شماره مدرك
21258
شماره راهنما
18202
پديد آورنده
جوادزاده، فرزاد
عنوان
الگوريتم مسيريابي تطبيقي مبتني بر يادگيري آنلاين براي پرداختهاي چندمسيره در شبكه لايتنينگ
مقطع تحصيلي
كارشناسي ارشد
گرايش تحصيلي
رايانش امن
محل تحصيل
اصفهان : دانشگاه صنعتي اصفهان
سال دفاع
1405
صفحه شمار
دوازده، 76ص. : مصور، جدول، نمودار
توصيفگر ها
شبكه لايتنينگ , مسيريابي تطبيقي , پرداخت هاي چند مسيره , يادگيري آنلاين ماشين
تاريخ ورود اطلاعات
1405/06/30
كتابنامه
كتابنامه
رشته تحصيلي
مهندسي كامپيوتر
دانشكده
مهندسي برق و كامپيوتر
تاريخ ويرايش اطلاعات
1405/06/31
كد ايرانداك
23246646
چكيده فارسي
شبكه لايتنينگ به عنوان برجستهترين راهكار مقياسپذيري لايه دوم بيتكوين، عليرغم پتانسيل بالا، با چالشهاي كليدي نظير عدم قطعيت در ظرفيت كانالها، نرخ بالاي شكست در پرداختهاي كلان، هزينههاي متغير عملياتي و تأخير در مسيريابي مواجه است. در اين پژوهش، يك مدل نوين مسيريابي هوشمند با تلفيق رتبهبندي وفقي صف، پرداختهاي چندمسيره و يادگيري ماشين آنلاين ارائه شده است. هدف از اين روششناسي، ارتقاي نرخ موفقيت پرداختها و بهينهسازي هزينهها از طريق پيشبيني پوياي وضعيت نقدينگي شبكه است. در روش پيشنهادي، هر گره با بهرهگيري از يك مدل يادگيري ماشين سبكوزن، وزن پارامترهاي مسيريابي (شامل ظرفيت، كارمزد و تعداد گامها) را بر اساس تجربههاي زيسته و نتايج تراكنشهاي قبلي بهصورت بلادرنگ بهروزرساني ميكند. اين رويكرد در تركيب با قابليت پرداختهاي چندمسيره ، امكان تقسيم هوشمندانه مبالغ به تكههاي بهينه و هدايت همزمان آنها از مسيرهاي موازي را فراهم ميآورد كه منجر به كاهش چشمگير بنبستهاي ناشي از تخليه نقدينگي كانالها ميشود. جهت ارزيابي عملكرد، الگوريتم پيشنهادي بر روي يك شبيهساز اختصاصي با توپولوژيهاي پويا پيادهسازي و با روشهاي سنتي و مدلهاي چندمسيره استاتيك مقايسه شد. نتايج تجربي نشان ميدهد كه مدل پيشنهادي موفق به دستيابي به نرخ موفقيت 94٪ شده است كه بهبودي 23 تا 32 درصدي را نسبت به روشهاي پايه نشان ميدهد. همچنين، اين مدل توانسته است ميانگين كارمزد تراكنشها را از 20٪ تا بالاتر از60٪ كاهش داده و تعداد تلاشهاي مجدد را به حداقل برساند. تحليل منحني يادگيري ثابت كرد كه الگوريتم پس از يك دوره كوتاه اكتشاف، به پايداري عملكردي رسيده و حتي در شرايط تنش بار ترافيكي، كارايي خود را دو برابر بيشتر از مدلهاي كلاسيك حفظ ميكند. اگرچه اين بهبودها با افزايش كنترلشده در تأخير نهايي همراه است، اما توازن ايجاد شده بين نرخ موفقيت و صرفه اقتصادي، اين مدل را به راهكاري عملياتي براي محيطهاي پرداخت پويا تبديل ميكند.
چكيده انگليسي
As the most prominent Layer-2 scaling solution for Bitcoin, the Lightning Network (LN) faces key challenges despite its high potential, including uncertainty in channel capacities, high failure rates for large payments, variable operational costs, and routing delays. This research proposes a novel intelligent routing model that integrates Adaptive Queue Routing (AQR), Multi-Path Payments (MPP), and Online Machine Learning. The objective of this methodology is to enhance payment success rates and optimize costs through dynamic prediction of the networkʹs liquidity state.
In the proposed method, each node utilizes a lightweight machine learning model to update the weights of routing parameters—including capacity, fees, and hop count in real-time based on live experience and previous transaction outcomes. This approach, combined with MPP capabilities, enables the intelligent splitting of payments into optimal shards and their simultaneous routing through parallel paths, significantly reducing deadlocks caused by channel liquidity depletion.
To evaluate performance, the proposed algorithm was implemented on a custom simulator with dynamic topologies and compared against traditional methods and static multi-path models. Experimental results demonstrate that the proposed model achieves a 94% success rate, representing an improvement of 23% to 32% over baseline methods. Furthermore, the model reduced average transaction fees up to 60% and minimized the number of required retries. Learning curve analysis confirmed that after a short exploration period, the algorithm reaches functional stability and maintains its efficiency under high traffic stress twice as effectively as classical models. While these improvements are accompanied by a controlled increase in end-to-end latency, the balance achieved between success rate and economic efficiency makes this model a viable operational solution for dynamic payment environments.
استاد راهنما
مسعود عمومي
استاد مشاور
مجتبي خليلي دليگاني
استاد داور
علي فانيان , الهام محمودزاده