当区块链遇见 AI：由机器学习实现的最优挖矿策略
密码学与安全
2021-01-07 v3
摘要
本工作将 AI 机器学习领域的强化学习（RL）应用于推导类比特币区块链的最优挖矿策略，而无需知晓区块链网络模型的细节。此前，最获利的挖矿策略被认为是默认区块链协议中编码的诚实挖矿。后来研究表明，通过偏离诚实挖矿有可能获得更多挖矿奖励。特别地，挖矿问题可被建模为马尔可夫决策过程（MDP），求解该过程可给出最优挖矿策略。然而，求解挖矿 MDP 需要知道刻画区块链网络模型的各类参数值。在真实区块链网络中，这些参数值不易获取且可能随时间变化。这阻碍了基于 MDP 模型的解法的使用。本工作中，我们采用 RL，通过观测并与网络交互，动态学习一种性能逼近最优挖矿策略的挖矿策略。由于挖矿 MDP 问题具有非线性目标函数（而非标准 MDP 问题的线性函数），我们设计了一种新的多维 RL 算法来求解该问题。实验结果表明，在不知晓挖矿 MDP 模型参数值的情况下，我们的多维 RL 挖矿算法仍能在时变区块链网络上达到最优性能。
引用
@article{arxiv.1911.12942,
title = {When Blockchain Meets AI: Optimal Mining Strategy Achieved By Machine Learning},
author = {Taotao Wang and Soung Chang Liew and Shengli Zhang},
journal= {arXiv preprint arXiv:1911.12942},
year = {2021}
}
备注
This work was accepted for publication in International Journal of Intelligent Systems, pp 1-13, Jan, 2021