論文の概要: Starfish: Rebalancing Multi-Party Off-Chain Payment Channels
- arxiv url: http://arxiv.org/abs/2504.20536v1
- Date: Tue, 29 Apr 2025 08:30:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:54.812619
- Title: Starfish: Rebalancing Multi-Party Off-Chain Payment Channels
- Title（参考訳）: Starfish:マルチパーティオフチェーンペイメントチャンネルのリバランス
- Authors: Minghui Xu, Wenxuan Yu, Guangyong Shang, Guangpeng Qi, Dongliang Duan, Shan Wang, Kun Li, Yue Zhang, Xiuzhen Cheng,
- Abstract要約: 本稿では,星型ネットワーク構造を捕捉し,高い再バランス効率とチャネル容量を実現する再バランス手法であるStarfishを提案する。
Starfishは、独立したチャネルを接続し、すべてのチャネルの総予算を集約するために、オンチェーンでN$のオペレーションしか必要としない。
- 参考スコア（独自算出の注目度）: 23.267347756758618
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Blockchain technology has revolutionized the way transactions are executed, but scalability remains a major challenge. Payment Channel Network (PCN), as a Layer-2 scaling solution, has been proposed to address this issue. However, skewed payments can deplete the balance of one party within a channel, restricting the ability of PCNs to transact through a path and subsequently reducing the transaction success rate. To address this issue, the technology of rebalancing has been proposed. However, existing rebalancing strategies in PCNs are limited in their capacity and efficiency. Cycle-based approaches only address rebalancing within groups of nodes that form a cycle network, while non-cycle-based approaches face high complexity of on-chain operations and limitations on rebalancing capacity. In this study, we propose Starfish, a rebalancing approach that captures the star-shaped network structure to provide high rebalancing efficiency and large channel capacity. Starfish requires only $N$-time on-chain operations to connect independent channels and aggregate the total budget of all channels. To demonstrate the correctness and advantages of our method, we provide a formal security proof of the Starfish protocol and conduct comparative experiments with existing rebalancing techniques.
- Abstract（参考訳）: ブロックチェーン技術はトランザクションの実行方法に革命をもたらしたが、スケーラビリティは依然として大きな課題である。
レイヤ2スケーリングソリューションとしてのペイメントチャネルネットワーク(PCN)は、この問題に対処するために提案されている。
しかし、スキュードペイメントは、チャネル内の一方のパーティのバランスを損なうことができ、PCNが経路を通り抜ける能力を制限するとともに、トランザクションの成功率を低下させる。
この問題に対処するため、再バランス技術が提案されている。
しかし、PCNの既存の再バランス戦略は、その能力と効率に制限がある。
サイクルベースのアプローチは、サイクルネットワークを形成するノードのグループ内のリバランシングにのみ対処するが、サイクルベースのアプローチは、オンチェーン操作の複雑さとリバランシング能力の制限に直面している。
本研究では,星型ネットワーク構造を捕捉し,高いリバランシング効率とチャネル容量を実現するリバランシング手法であるStarfishを提案する。
Starfishは、独立したチャネルを接続し、すべてのチャネルの総予算を集約するために、オンチェーンでN$のオペレーションしか必要としない。
本手法の正しさと利点を実証するために,Starfishプロトコルの正式なセキュリティ証明を行い,既存の再バランス技術を用いた比較実験を行った。
関連論文リスト
- Joint Combinatorial Node Selection and Resource Allocations in the Lightning Network using Attention-based Reinforcement Learning [0.0]
Lightning Network(LN)は、Bitcoinのスケーラビリティ問題に対する第2層ソリューションとして登場した。
本稿では,変換器のパワーによって強化されたDeep Reinforcement Learningフレームワークを提案する。
以上の結果から,LNの分散化目標と個人収益最大化インセンティブの対立が欠如しているだけでなく,両者の肯定的な関係が示唆された。
論文 参考訳（メタデータ） (2024-11-26T11:56:19Z) - Channel Balance Interpolation in the Lightning Network via Machine Learning [6.391448436169024]
Bitcoin Lightning Networkは、Bitcoinのスケーラビリティに対処するレイヤ2支払いプロトコルである。
本研究は、ネットワーク内のチャネルバランスを補間するために機械学習モデルを使用することの可能性を検討する。
論文 参考訳（メタデータ） (2024-05-20T14:57:16Z) - CBQ: Cross-Block Quantization for Large Language Models [66.82132832702895]
ポストトレーニング量子化(PTQ)は、超低コストで大規模言語モデル(LLM)を圧縮する上で重要な役割を果たしている。
LLMのためのクロスブロック再構成に基づくPTQ手法CBQを提案する。
CBQはリコンストラクションスキームを使用してクロスブロック依存関係を採用し、エラーの蓄積を最小限に抑えるために複数のブロックにまたがる長距離依存関係を確立する。
論文 参考訳（メタデータ） (2023-12-13T07:56:27Z) - Entangled Pair Resource Allocation under Uncertain Fidelity Requirements [59.83361663430336]
量子ネットワークにおいて、効果的な絡み合いルーティングは、量子ソースと量子宛先ノード間の通信を容易にする。
本稿では,絡み合ったペアに対する資源配分モデルと,整合性保証を伴う絡み合ったルーティングモデルを提案する。
提案モデルでは, ベースラインモデルと比較して, 総コストを少なくとも20%削減できる。
論文 参考訳（メタデータ） (2023-04-10T07:16:51Z) - MARLIN: Soft Actor-Critic based Reinforcement Learning for Congestion
Control in Real Networks [63.24965775030673]
そこで本研究では,汎用的な渋滞制御(CC)アルゴリズムを設計するための新しい強化学習(RL)手法を提案する。
我々の解であるMARLINは、Soft Actor-Criticアルゴリズムを用いてエントロピーとリターンの両方を最大化する。
我々は,MARLINを実ネットワーク上で訓練し,実ミスマッチを克服した。
論文 参考訳（メタデータ） (2023-02-02T18:27:20Z) - Deep Reinforcement Learning-based Rebalancing Policies for Profit
Maximization of Relay Nodes in Payment Channel Networks [7.168126766674749]
本研究では, 海底スワップの再バランス手法を用いて, リレーノードが手数料から利益を最大化する方法について検討した。
我々は,すべての再バランスポリシに対して時間とともにノードの運命の問題を定式化し,Deep Reinforcement Learningベースの再バランスポリシを設計することによって最適解を近似する。
論文 参考訳（メタデータ） (2022-10-13T19:11:10Z) - Channel-wise Gated Res2Net: Towards Robust Detection of Synthetic Speech
Attacks [67.7648985513978]
自動話者検証(ASV)における既存のアンチスプーフィングのアプローチは、未確認攻撃に対する一般化性に欠ける。
本稿では,チャネルワイズゲーティング機構を実現するためにRes2Netを改良した新しいCG-Res2Netを提案する。
論文 参考訳（メタデータ） (2021-07-19T12:27:40Z) - 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) - Decentralized Learning for Channel Allocation in IoT Networks over
Unlicensed Bandwidth as a Contextual Multi-player Multi-armed Bandit Game [134.88020946767404]
本稿では,プライマリセルネットワークにライセンスされたスペクトルに基づいて,アドホックなモノのインターネットネットワークにおける分散チャネル割り当て問題について検討する。
本研究では,この問題をコンテキスト型マルチプレイヤー・マルチアームバンディットゲームにマッピングし,試行錯誤による純粋に分散化された3段階ポリシー学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-03-30T10:05:35Z) - Channel Equilibrium Networks for Learning Deep Representation [63.76618960820138]
この研究は正規化と正則線型関数の組み合わせがチャネルを阻害することを示している。
阻害されたチャネルを単に取り除いた先行技術とは異なり、我々は、新しいニューラルネットワークビルディングブロックを設計することで、トレーニング中に「目を覚ます」ことを提案する。
Channel Equilibrium (CE) ブロックは、同じレイヤのチャネルが学習した表現に等しく寄与することを可能にする。
論文 参考訳（メタデータ） (2020-02-29T09:02:31Z) - Network Pruning via Annealing and Direct Sparsity Control [4.976007156860966]
本稿では,非構造的および構造的チャネルレベルのプルーニングに適した,新しい効率的なネットワークプルーニング手法を提案する。
提案手法は, 基準とスケジュールに基づいて, ネットワークパラメータやフィルタチャネルを徐々に除去することにより, 空間制約を緩和する。
論文 参考訳（メタデータ） (2020-02-11T10:51:12Z)
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。