区块链和机器学习的爱恨情仇？区块链weixin44984664的博客-

注重版权，若要转载烦请附上作者和链接

作者：Joshua_yi

链接：https://blog.csdn.net/weixin_44984664/article/details/106205139

区块链和机器学习可以说是当下最火的几个词了

这两尊大佛怎么放在一块儿呢？

以下仅为菜鸡小编的一次区块链作业

简单谈了一下区块链和机器学习融合的应用

若有不正确之处，还请大神们指正🙏🙏🙏

摘要

自区块链诞生以来受到越来越多的人的关注。随着时间的推移区块链中的相关技术也愈加完善，同时区块链中所存储的数据也与日俱增，这表示其中蕴含的信息量也越来越多。要想将这些信息加以利用，一个突破口就是和机器学习和深度学习相结合。本论文就着重于将ML和区块链技术相融合，利用其对区块链中的数据进行分析和应用。

关键字: 区块链、比特币、 机器学习

abstract

Since the birth of the blockchain, a large number of people pay attention to it. With the passage of time, the related technologies in the blockchain is becoming perfect. At the same time, the data stored in the blockchain has also been increasing over time. To use these information, a breakthrough is to combine with machine learning and deep learning. This paper focuses on the integration of ML and blockchain technology, and uses it to analyse the data in the blockchain to produce some practical utility.

Keywords: blockchain，Bitcoin , machine learning

一、引言

1、选题背景

本学期学习了区块链技术与应用一课程，对区块链的相关技术以及相应的应用有了一定的了解。结合自己所学的知识，发现区块链在未来的一个发展方向是和人工智能领域相结。通过对区块链种海量的信息进行分析，可以帮助我们进行决策等操作。前人已经在区块链和人工智能结合的领域做出了一定的成果，下面是对他们的综述以及自己的一些理解。

2、回顾区块链

要说起区块链，对”区块链”一词的解释是必要的。在此之前需要对其起源——比特币进行说明，在早期的密码学圈子里，人们对于比特币的底层技术的称呼就是”比特币”，用英文则是用”Bitcoin”指比特币的网络系统或者网络协议。

在之后的发展中人们将所有的底层技术比如，时间戳，工作量证明机制等合并起来，为了跟比特币区分，重新取了个名字叫Blockchain，翻译过来就成了”区块链”，这就是”区块链”一词的来源。在这里需要进行说明强调的是区块链并不是一个单一的技术，而是一系列技术的集合。

我们从该词的命名方式上就大概可以知道，区块链是怎么工作的。通过一串的数字块， 每个块包含一定量的数据，通过”链”将这些数据块连接起来，形成一个分布式数据库。实际上这条”链”并不存在，而是由一个个哈希值链接成的。 一个新创建的块包含着从节点收集的很多信息，广播到网络上的每个节点，此时具有相同共识协议的节点就可以接受这个含有信息数据的块并将其添加到区块链中。每个添加的块均包含链中先前块的信息。也就说明，如果更改了某一个块，则该块之后的所有块也将无效。同时加上区块链总是承认最长的一条链，这一规则使区块链具有了不可篡改的特性。当然在不同类型的区块链中，达成新区的共识协议的策略可能有所不同。

当比特币用户向收款人发起转账过程时，简单来说会经历两个过程。第一个过程，在付款人生成交易信息之后，他需要使用通过椭圆曲线签名算法求得的私钥，对该场交易进行签名。有付款人进行签名的作用是确认交易信息来源的是否是交易发起方并且确定交易数据是否完整，防止该场交易的信息被其他别有用心的人伪造。需要注意的是当交易信息发生修改之后，原先的数字签名就会随之失效，需要重新生成新的数字签名。第二个过程，将该场交易的信息和生成的数字签名一起发送到整个比特币网络当中。此时，在此网络中并接收到信息的矿工就可以通过公钥解密该数字签名，来对该场交易进行验证。如果成功，可以证明这笔交易确实由付款人发起且交易信息未在某个过程种被其他人修改；否则该场交易无效，交易回滚到之前的状态。通过验证的有效交易将由该名矿工打包，上传至区块链。

二、机器学习和和区块链

本节总结了区块链和机器学习结合在比特币价格预测和交易实体分类两个方向上的应用的实验。

1、比特币价格预测

我们可以通过UTXO记录交易中的比特币数量来预测比特币价格。 Jourdan等人在2018年通过创建概率图形模型来预测UTXO的价格。 其中一个模型是块交易地址模型（BT-A），它是具有条件依赖结构的比特币块的固定图形模型。 块事务实体地址模型（BT-EA）作为BT-A的扩展，向每个地址添加了分类实体。 从图1中的仿真结果可以看出，就MSE，RMSE，MAE，RMAE四个指标而言，在除Exchange之外的所有类别中BT-EA模型表现均明显优于BT-A模型。

预测比特币价格的另一方法是使用贝叶斯回归作为”Latent source model” ，这是Shah等人在2014年首先所做的。“Latent source model” 旨在对价格变化的基本模式进行建模。 比特币价格
$y$

y是根据特征
$x$

x进行预测的，“Latent source model” 参考了下面所列的公式
$P ( y | x ) = sum _ { k = 1 } ^ { T } P _ { k } ( y ) exp ( – frac { 1 } { 2 } | x – s _ { k } | _ { 2 } ^ { 2 } ) mu _ { k }$

P(y∣x)=k=1∑T​Pk​(y)exp(−21​∥x−sk​∥22​)μk​ 需要对其中的参数进行说明的是，其中
$s_1 ,……，s_k$

s1​,……，sk​是K个与不清楚的未估计的未知潜在源。
$P_k$

Pk​ 是与概率
$mu_k$

μk​相关的潜在分布，可以表示为
$P_k(T=K)=mu_k$

Pk​(T=K)=μk​。
$P ( y | x )$

P(y∣x)的期望值可以根据如下公式进行估算
$E [ y | x ] = frac { sum _ { i = 1 } ^ { n } y _ { i } exp ( – frac { 1 } { 4 } | x – x _ { i } | _ { 2 } ^ { 2 } ) } { sum _ { i = 1 } ^ { n } exp ( – frac { 1 } { 4 } | x – x _ { i } | _ { 2 } ^ { 2 } ) }$

E[y∣x]=∑i=1n​exp(−41​∥x−xi​∥22​)∑i=1n​yi​exp(−41​∥x−xi​∥22​)​ 未来平均价格变化取决于以下三个时期的历史数据的价格变化：前30分钟，60分钟和120分钟，记为
$Delta p ^ { j } , j = 1,2,3$

Δpj,j=1,2,3。 每个
$Delta p^j$

Δpj由以下公式计算
$Delta p = w _ { 0 } + sum _ { j = 1 } ^ { 3 } w _ { j } Delta p ^ { j } + w _ { 4 } r$

Δp=w0​+j=1∑3​wj​Δpj+w4​r

• 
  $w _ { 0 } , w _ { 1 } , w _ { 2 } , w _ { 3 } , w _ { 4 }$

  w0​,w1​,w2​,w3​,w4​是要估算的权重

• 
  $r = ( v _ { b } – v _ { a } ) / ( v _ { b } + v _ { a } )其中v _ { b } , v _ { a }$

  r=(vb​−va​)/(vb​+va​)其中vb​,va​是全球前60位的订单买卖总量

为了更好地刻画输入和输出的特征，Akcora等人在2019引入了图形链的概念，该概念描述了比特币区块链的局部拓扑特征，以探索比特币区块链结构对比特币价格形成和动态的影响。 比特币区块链的交易地址图形表示如图2所示。圆圈顶点表示输入和输出地址。 正方形顶点表示交易，边缘代表UTXO（比特币的转移）。 链模型表示涉及交易的x个输入UTXO和y个输出UTXO，表示为
$C _ { x rightarrow y }$

Cx→y​。 格兰杰因果关系检验评估了按各种标准聚类的所有链状链和链状链簇。 实验结果表明，分裂链小链簇定义为，
$y < x < 20$

y<x<20，个体链（例如
$C _ { 1 rightarrow 7 } , C _ { 6 rightarrow 1 } , C _ { 3 rightarrow 3 }$

C1→7​,C6→1​,C3→3​），极端链（例如
$C _ { 20 rightarrow 2.3.12.17 }$

C20→2.3.12.17​） ，根据余弦相似度（例如）
$C _ { 9 rightarrow 11 } , C _ { 3 rightarrow 17 } , C _ { 8 rightarrow 14 } , C _ { 1 rightarrow 1 }$

C9→11​,C3→17​,C8→14​,C1→1​的聚类对于比特币价格动态至关重要。 使用重要的小链可以进一步开发价格预测模型。

2019年Abay等人将Chainlet模型扩展到新的图形模型” Chain-Net”，该模型进一步评估了所有或多个事务的拓扑特征，并考虑了已转让比特币的数量。 根据仿真结果来看，ChainNet采用Betti模型特征和FL特征进行短期和长期预测获得了更好的性能。

2、交易实体分类

由于比特币的一些特性使得其成为了许多不法分子收取勒索金额的一种常见方式。也有许多人对此类问题进行了研究。2019年时Akcora等人在使用拓扑数据分析（TDA）方法来生成比特币地址图，去检测与勒索付款有关的地址取得了一定的成果。

他们使用方法是先将相似的地址分组到节点中，然后将两个节点之间的公共地址放入边集合中。在TDA中首先通过基于不同的过滤标准将数据划分为子样本，然后将每个子样本中的相似点聚类来表示图中的数据集。 比特币交易图模型是有向图，可以表示为
$G = ( V , E , B )$

G=(V,E,B)其中V是一组顶点，E是一组边，而 B = Address, Transaction 是一种节点类型。 通过使用为每个地址提取的六个图形特征，将TDA映射器方法应用于创建六个过滤的簇树图形。 在计算每个群集中的勒索地址数量（表示为V）后，将可疑分数分配给新地址。 群集中地址的可疑分数最初设置为0。 如果满足以下条件，则将增加一：（1）包含阈值，表示为1，乘以标记的勒索软件地址的总数小于V； （2）大小阈值（表示为2）乘以群集中标记的勒索地址的数量大于群集中所有地址的数量。 之后当可疑地址的可疑分数高于分位数阈值时将被过滤。 结果表明，最佳的TDA模型参数为
$epsilon _ { 1 } = 0.05 , epsilon _ { 2 } = 0.35 , q = 0.7$

ϵ1​=0.05,ϵ2​=0.35,q=0.7此时性能优于Random Forests和XGBoost方法。

2018年时Jourdan等将交易实体分为四个最常见的类别：交易所，服务，赌博，矿池。分类的目的是帮助选择根据交易类别构建的适当预测模型。 他们所应用的分类方法是梯度增强决策树算法以及高斯过程以确定最佳超参数。 可以由图3得出结论，交易所，赌博和服务类别的准确性很高。 但是，”矿池”类别的准确性很差。 这表明采矿活动可能不适合作为独立标签。

三、结论及展望

从客观上来看，当前的将机器学习和区块链相结合的研究仍处于非常初步的阶段。但是，相信随着算力，算法等的不断提升，该方向上的具体应用将会越来越多。我们可以从以下几个方面去努力。

• 设计具有学习能力的模型和应用，以规范和发现区块链中的异常行为。
• 随着区块链的发展，隐私问题将会越来越受到用户的关注。 结合数据融合，可以设计多层次的区块链结构对用户进行数据身份验证，以保护用户的隐私。
• 基于机器学习和深度学习的模型经过改进可以为区块链提供及时的预测模型。

参考文献

[1] Chen, Fang and Wan, Hong and Cai, Hua and Cheng, Guang, Machine Learning in/for Blockchain: Future and Challenges,2020

[2] Marc Jourdan et al Probabilistic Model of the Bitcoin Blockchain , In: CoRR abs/1812.05451 (2018)

[3] Kushal Singla and Joy Bose and Sharvil Katariya Machine Learning for Secure Device Personalization Using Blockchain,2018

四、总结

当然区块链可以除了和机器学习相结合，而且还可以同深度学习，强化学习等领域相结合，有兴趣的小伙伴阔以去阅读相关的论文鸭~~

不要忘记给小编点个小心心哦~~