Benchmarking GNNs Using Lightning Network Data

比特币闪电网络是一个第二层协议，旨在促进快速和廉价的比特币交易。它通过在用户之间建立通道来运作，其中比特币被锁定，交易在链下进行，直到通道关闭，只有最初和最终的交易记录在区块链上。对于没有直接通道的用户，通过中间节点进行路由交易至关重要，这些路由节点可以收取服务费。节点向网络宣布它们的通道，形成通道作为边缘的图形。在本文中，我们使用机器学习，特别是图神经网络（GNN），分析了闪电网络的图形结构，并调查了节点属性之间的统计关系。我们制定了一系列任务来探索这些关系，并为GNN架构提供基准，展示了拓扑和邻居信息如何增强性能。我们对几个模型的评估揭示了GNN在这些任务中的有效性，并突显了应用它们所获得的见解。

本论文旨在分析比特币闪电网络的图形结构，并使用机器学习，特别是图神经网络（GNN），研究节点属性之间的统计关系。

本论文的关键思路是使用GNN模型探索比特币闪电网络的拓扑结构，从而提高性能并得出新的见解。

论文通过实验设计和数据集的使用，展示了GNN在比特币闪电网络分析中的有效性和优势，并提供了GNN架构的基准测试。此外，论文还突出了节点度数和邻居信息对GNN性能的增强作用。

在这个领域中，最近的相关研究包括《基于比特币闪电网络的支付通道预测》和《基于图神经网络的比特币闪电网络支付通道预测研究》等。