《Future Generation Computer Systems》：Transactional Feature Analysis and Synthetic Workload Generator for UTXO-based DLTs
编辑推荐：
区块链数据的积累催生了大量关于区块生成性能、金融资产、用户交互等方面的研究。与此同时，针对交易负载系统特征的分析以及合成工作负载的生成却 surprisingly 关注甚少。研究人员认为此类分析对于多种设计与评估目标至关重要。本文对三种基于UTXO（未花费交易
区块链数据的积累催生了大量关于区块生成性能、金融资产、用户交互等方面的研究。与此同时，针对交易负载系统特征的分析以及合成工作负载的生成却 surprisingly 关注甚少。研究人员认为此类分析对于多种设计与评估目标至关重要。本文对三种基于UTXO（未花费交易输出）的区块链系统——比特币（Bitcoin）、比特币现金（Bcash）和莱特币（Litecoin）——的交易特征工作负载进行了全面分析。该分析涵盖15个月的数据，指标包括输入与输出数量、交易大小、时间特征，以及它们之间的相关性和随时间演变情况。部分发现相当令人惊讶且前所未有。例如，研究人员观察到输出数量分布随时间发生了偏移。此外，研究人员还提供了首个面向UTXO交易的合成工作负载生成器，并以开源形式发布。
研究背景与问题动机
自2008年比特币问世及众多区块链系统涌现以来，分类账规模逐渐增长，交易数据不断积累。尽管已有大量研究聚焦于区块生成统计、网络方面、加密金融资产以及用户交互等领域，但针对交易负载系统特征（如输入输出数量或时间特征）的研究却 surprisingly 匮乏。同时，尽管区块链系统仿真研究众多，合成工作负载生成器却鲜受关注。研究人员指出，分析交易负载的系统特征对于理解用户行为趋势、分析交易粒度攻击（如MEV攻击）及其防护、评估新协议性能与安全等方面至关重要。此外，尽管公开区块链系统（如比特币）提供真实分类账数据，但合成工作负载生成器仍具重要价值：真实工作负载难以扩展、可能过时或不具代表性，且可能包含伪影（artifact）；合成工作负载还有助于跨系统性能比较，因一个系统的实际工作负载无法用于其他系统；尤为重要的是，分类账数据不包含交易时间戳。
研究开展与核心结论
研究人员对三种基于UTXO的分布式账本技术（DLT）——比特币、比特币现金（Bcash）和莱特币——的交易特征工作负载进行了全面分析。分析涵盖结构特征（输入输出数量、交易大小）、时间特征（到达间隔时间、TXO寿命），以及相关性和随时间演变。大部分分析基于15个月的数据，部分分析基于六年数据。由于分类账数据缺乏交易时间戳，研究人员修改了比特币、Bcash和莱特币的客户端代码，部署自有节点，并以毫秒级粒度记录交易时间戳。验证表明，收集的内存池（mempool）数据与分类账数据高度一致。对于每项指标，研究人员尝试从数十种标准统计分布中识别最佳拟合分布，例如输入数量分布遵循Zipf分布（α=2.83）。研究还广泛分析了特征间的相关性，发现输入与输出数量相关性较弱，而交易间隔时间与交易大小无关。研究还发现，输入数量分布在近年来保持稳定，而输出数量分布则在不同期间交替变化：有时两个输出的交易占主导，有时一个输出的交易占主导。
研究的重要发现包括：每月交易数量与比特币价格无强相关性，但输出数量与价格存在中等相关性；输出数量分布随时间发生偏移；尽管不同系统的交易大小限制不同，但这并未影响用户行为，绝大多数交易甚至未达到大小限制的1%。
研究意义与发表
该论文发表于《Future Generation Computer Systems》期刊，并发布了首个开源的UTXO交易合成工作负载生成器。生成器能够提供可扩展的、配置化的工作负载，具备多种与实际数据分布一致的特征，以及毫秒级时间戳；各特征分布具有模块化且可高度定制的特点。
关键技术方法
样本队列来源：7个数据集来自Blockchair数据库（结构特征：2023年10月至12月，包含约4400万比特币、700万Bcash、2700万莱特币交易；TXO寿命：同期约9500万比特币、1800万Bcash、4800万莱特币交易输入；扩展验证：2022年10月至2023年9月13300万比特币交易）；内存池数据通过修改Bitcoin Core、Bcash节点和Litecoin Core源代码，部署于云基础设施虚拟机，2024年6月运行一个月，收集约1650万比特币、250万Bcash、1050万莱特币数据；六年比特币数据（2018年1月至2023年12月，约6.58亿交易）用于分析输出数量演变与价格相关性。分布拟合采用Kolmogorov-Smirnov（KS）统计检验，与超过15种离散分布及35种连续分布比较，使用SciPy API的拟合方法获取最大似然估计；Spearman相关系数用于分析特征相关性；直方图和累积分布函数（CDF）用于可视化。
研究结果
时间特征分析：内存池与分类账数据一致性验证。通过比较2024年6月同期的内存池与分类账数据，研究人员验证了内存池数据与分类账数据在分布模式上完全一致，Spearman相关系数显示各特征值几乎相同。
交易到达间隔时间：基于毫秒级粒度内存池数据（2024年6月），比特币、Bcash和莱特币的交易到达间隔时间均不符合常见标准分布。通过分段分析，不同区间可分别拟合不同分布：如比特币0-3毫秒区间最接近负二项分布（n=42, p=0.99），101毫秒以上区间最接近几何分布。统计参数显示，中位数为零毫秒，比特币均值156.90毫秒、P99为2829毫秒；Bcash均值1140.90毫秒、P99为18933毫秒；莱特币均值245.50毫秒、P99为2860毫秒。到达间隔时间与其他特征（输入数量、输出数量、输入输出比、大小）的相关性接近于零，表明无相关性。对最重量级1%交易与随机交易的对比分析显示，分布无显著差异，未出现突发性到达模式。
TXO寿命：计算为产生TXO的区块高度与花费TXO的区块高度之差。2023年最后三个月的数据显示，TXO寿命同样不符合标准分布，但分段后低值部分（约30-45%的TXO）可拟合负二项分布或指数分布，其余部分拟合对数分布。最频繁值为零区块（15%-20%的TXO），即同一区块内产生并花费。统计参数显示最大寿命值接近系统历史长度；莱特币中位寿命约20分钟，显著低于比特币和Bcash的约6小时；95%的比特币和莱特币TXO在约5个月内被花费，99%约需2年，Bcash则分别需1个月和3年。
结构特征分析：基于2023年10-12月分类账数据。
输入数量：比特币和莱特币最接近Zipf分布（α分别为2.83和3.35），Bcash最接近Yule-Simon分布（α=2.36）。高频值为1（比特币84%、Bcash 68%、莱特币91%）。分布存在重尾特征， spikes 对应100、200、500等 round numbers，源于交易批处理（transaction batching）和UTXO合并。95%交易输入数少于4个（比特币/Bcash）或2个（莱特币）。
输出数量：比特币最接近Yule-Simon分布（α=1.75），Bcash和莱特币不与任何标准分布匹配。各系统最常見值不同：比特币为1（54%）和2（35%）；莱特币为2多于1；Bcash为2（45%）和3（43%）。排除输出数为1的莱特币交易后，可拟合Zipf分布（α=3.37）。最大值显著高于输入数量最大值。
输入输出比：为连续值，不与任何标准连续分布匹配。大多数交易输入不大于输出：比特币54%交易输入输出相等，Bcash 86%和莱特币57%交易输出多于输入。比特币最常见值为1（ relay transactions），Bcash和莱特币最常见值为0.5。
交易大小：使用Freedman-Diaconis规则确定最优直方图 bins，不符合任何标准分布。最高频大小在200-400字节之间。95%交易小于1KB，远低于常规限制（比特币/莱特币400KB，Bcash 100KB）；99%交易小于约3.8KB（比特币）、3.6KB（Bcash）和1.8KB（莱特币）。中位数和均值均远低于1KB。
特征相关性：输入数量与交易大小呈中等正相关，输出数量与交易大小相关性很弱；输入与输出数量呈弱相关；输入数量与输入输出比正相关，输出数量与输入输出比负相关。
额外分析：指标随时间的一致性与价格相关性
TXO寿命随时间的一致性：基于2022年10月至2023年12月五个季度数据集的比较，CDF显示行为几乎一致，零区块寿命在大多数数据集中均为最频繁值。统计参数显示从数据集1到3有TXO花费更快的趋势，之后反转。
输入数量随时间的一致性：五个数据集中保持稳定，均拟合Zipf分布，单一输入交易的流行度略有增加。
输出数量随时间的变化：表现出更多样化的行为。2022年底至2023年初，单一输出交易流行度逐渐增加并超过双输出交易，导致最新两个数据集符合Yule-Simon分布，而早期数据集不符。2018-2023年六年数据显示，单一输出与双输出交易呈互补变化趋势，2023年初发生交叉。
输入输出比随时间的变化：分布亦随时间变化，最新数据集中最常见值由0.5转变为1，这是由输出数量分布的逐渐变化所致。
交易大小随时间的一致性：因受输入数量影响最大，而输入数量分布稳定，故交易大小模式亦保持稳定。仅极少数异常值超过400KB限制。
交易/TXO数量与比特币价格的相关性： surprisingly，月度交易数量与比特币价格无相关性，推测因交易批处理影响；但输出总数与比特币价格存在中等相关性，视觉上变化趋势更为吻合。
讨论与结论
研究生成了首个开源的UTXO交易合成工作负载生成器，基于Python实现。生成器可产生三类数据集：交易特征（哈希、毫秒级时间戳、大小、输入输出数量）、TXO记录（产生交易哈希、时间戳、TXO索引、花费状态）、交易输入记录（消费交易哈希、时间戳、产生TXO的交易哈希及索引）。时间戳相对于首笔交易为零；TXO寿命以区块数生成后转换为时间间隔，用于匹配未花费TXO。
生成器支持模块化配置各结构和时间特征的分布或概率，包括输入输出数量的联合概率配置。基于2023年第四季度比特币真实数据的预配置生成100万笔合成交易，与同期真实数据比较显示良好拟合（所有KSD值低于0.02）。性能方面，在配备3.5 GHz双核Intel Core i7处理器和16GB内存的普通台式机上，生成100万笔交易及其TXO和输入信息（600MB数据）约需2分钟，而比特币网络中收集同等数量交易约需2天。交易特征生成极快，仅受磁盘空间限制；输入输出数据集因需内存维护所有UTXO及其时间戳以进行高效查找，生成较慢，建议超过2000万笔交易时使用高内存生产服务器。
研究结论部分
研究人员通过对三种基于UTXO的区块链系统交易特征工作负载的全面分析，得出以下主要结论：毫秒级粒度的交易到达间隔时间不符合指数分布，打破了此前秒级粒度下的假设；交易到达间隔时间与其他特征无相关性，重型交易未呈现突发性到达模式；莱特币TXO被花费更快，可能因其更快的交易确认；用户倾向于生成输入不超过输出的交易，导致全局UTXO集合持续增长；交易批处理导致输入输出数量分布呈现重尾特征，round numbers为加密交易所和矿池行为的直接可观察特征；不同交易大小限制不影响用户行为，用户即使无限制也不倾向于生成重型交易；交易大小受输入数量影响大于输出数量；输入与输出数量无有意义相关性，简化了仿真和测试的工作负载建模；比特币大多数交易仅含一个输入和一个输出，可能为自我转账；比特币单一输出交易的流行度随时间增加，输入数量和大小分布未变；一或两个输出是比特币最常见情况，其相对流行度随时间变化且呈强负相关； surprisingly，某时期交易数量与比特币价格无相关性，而输出数量与价格存在中等相关性，基于交易系统参数进行财务预测并不容易，价格变化也不一定需要矿工和交易所为更密集的工作负载分配更多资源。
