Threat Capability of Stubborn Mining in Imperfect GHOST Bitcoin Blockchain
Notice bibliographique
Résumé
Bitcoin is the largest PoW blockchain, which currently uses the longest-chain protocol for chain selection and is vulnerable to various attacks like stubborn mining attack. As a variant of selfish mining attack, stubborn mining attack usually has 7 types of strategies, each of which does damage to the blockchain system. GHOST is another chain-selection protocol, which has been demonstrated to make the blockchain system more secure than the longest-chain protocol under selfish mining attack. There were studies on stubborn mining in perfect GHOST blockchains and they only studied two types of stubborn mining strategies. But it is a fact of life that the blockchain is an imperfect network due to ubiquitous network congestion and/or attacks. This paper aims to explore a simulation-based approach to quantitatively evaluate the threat capability of all 7 stubborn mining strategies. We first develop all stubborn strategies in imperfect GHOST blockchains. Then we evaluate miner revenues and system throughput over different network conditions. The results show that the lead-fork-stubborn strategy is the dominant strategy for attackers when they have more than 33% total computing power. The stubborn attackers with less than 20% total computing power lose their revenue whichever stubborn mining strategy is used. The blockchain with high network quality still has the risk of significant throughput downgrade. Our work can help the stubborn mining attack detection and secure blockchain system design.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».