[论文解读] Selecting Reliable Blockchain Peers via Hybrid Blockchain Reliability Prediction

Peilin Zheng, Zibin Zheng+1 more|arXiv (Cornell University)|Oct 31, 2019

Blockchain Technology Applications and Security参考文献 14被引用 5

一句话总结

本文提出 H-BRP，一种混合区块链可靠性预测模型，通过从用户请求历史中提取区块链特异性因素（例如，区块高度、哈希值），并结合协同过滤与混合线性回归，为区块链对等节点提供个性化的可靠性预测。在 100 名请求者和 200 个以太坊对等节点的 200 万条真实世界测试案例上进行评估，H-BRP 的准确率高于基线模型，显著提升了挖矿效率，并降低了加密货币损失风险。

ABSTRACT

Blockchain and blockchain-based decentralized applications are attracting increasing attentions recently. In public blockchain systems, users usually connect to third-party peers or run a peer to join the P2P blockchain network. However, connecting to unreliable blockchain peers will make users waste resources and even lose millions of dollars of cryptocurrencies. In order to select the reliable blockchain peers, it is urgently needed to evaluate and predict the reliability of them. Faced with this problem, we propose H-BRP, Hybrid Blockchain Reliability Prediction model to extract the blockchain reliability factors then make personalized prediction for each user. Large-scale real-world experiments are conducted on 100 blockchain requesters and 200 blockchain peers. The implement and dataset of 2,000,000 test cases are released. The experimental results show that the proposed model obtains better accuracy than other approaches.

研究动机与目标

• 为解决公共 P2P 网络中不可靠区块链对等节点带来的关键挑战，此类节点可能导致用户资源浪费，并在挖矿和去中心化应用中造成财务损失。
• 实现针对个体用户的个性化可靠性预测，因为对等节点的可靠性在不同网络条件和用户地理位置下存在显著差异。
• 开发一种可扩展、数据驱动的模型，利用历史请求模式和对等节点行为来预测可靠性，而无需依赖对等节点的所有权或集中式监控。
• 使用大规模、生产级区块链数据，在真实世界环境中评估模型的有效性。
• 发布实现代码和数据集，以支持可复现性及区块链可靠性领域的未来研究。

提出的方法

• H-BRP 从用户请求日志中提取区块链特异性特征，如区块哈希、区块高度和请求时间，以表征对等节点行为。
• 采用结合协同过滤与用户和对等节点相似性的混合线性回归模型，为单个用户预测可靠性评分。
• 通过基于历史请求模式和可靠性趋势识别相似用户和对等节点，采用个性化方法。
• 引入区块滞后容忍阈值（MaxBlockBack）和往返时间容忍阈值（MaxRTT），以模拟真实世界网络波动性，提升模型鲁棒性。
• 训练与预测流程设计用于处理动态、大规模的区块链请求数据，并具备实时适应能力。
• 以 RMSE 为主要指标评估模型性能，比较不同网络容忍设置下的表现。

实验结果

研究问题

• RQ1 如何在考虑用户特定网络条件的前提下，实现个性化的区块链可靠性预测？
• RQ2 从请求日志中提取的哪些区块链特异性特征最有效地预测对等节点可靠性？
• RQ3 在真实世界区块链环境中，结合协同过滤的混合线性回归模型如何优于传统可靠性预测方法？
• RQ4 网络容忍参数（MaxBlockBack 和 MaxRTT）对预测准确率和模型鲁棒性有何影响？
• RQ5 可扩展的开源可靠性预测模型能否在真实世界以太坊对等网络中有效部署并得到验证？

主要发现

• 在所有测试配置下，H-BRP 的 RMSE 显著低于基线模型，证明其在真实世界条件下具备更优的预测准确率。
• 随着区块滞后容忍度（MaxBlockBack）提高，模型准确率下降，因为更高的容忍度降低了对等节点之间的可区分性，导致预测误差上升。
• 较高的 MaxRTT 值（最高达 1000ms）可提升模型准确率，但在 MaxRTT = 1000ms 时，所有模型均表现出较高的 RMSE，原因在于响应数据稀疏且对等节点响应时间方差大。
• 尽管在 MaxRTT = 1000ms 时 RMSE 较高，H-BRP 仍显著优于其他模型，表明其在极端网络条件下的鲁棒性。
• 在所有参数设置下，模型性能均持续优于基线模型，证实了结合区块链特异性特征与协同过滤的有效性。
• 基于 200 万条测试案例的真实世界实验，证实了 H-BRP 在生产级区块链网络中的可行性与可扩展性。