[发明专利]一种针对以太坊网络的智能贿赂自私挖矿攻击算法

说明书

本发明针对现有区块链中策略性攻击的问题，利用强化学习的思想，考虑理性矿工和智能自私矿工存在的情况下，对于策略性攻击的影响，公开了一种新的自私挖矿算法：Intelligent Bribery Selfish Mining In Ethereum（BSM‑Ether）。旨在构造一个基于理性矿工参与的贿赂自私挖矿模型，攻击者可以通过强化学习降低攻击以太坊网络的算力阈值，从而提高攻击者破坏系统的动机。其技术要点是：自私矿工通过强化学习与外部环境交互选择最优策略，将外部环境规范为马尔可夫决策过程，利用强化学习来寻找使得收益最大化的最优攻击策略。实验结果表明，BSM‑Ether算法和SM1 in Ethereum相比较，具有更低的算力阈值和更高的相对收益。该算法能有效的提高自私挖矿攻击的成功率，破坏以太坊网络的安全性。

技术领域

本发明属于隐私保护领域，涉及区块链、自私挖矿、机器学习等技术，在提高攻击者智能性的同时，在理性的环境下，提出了收益更高且阈值更低的攻击算法，发现了区块链系统中共识机制的漏洞，为进一步提高区块链系统的安全性提供了一种新思路。

背景技术

在以太坊网络中，矿工把网络中合法的交易信息组织起来，打包成一个区块。通过共识协议，所有矿工节点参与争夺记账权，最终将有一个矿工节点获得记账权，该矿工利用链接将新生成的区块添加到分布式账本(即，区块链)中，从而该矿工节点将获得交易费和出块奖励。由于以太币具有很高的经济价值，这引起了许多攻击者的注意。需要注意的是，算力较高的矿工，生成新区块的能力也较强，在共识协议中获得记账权的概率也较大。一种比较极端的情况是，当攻击者拥有绝大多数算力(51％)时，就能够进行51％攻击，通过分叉任意更改账本信息，从而获取非法收益(例如doublespending)。在区块链中，分叉主要分为两种情况：正常分叉和恶意分叉。正常分叉是由协议修改或者多个诚实矿工同时发现新区块造成的。恶意分叉则是由攻击者通过某些攻击算法，为了获得更多收益故意造成的分叉。拥有少数算力的矿工集中他们的算力组成矿池，以矿池的整体算力进行挖矿，若矿池发现一个新的区块，会根据比例分配奖励。当矿池发展到一定规模，极易进行51％攻击，从而拥有少数算力的矿工仍然有机会获得更大的收益。矿池还会引起其他攻击，例如自私挖矿攻击、顽固攻击等。这些策略性攻击严重破坏了加密货币系统的经济生态环境，影响其良性发展。因此，此类攻击引起的安全问题一直是人们关注的热点。解决此类攻击的一种方案，就是提高诚实矿工的比例，并构造激励相容的共识协议。

发明内容

本发明的目的是提供一种收益最大化的混币质量更新规则，其具体过程如下：自私矿池在挖到新区块时会暂时地保留该区块，然后在适当的时机公开区块以使其他理性矿工的区块无效从而增大自己的相对收益；在挖出区块时，自私矿池会引用网络中未被引用的uncleblock以获得nephewreward；并且自私矿池在挖出新区块时还会进行贿赂攻击；具体做法是：当自私矿池在私链上挖出一个新块时，会在该区块上附加一定的额外奖励，后续在私链上挖出下一区块的矿工便会得到这笔额外奖励；当以太坊网络中出现竞争的分叉时，贿赂攻击可以吸引一部分理性矿工在自私矿池的分支上工作，增加了自私矿池的私链成为最长合法链的概率，从而从全局来看会增加自私矿池的收益；

通过强化学习为BSM-Ether算法建立了马尔可夫决策过程模型，模型定义为一个四元组，其中S表示状态空间，A表示动作集合，P表示状态概率转移矩阵，R是奖励矩阵；接下来的部分将对M各组件进行详细描述：

(1)状态空间S：马尔可夫决策过程在任一时刻的状态为la,lh,optional,uncle，其中la表示自私矿池的私链长度，lh表示公链长度，optional可以取集合{irrelevant，relevant，active}中的任一值，各取值的含义如下：

a)若当前状态为la,lh,irrelevant,uncle，则上一状态为la-1,lh,optional,uncle，意味着状态转移时新区块由自私矿池挖出；

b)la,lh,relevant,uncle的前一个状态为la,lh-1,optional,uncle，这表示新区块由理性矿工挖出；