論文の概要: New intelligent defense systems to reduce the risks of Selfish Mining
and Double-Spending attacks using Learning Automata
- arxiv url: http://arxiv.org/abs/2307.00529v2
- Date: Fri, 8 Mar 2024 07:42:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-11 23:36:54.659945
- Title: New intelligent defense systems to reduce the risks of Selfish Mining
and Double-Spending attacks using Learning Automata
- Title（参考訳）: 学習オートマトンを用いたセルフイッシュマイニングとダブルスペンディングアタックのリスク軽減のための新しい知的防御システム
- Authors: Seyed Ardalan Ghoreishi and Mohammad Reza Meybodi
- Abstract要約: 我々は、二重投機と利己的な鉱業攻撃を組み合わせた新たな攻撃を導入する。
我々はSDTLAとWVBMの2つのモデルを開発した。
我々の発見は、ブロックチェーンネットワークのセキュリティと効率を高めるための有望なソリューションとして、SDTLAとWVBMの可能性を浮き彫りにしている。
- 参考スコア（独自算出の注目度）: 0.43512163406551996
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we address the critical challenges of double-spending and
selfish mining attacks in blockchain-based digital currencies. Double-spending
is a problem where the same tender is spent multiple times during a digital
currency transaction, while selfish mining is an intentional alteration of a
blockchain to increase rewards to one miner or a group of miners. We introduce
a new attack that combines both these attacks and propose a machine
learning-based solution to mitigate the risks associated with them.
Specifically, we use the learning automaton, a powerful online learning method,
to develop two models, namely the SDTLA and WVBM, which can effectively defend
against selfish mining attacks. Our experimental results show that the SDTLA
method increases the profitability threshold of selfish mining up to 47$\%$,
while the WVBM method performs even better and is very close to the ideal
situation where each miner's revenue is proportional to their shared hash
processing power. Additionally, we demonstrate that both methods can
effectively reduce the risks of double-spending by tuning the $Z$ Parameter.
Our findings highlight the potential of SDTLA and WVBM as promising solutions
for enhancing the security and efficiency of blockchain networks.
- Abstract（参考訳）: 本稿では、ブロックチェーンベースのデジタル通貨における二重投機と自己中心的なマイニング攻撃の重大な課題に対処する。
ダブルスペンディング(double-spending)は、デジタル通貨取引中に同じテンダーが複数回費やされる問題であり、一方利己的なマイニングは、ある採掘者または鉱山労働者のグループに対する報酬を増やすためのブロックチェーンの意図的な変更である。
これら2つの攻撃を組み合わせる新たな攻撃を導入し、それらに関連するリスクを軽減するための機械学習ベースのソリューションを提案する。
具体的には,強力なオンライン学習手法であるlearning automatonを用いて,利己的なマイニング攻撃に対して効果的に防御できるsdtlaとwvbmという2つのモデルを開発した。
以上の結果から,sdtla法は利己的な鉱業の収益性閾値を最大47$%$まで向上させるが,wvbm法はさらに優れており,各鉱夫の収益が共有ハッシュ処理能力に比例する理想的な状況に非常に近いことがわかった。
さらに, 両手法が$Z$パラメータを調整することにより, ダブルスペンディングのリスクを効果的に低減できることを示す。
ブロックチェーンネットワークのセキュリティと効率を向上させるための有望なソリューションとして、sdtlaとwvbmの可能性を強調する。
関連論文リスト
- Bitcoin Under Volatile Block Rewards: How Mempool Statistics Can Influence Bitcoin Mining [5.893888881448058]
Bitcoinがより半減期を経験するにつれて、プロトコル報酬はゼロに収束し、取引手数料がマイナー報酬の主要な源となる。
以前のBitcoinのセキュリティ分析では、固定ブロック報酬モデルまたは高度に単純化された揮発性モデルが検討されている。
本研究では,より現実的な揮発性モデルの下での鉱業戦略の分析を目的とした強化学習ツールを提案する。
論文 参考訳（メタデータ） (2024-11-18T16:29:20Z) - BM-PAW: A Profitable Mining Attack in the PoW-based Blockchain System [9.292531856119329]
我々はBM-PAWと呼ばれる新しい鉱業戦略を導入し、攻撃者と標的プールの両方に優れた報奨を与える。
BM-PAW攻撃者は2プールのBM-PAWゲームシナリオにおける平衡解析により「マイナーズジレンマ」を回避することができる。
論文 参考訳（メタデータ） (2024-11-09T13:59:55Z) - Examining Attacks on Consensus and Incentive Systems in Proof-of-Work Blockchains: A Systematic Literature Review [0.0]
Bitcoinのセキュリティは、コンセンサスとインセンティブメカニズムで構成される分散台帳に依存している。
Bitcoinの受け入れが増加するにつれて、これらのメカニズムをターゲットにした攻撃による脅威が増大する。
本稿は、単独で実行される個々の攻撃とその利益性を調べることから始まる。
次に、これらの攻撃を互いに、あるいは他の悪意のある非悪意的な戦略と組み合わせることで、全体的な効果と収益性を高める方法について検討する。
論文 参考訳（メタデータ） (2024-11-01T04:18:42Z) - Fully Automated Selfish Mining Analysis in Efficient Proof Systems Blockchains [5.864854777864723]
私たちは、Bitcoinのような長鎖ブロックチェーンにおける自己中心的なマイニング攻撃について研究していますが、そこでは、作業の証明が効率的な証明システムに置き換えられます。
本稿では,敵の相対収益を最大化することを目的とした,新たな自尊心のあるマイニング攻撃を提案する。
本稿では,MDP の最適相対収益を$epsilon$-tight で計算する形式解析手法を提案する。
論文 参考訳（メタデータ） (2024-05-07T15:44:39Z) - Projective Ranking-based GNN Evasion Attacks [52.85890533994233]
グラフニューラルネットワーク(GNN)は、グラフ関連のタスクに対して、有望な学習方法を提供する。
GNNは敵の攻撃の危険にさらされている。
論文 参考訳（メタデータ） (2022-02-25T21:52:09Z) - Improving Robustness of Reinforcement Learning for Power System Control
with Adversarial Training [71.7750435554693]
電力系統制御のために提案された最先端のRLエージェントが敵攻撃に対して脆弱であることを示す。
具体的には、敵のマルコフ決定プロセスを用いて攻撃方針を学習し、攻撃の有効性を実証する。
本稿では,RLエージェントの攻撃に対する堅牢性を高め,実行不可能な運用上の決定を回避するために,敵の訓練を利用することを提案する。
論文 参考訳（メタデータ） (2021-10-18T00:50:34Z) - Adaptive Stochastic ADMM for Decentralized Reinforcement Learning in
Edge Industrial IoT [106.83952081124195]
強化学習 (Reinforcement Learning, RL) は, 意思決定および最適制御プロセスのための有望な解法として広く研究されている。
本稿では,Adaptive ADMM (asI-ADMM)アルゴリズムを提案する。
実験の結果,提案アルゴリズムは通信コストやスケーラビリティの観点から技術状況よりも優れており,複雑なIoT環境に適応できることがわかった。
論文 参考訳（メタデータ） (2021-06-30T16:49:07Z) - Blockchain Assisted Decentralized Federated Learning (BLADE-FL) with
Lazy Clients [124.48732110742623]
フェデレートラーニング(FL)にブロックチェーンを統合する新しいフレームワークを提案する。
BLADE-FLは、プライバシー保護、改ざん抵抗、学習の効果的な協力の点で優れたパフォーマンスを持っている。
遅延クライアントは、他人のトレーニングされたモデルを盗聴し、不正行為を隠すために人工的なノイズを加える。
論文 参考訳（メタデータ） (2020-12-02T12:18:27Z) - Resource Management for Blockchain-enabled Federated Learning: A Deep
Reinforcement Learning Approach [54.29213445674221]
Federated Learning (BFL)は、機械学習モデル所有者(MLMO)が必要とするニューラルネットワークモデルを、モバイルデバイスが協調的にトレーニングすることを可能にする。
BFLの問題は、モバイルデバイスがシステムの寿命とトレーニング効率を低下させるエネルギーとCPUの制約を持っていることである。
我々は,Deep Reinforcement Learning (DRL) を用いて最適決定を導出することを提案する。
論文 参考訳（メタデータ） (2020-04-08T16:29:19Z) - Byzantine-resilient Decentralized Stochastic Gradient Descent [85.15773446094576]
分散学習システムのビザンチンレジリエンスに関する詳細な研究について述べる。
ビザンチンフォールトトレランスを用いた分散学習を支援する新しいアルゴリズムUBARを提案する。
論文 参考訳（メタデータ） (2020-02-20T05:11:04Z) - Toward Low-Cost and Stable Blockchain Networks [10.790006312359795]
ブロックチェーンマイニングリソース割り当てアルゴリズムを提案し,PoWベースの(ワークオブワークベースの)ブロックチェーンネットワークにおけるマイニングコストを削減する。
論文 参考訳（メタデータ） (2020-02-19T06:42:33Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。