基于机器学习预测闪电网络中的通道关闭

闪电网络（LN）是比特币的一个二层协议，旨在启用快速且成本效益高的离链交易。LN中的通道可以通过双方协商一致关闭，也可以通过强制关闭单方关闭，这会锁定相关资本一段时间并降低网络可靠性。本文研究了从公开的gossip数据预测通道关闭类型的問題，将其建模为动态链接分类任务。我们构建了一个跨越两年LN活动的数据集，并对从MLP到时序图神经网络和谱编码等多种机器学习方法进行基准测试。我们的实验表明，占主导地位的预测信号是时序的和行为的，即每个端点最近的活跃程度以及每个节点的过去关闭历史，而周围的网络拓扑结构提供没有额外的益处。我们发现，一个简单的MLP operating on edge-level features、node-level event counts和temporal patterns的性能在所有基于图的方法中均优于其他方法，并讨论了LN的内在隐私——关键信息如通道余额和支付流动仍是隐藏的——从gossip数据alone fundamentally限制了通道关闭的可预测性。我们公开发布了数据集和代码于https://github.com/AmbossTech/ln-channel-closure-prediction，以鼓励进一步研究这一在实际中具有相关性的任务。