출한다.
• 거래 확정 시간은 거래 포함 후 최종 확정까지 경과한 블록 수로 정의되며, 블록 시간 단위로 측정된다.
• 추출된 특징을 기반으로 두 가지 기계학습 모델인 랜덤 포레스트 리그레서와 다층 퍼셉트론을 훈련시어 확정 시간을 예측한다.
• 기준선으로서의 통계적 회귀 모델도 동일한 데이터셋과 평가 기준을 사용해 훈련하고 비교한다.
• 모델 성능은 평균 절대 오차(MAE), 평균 제곱 오차(MSE), 결정계수(R-squared)와 같은 표준 회귀 평가 지표를 사용해 평가된다.
• 훈련 및 평가는 블록체인에서 수집한 실제 이더리움 데이터셋을 기반으로 수행된다.

실험 결과

연구 질문

• RQ1 기계학습 모델은 기존의 통계적 회귀 모델에 비해 이더리움 거래 확정 시간을 더 정확하게 예측할 수 있는가?
• RQ2 랜덤 포레스트 리그레서와 다층 퍼셉트론의 예측 성능는 이더리움 거래 확정 시간 예측 맥락에서 어떻게 비교되는가?
• RQ3 어느 블록체인 특징 조합이 정확한 확정 시간 예측을 위해 가장 유용한 입력을 제공하는가?
• RQ4 기계학습 모델을 사용할 경우 통계적 모델 대비 예측 정확도 향상 정도는 어느 정도인가?

주요 결과

• 랜덤 포레스트 리그레서는 모든 모델 중에서 가장 낮은 평균 절대 오차(MAE)를 기록하여 뛰어난 예측 정확도를 보였다.
• 다층 퍼셉트론 모델은 결정계수(R-squared)와 MSE 측면에서 통계적 회귀 모델을 능가하여 더 우수한 피팅과 일관된 예측 성능을 보였다.
• 기계학습 모델은 기준선 통계적 모델 대비 예측 오차를 크게 감소시켜 이 작업에서 기계학습의 우수성을 확인했다.
• 모델 성능은 다양한 네트워크 조건에서도 뛰어난 안정성을 보였으며, 고·저 트랜잭션 부하 상황 모두에서 예측 정확도 향상이 일관되게 관찰되었다.