ChainNet: Learning on Blockchain Graphs with Topological Features

这是一篇发表在ICDM2019的预测比特币的文章，作者是Nazmiye Ceren Abay, Cuneyt Gurcan Akcora, Yulia R. Gel, Umar D. Islambekov, Murat Kantarcioglu, Yahui Tian, Bhavani Thuraisingham。

1 背景问题

• 区块链图结构如何影响底层加密货币价格？
• 传统的方法：利用图特征比如度分布、模体数目、聚类系数等等；无法捕获重要的属性，如事务量、事务数量及其与底层图结构的关系。
  chainlets：仅限于对交易类型的分析，而不考虑转移金额等关键信息

2本文贡献：

• 本文是第一个将持久同源引入加密货币预测分析的方法。此外，将基于同源的区块链拓扑特征与机器学习技术相结合，以预测比特币价格。
• 定义了一个新概念：Betti derivative，捕获在区块链图的拓扑结构中发生的变化速率。本文展示了其在预测比特币价格方面的预测效用。

3 LEARNING GRAPH BASED AND TOPOLOGICAL FEATURES

问题描述

已知数据：

比特币网络上的特征：