論文の概要: Transaction Fee Estimation in the Bitcoin System
- arxiv url: http://arxiv.org/abs/2405.15293v1
- Date: Fri, 24 May 2024 07:27:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-27 15:40:48.381606
- Title: Transaction Fee Estimation in the Bitcoin System
- Title（参考訳）: Bitcoinシステムにおけるトランザクションフィー推定
- Authors: Limeng Zhang, Rui Zhou, Qing Liu, Chengfei Liu, M. Ali Babar,
- Abstract要約: Bitcoinシステムでは、取引手数料はブロックチェーンの確認のインセンティブとなる。
本研究は,新たな取引の取引手数料を推定し,所定の時間内にその確認を支援することに焦点を当てる。
本稿では、トランザクション自体を含む幅広いソースからの知識をニューラルネットワークモデルに統合し、適切なトランザクション料金を見積もるフレームワークFENNを提案する。
- 参考スコア（独自算出の注目度）: 11.065598886291735
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: In the Bitcoin system, transaction fees serve as an incentive for blockchain confirmations. In general, a transaction with a higher fee is likely to be included in the next block mined, whereas a transaction with a smaller fee or no fee may be delayed or never processed at all. However, the transaction fee needs to be specified when submitting a transaction and almost cannot be altered thereafter. Hence it is indispensable to help a client set a reasonable fee, as a higher fee incurs over-spending and a lower fee could delay the confirmation. In this work, we focus on estimating the transaction fee for a new transaction to help with its confirmation within a given expected time. We identify two major drawbacks in the existing works. First, the current industry products are built on explicit analytical models, ignoring the complex interactions of different factors which could be better captured by machine learning based methods; Second, all of the existing works utilize limited knowledge for the estimation which hinders the potential of further improving the estimation quality. As a result, we propose a framework FENN, which aims to integrate the knowledge from a wide range of sources, including the transaction itself, unconfirmed transactions in the mempool and the blockchain confirmation environment, into a neural network model in order to estimate a proper transaction fee. Finally, we conduct experiments on real blockchain datasets to demonstrate the effectiveness and efficiency of our proposed framework over the state-of-the-art works evaluated by MAPE and RMSE. Each variation model in our framework can finish training within one block interval, which shows the potential of our framework to process the realtime transaction updates in the Bitcoin blockchain.
- Abstract（参考訳）: Bitcoinシステムでは、取引手数料はブロックチェーンの確認のインセンティブとなる。
一般的に、より高い手数料の取引は次のブロックの採掘に含まれる可能性が高いが、より少ない手数料または料金のない取引は遅延したり、全く処理されないことがある。
しかし、取引手数料は、トランザクションを提出するときに指定する必要があるため、その後ほとんど変更されない。
したがって、高額の手数料が過払いとなり、低額の手数料が確認を遅らせる可能性があるため、クライアントが合理的な手数料を設定するのを助けることは不可欠である。
本研究は,新たな取引の取引手数料を推定し,所定の時間内にその確認を支援することに焦点を当てる。
既存の作品には2つの大きな欠点がある。
第1に、現在の産業製品は明示的な分析モデルに基づいて構築されており、機械学習ベースの手法によりよりよく捉えられる様々な要因の複雑な相互作用を無視している。
その結果,トランザクション自体やメムプール内の未確認トランザクション,ブロックチェーン確認環境など,幅広いソースからの知識をニューラルネットワークモデルに統合して,適切な取引手数料を見積もることを目的としたフレームワークFENNを提案する。
最後に、MAPEとRMSEによって評価された最先端の作業に対して、提案したフレームワークの有効性と効率性を示すために、実際のブロックチェーンデータセットの実験を行う。
フレームワーク内の各バリエーションモデルは、1ブロック間隔でトレーニングを終えることが可能です。これは、Bitcoinブロックチェーンのリアルタイムトランザクション更新を処理するフレームワークの可能性を示しています。
関連論文リスト
- Enhancing Trust and Privacy in Distributed Networks: A Comprehensive Survey on Blockchain-based Federated Learning [51.13534069758711]
ブロックチェーンのような分散型アプローチは、複数のエンティティ間でコンセンサスメカニズムを実装することで、魅力的なソリューションを提供する。
フェデレートラーニング(FL)は、参加者がデータのプライバシを保護しながら、協力的にモデルをトレーニングすることを可能にする。
本稿では,ブロックチェーンのセキュリティ機能とFLのプライバシ保護モデルトレーニング機能の相乗効果について検討する。
論文 参考訳（メタデータ） (2024-03-28T07:08:26Z) - Graph Attention Network-based Block Propagation with Optimal AoI and Reputation in Web 3.0 [59.94605620983965]
我々は、ブロックチェーン対応Web 3.0のための、グラフ注意ネットワーク(GAT)ベースの信頼できるブロック伝搬最適化フレームワークを設計する。
ブロック伝搬の信頼性を実現するために,主観的論理モデルに基づく評価機構を導入する。
グラフ構造化データの処理能力に優れたGATが存在することを考慮し、GATを強化学習に利用して最適なブロック伝搬軌道を得る。
論文 参考訳（メタデータ） (2024-03-20T01:58:38Z) - A Holistic Approach for Bitcoin Confirmation Times & Optimal Fee Selection [0.0]
Bitcoinは、相当な対速取引の対象だ。
ユーザーは取引手数料を増やすことで取引確認時間を短縮できる。
最適料金を決定するために,モデルに基づく手法を提案する。
論文 参考訳（メタデータ） (2024-02-27T12:55:36Z) - Designing Redistribution Mechanisms for Reducing Transaction Fees in
Blockchains [10.647087323578477]
トランザクションフィーメカニズム(TFM)は、どのユーザトランザクションをブロックに含め、支払いを決定するかを決定する。
本稿では、取引手数料を最小限に抑えるため、VCG支払いを再分配するトランザクションフィー再分配メカニズム(TFRM)を提案する。
この結果から、TFRMはパブリックブロックチェーンにおけるトランザクション手数料の削減に期待できる新たな方向性を提供することがわかった。
論文 参考訳（メタデータ） (2024-01-24T07:09:32Z) - Masquerade: Simple and Lightweight Transaction Reordering Mitigation in Blockchains [5.690884793952696]
本稿では,システムにおけるユーザの満足度と信頼性を高めるために,Masqueradeと呼ばれるMEV対応プロトコル設計を提案する。
本稿では,攻撃シナリオにおける敵の行動を軽減するための「トークン」の概念を紹介する。
論文 参考訳（メタデータ） (2023-08-29T14:42:43Z) - Blockchain Large Language Models [65.7726590159576]
本稿では,異常なブロックチェーントランザクションを検出するための動的,リアルタイムなアプローチを提案する。
提案するツールであるBlockGPTは、ブロックチェーンアクティビティのトレース表現を生成し、大規模な言語モデルをスクラッチからトレーニングして、リアルタイム侵入検出システムとして機能させる。
論文 参考訳（メタデータ） (2023-04-25T11:56:18Z) - Light Clients for Lazy Blockchains [12.330989180881701]
遅延ブロックチェーンのための効率的なライトクライアント作成を可能にするプロトコルを考案する。
私たちの構成は、すべての-有効または無効の-トランザクションの台帳を含むMerkleツリーを横切るバイセクションゲームに基づいています。
論文 参考訳（メタデータ） (2022-03-30T00:58:40Z) - CubeFlow: Money Laundering Detection with Coupled Tensors [39.26866956921283]
マネーロンダリング(英: Money laundering、ML)とは、不正な活動によって達成された資金源を隠す行動である。
既存のほとんどの手法はグラフやテンソルの密度の高いブロックを検知するが、これは貨幣がしばしば中間口座を通じて転送されるという事実を考慮しない。
この論文で提案されているCubeFlowは、大量のトランザクションから不正を見つけるためのスケーラブルでフローベースのアプローチである。
論文 参考訳（メタデータ） (2021-03-23T09:24:31Z) - Temporal-Amount Snapshot MultiGraph for Ethereum Transaction Tracking [5.579169055801065]
ネットワークの観点からのトランザクションのより深い理解を提供するリンク予測によるトランザクション追跡の問題について検討する。
具体的には,TASMG(temporal-amount snapshot multigraph)とTAW(temporal-amount walk)からなる組込みリンク予測フレームワークを提案する。
トランザクションネットワークの現実的なルールと特徴を考慮することにより、TASMGはトランザクションレコードを時間単位のネットワークとしてモデル化し、TAWはトランザクションレコードを介してアカウントを効果的に埋め込みます。
論文 参考訳（メタデータ） (2021-02-16T08:21:16Z) - 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) - Jointly Modeling Intra- and Inter-transaction Dependencies with
Hierarchical Attentive Transaction Embeddings for Next-item Recommendation [43.09242534398912]
トランザクションベースのレコメンデータシステム(TBRS)は、トランザクションデータの依存関係をモデル化することで、次の項目を予測することを目的としている。
既存のほとんどのメソッドは、現在のトランザクション内でのトランザクション内依存性をモデリングするだけで次のアイテムを推奨します。
本稿では,これらの問題に対処するための新しい階層型注意トランザクション埋め込み(HATE)モデルを提案する。
論文 参考訳（メタデータ） (2020-05-30T14:04:19Z)
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。