结合图注意力网络与强化学习分析以太坊网络中的信息传播以优化网络效率与可扩展性
机器学习
2023-11-03 v1 人工智能
摘要
区块链技术革新了去中心化网络中信息的传播方式。以太坊在促进智能合约与去中心化应用方面发挥着关键作用。理解以太坊中的信息传播动态对于保障网络效率、安全与可扩展性至关重要。在本研究中，我们提出一种创新方法，利用图卷积网络（GCNs）分析以太坊网络中的信息传播模式。我们研究的第一阶段涉及从以太坊区块链收集数据，包括区块、交易与节点度。我们使用邻接矩阵构建交易图表示以捕获节点嵌入；而我们的主要贡献是开发结合图注意力网络（GAT）与强化学习（RL）的模型，以优化网络效率与可扩展性。该模型学习在不同网络状态下采取的最佳动作，最终提升网络效率、吞吐量，并优化区块处理的 gas 限制。在实验评估中，我们分析模型在大规模以太坊数据集上的性能。我们研究使用 GCN 有效聚合来自邻节点的信息以捕获图结构并更新节点嵌入，目标是交易模式预测，同时考虑变化的网络负载与区块数量。我们不仅设计了 gas 限制优化模型并提供算法，而且为应对可扩展性，展示了在 GraphConv、GraphSAGE 与 GAT 中稀疏矩阵的使用与实现。结果表明，我们设计的 GAT-RL 模型在性能上优于其他 GCN 模型。它有效地在网络中传播信息，优化区块处理的 gas 限制并提升网络效率。
引用
@article{arxiv.2311.01406,
title = {Analysis of Information Propagation in Ethereum Network Using Combined Graph Attention Network and Reinforcement Learning to Optimize Network Efficiency and Scalability},
author = {Stefan Kambiz Behfar and Jon Crowcroft},
journal= {arXiv preprint arXiv:2311.01406},
year = {2023}
}