BPVis:面向DPoS區塊鏈網絡安全態勢感知的可視化系統

摘 要：基于委托權益證明（delegated proof of stake，DPoS）的區塊鏈網絡因其出色的性能表現而備受開發人員關注，進而對其區塊鏈網絡的安全與穩定性提出了更高的要求。為滿足對于區塊鏈網絡監控與分析的的需求，根據DPoS共識機制實際應用過程中的分析，提出了面向DPoS區塊鏈網絡安全態勢的可視分析方法。建立了節點穩定性與網絡穩定性量化方法、網絡價值預測模型，針對節點地理位置分布、網絡價值走勢、節點與網絡整體穩定性演化以及細節查看等方面設計了多個可視化視圖，面向區塊鏈網絡安全態勢分析實現了交互式可視化系統，支持從多個角度對區塊鏈網絡進行探索。最后通過案列分析與用戶評估驗證所提方法與系統的有效性與實用性，結果表明所提方法能更好地協助使用者分析區塊鏈網絡安全態勢。

關鍵詞： 委托權益證明； 區塊鏈； 可視分析； 安全態勢

中圖分類號： TP391 文獻標志碼： A 文章編號： 1001-3695（2023）06-006-1641-07

doi： 10.19734/j.issn.1001-3695.2022.11.0548

BPVis： visualization system for security situation awareness of blockchain network based on DPoS

Yang Pan， Su Bo Liu Minxian， Zhang Wei， Hu Yiling

（School of Computer Science amp; Technology， Southwest University of Science amp; Technology， Mianyang Sichuan 621000， China）

Abstract：

The blockchain network based on DPoS （delegated proof of stake） has drawn the attention of developers due to its outstanding performance， which places more demands on the network’s operational safety and reliability. To meet the demand for blockchain network monitoring and analysis， this paper proposed a visual analysis method for DPoS blockchain network security situation based on analyzing the application of DPoS consensus mechanism. It established the peer stability and network stability quantification method and network value prediction model. It also designed several visualization views for peer geographic location distribution， network value trend， peer and network overall stability evolution， detail view， etc. It implemented an interactive visualization system for blockchain network security posture analysis， which supported exploring blockchain network from multiple perspectives. Finally， it verified the effectiveness and practicality of the proposed method and system through case study analysis and user evaluation， and the results show that the proposed method can better assist users in analyzing the blockchain network security situation.

Key words：DPoS; blockchain; visual analysis; security situation

0 引言

區塊鏈作為一種發展勢頭強勁的新興技術，整合了默克爾樹、點對點網絡、密碼學、共識機制、智能合約等關鍵技術［1］，旨在解決由中心化集中管理引發的高成本、低效率且安全性匱乏等缺陷［2］，為物聯網、能源管理與調控、金融、醫療保健和政府管理等領域現有的挑戰提供了新的解決方案［3］。共識機制被用來解決數據在分布式存儲的對等節點中可能存在不一致的問題［4］，其在確保區塊鏈網絡運行中的安全性、完整性與應用性能發揮著至關重要的作用［5］，被認為是區塊鏈技術的核心組成部分。目前主流的共有鏈共識機制包括工作量證明（proof of work，PoW）、權益證明（proof of stake，PoS）與委托權益證明（delegated proof of stake，DPoS）［6］。基于PoS共識機制的Bitcoin與Ethereum被認為是兩大最著名的區塊鏈網絡，但都存在著性能方面的缺陷與巨額能源消耗的問題，難以滿足不斷增長的業務需求［7］。PoS權益積累會發展成貧富兩極化的情況，即馬太效應［8］。DPoS是一種基于投票選舉制度的共識機制，通過用戶投票選舉出的生產者節點（block producers）來打包和驗證交易并生產區塊，一定程度上解決了能源浪費與權益積累的問題，以限定生產者節點數量的方式實現了秒級驗證，適用于大規模的應用場景［9］。但該共識機制也存在著諸多的安全隱患，因為投票活動并不能阻止惡意節點的出現，投票不積極導致惡意節點不能及時剔除，中心化趨勢不可避免地影響到數據完整性與用戶信任度，容易對整個區塊鏈網絡造成安全隱患［10］。對區塊鏈數據進行可視分析能有效地發現區塊鏈網絡在運行過程中出現的異常現象，可視化視圖可通過使用多重視覺通道以增加傳遞的信息量，同時減少信息解釋的負擔，為決策工作帶來了便利［11］。本文總結了相關研究人員、系統管理人員以及利益相關者對基于DPoS共識機制的區塊鏈網絡監控、異常發現與探索的需求，提出了基于DPoS共識機制的區塊鏈網絡安全態勢分析策略與可視分析方法。通過多視圖聯動幫助用戶快速觀察到區塊鏈網絡的安全態勢，利用交互式設計使用戶發現網絡中的異常現象并支持進一步探索現象產生的原因，為改進工作提供了技術支持。本文的貢獻如下所示。

a）提出了區塊鏈網絡價值預測模型并針對DPoS共識機制的生產者節點建立了節點評價模型。利用預測模型對數據集中的缺失項做填充處理以便后續分析方法的順利建立以及可視化視圖的設計與實現，根據生產者節點的歷史行為記錄與相關特征項建立評價模型，進而對生產者節點進行綜合評價。

b）提出了基于DPoS共識機制的區塊鏈網絡的穩定性量化方法。在生產者節點評價模型的基礎上進一步建立了生產者穩定性分析方法并設計了區塊鏈網絡去中心化程度的量化方法，將區塊鏈網絡的內因與外因進行組合分析，以數值的形式對區塊鏈網絡的穩定性進行呈現。

c）設計了面向DPoS區塊鏈網絡的安全態勢可視分析策略，實現了交互式可視化系統。根據區塊鏈網絡在節點地理位置分布、節點穩定性演化、節點選舉活動以及外界關注等方面的情況設計了一系列的可視化視圖，以多視圖聯動等交互手段使用戶能多角度多層次地觀測區塊鏈網絡的運行狀態、分析區塊鏈網絡的安全態勢，支持用戶對區塊鏈網絡進行異常發現、狀態跟蹤以及成因分析，并通過案例分析與用戶評估驗證了系統的有效性與實用性。

1 相關研究

1.1 基于DPoS共識機制的區塊鏈網絡數據分析

區塊鏈網絡在運行過程中產生的大量數據不僅帶來了巨大的研究價值，也為數據的挖掘分析工作帶來了新的挑戰。EOSIO是基于DPoS共識機制的區塊鏈系統之一，被認為是區塊鏈3.0的典型代表［12］，當前針對基于DPoS共識機制的區塊鏈網絡的數據分析主要集中在對EOSIO的鏈上數據進行分析。He等人［13］從不同的角度對Bitcoin、Ethereum、EOSIO這三個具有代表性的主流區塊鏈網絡進行數據分析以探索它們的演化模式，并歸納了一些所發現的異常現象。針對EOSIO的巨量數據在獲取與處理等方面的挑戰，Zheng等人［14］開發了一款新的應用插件以獲取鏈上的歷史數據，并提供了Xblock-EOS數據集以及數據的統計觀察結果，進一步推動了EOSIO的鏈上數據分析工作。Song等人［15］著重研究了EOSIO鏈上的賬戶交易數據，動態地分析了交易網絡中的變化規律。Liu等人［16］主要研究了區塊鏈網絡的投票選舉過程，量化了區塊鏈網絡的去中心程度，并捕獲了選舉過程中的異常投票行為。Huang等人［17］根據EOSIO的歷史數據提出了機器人賬戶與欺詐活動的檢測方法。

上述的數據研究工作可以較好地做到洞察區塊鏈網絡在運行過程中各方面的情況，但這些方法都是用歷史數據得出的靜態統計分析結果，缺乏靈活性，用戶難以根據自己的意愿選擇某一個時間段或某一個角度進行觀察探索。為彌補上述缺陷，本文在行為分析、異常檢測、演化模式探索等相關研究的基礎上，設計了具備交互性的可視化視圖以觀察區塊鏈網絡的整體安全態勢、發現異常現象以及探索異常現象產生原因。

1.2 區塊鏈可視化研究

隨著對區塊鏈技術的廣泛應用，近年來不少區塊鏈技術愛好者與相關研究人員開發出了各種區塊鏈可視化工具。Tovanich等人［18］介紹了相關用于分析區塊鏈相關數據的可視化工具，系統地評估了76種可視化工具，并指出了未來值得進一步探索的領域。Zhong等人［19］針對新手用戶采用視覺隱喻的方式設計了一系列的可視化視圖，以幫助用戶了解區塊鏈網絡的運行機制，吸引潛在的用戶參與區塊鏈網絡的生態建設。Sun等人［20］針對Bitcoin 賬戶地址之間的關系設計實現了一個交互式系統，方便監管機構跟蹤賬戶，也可以幫助個人用戶調查感興趣的賬戶活動情況。Yue等人［21］設計了一款名為BitEx-Tract的交互式可視化工具用以探索Bitcoin交易模式的演化，為后續的區塊鏈可視分析工作提供了新的思路。Xia等人［22］針對Bitcoin的運行機制設計了礦池可視化監控系統，幫助用戶探索各個礦池隨時間的演化情況。溫嘯林等人［23］針對基于DPoS共識機制網絡的鏈上數據提出了一種共識機制效能評估方法，設計并實現區塊鏈社區演化的可視分析系統。

總體來說，當前針對區塊鏈的可視化研究主要集中在以Bitcoin為代表的出現時間較早的加密貨幣應用上，且主要關注點在賬戶地址、交易數據等方面，較少關注區塊鏈網絡的整體運行態勢與演化，且對于較晚出現的DPoS共識機制的區塊鏈網絡的可視化研究相對較少。本文針對基于DPoS共識機制的區塊鏈網絡，在上述可視化探索與分析的基礎上，設計了新的交互視圖，提出了用于監控區塊鏈網絡安全態勢、挖掘異常現象的可視分析方法。

2 數據與方法

2.1 數據描述

EOSIO是一款基于DPoS共識機制的高性能開源區塊鏈系統，旨在構建可投入商業使用的去中心化應用（decentralized applications， DApp），其單線程的TPS（transactions per seconds）可以達到8 000，因此自EOSIO上線后前三個月內交易量就已超過Ethereum［24］，由此產生了大量的研究數據。為了更好地降低系統的耦合性，整個EOSIO系統采用插件化的架構進行開發，其中，net_plugin插件與區塊數據的廣播以及主網數據的同步相關，mongo_db_plugin插件則用于存儲區塊、交易等信息。研究中一般采用對等節點接入區塊鏈網絡同數據的方式以獲取足夠的研究數據，新加入節點與主網數據同步以及落庫的簡化流程如圖1所示，net_plugin與對等節點建立連接后會檢查鏈數據之間差異并進行同步處理，mongo_db_plugin會將接收到的區塊數據寫入一個隊列之中，然后以異步方式輪詢讀取隊列中的信息并將其寫入到數據庫中。本文研究數據樣本取自EOSIO區塊鏈系統自2018年6月到2019年11月期間共產生89 800 000個區塊，通過收集生產者節點特征、節點性能、節點財富水平、網絡內部活動、外界相關信息等密切相關的特征項來創建研究數據集。

2.2 需求分析

DPoS高性能的特性吸引了不少開發人員的參與，同時也增加了人們對于基于該共識機制的區塊鏈網絡安全態勢監控的需求。在基于DPoS共識機制的區塊鏈網絡中僅由生產者節點驗證和打包交易且限制生產者節點的數量，當選的生產者節點列表一直處于變動中，其變化并無規律可尋，可能數天變更一次也可能在同一天內變更多次。生產者節點被認為是維持區塊鏈網絡穩定運行的最關鍵因素，單個生產者節點的穩定性以及其地理位置分布、同時期的外界相關信息都會對整個區塊鏈網絡造成不可忽視的影響。本文針對上述提到的特點，針對用戶缺乏區塊鏈網絡安全態勢監控工具的現狀，提出了對于DPoS區塊鏈網絡安全態勢監控與可視分析的三個需求：

a）隨著生產者節點列表的變更展示各節點穩定性的演化情況，直觀呈現網絡整體的穩定性變化，便于快速了解各個節點的運行狀態以及快速地發現其中的異常現象。

b）呈現生產者節點地理位置隨時間的演變情況，同時展示生產者節點列表變更的頻繁程度以及各地區生產者節點的受關注程度。生產者節點過于集中在同一個區域將增加中心化風險，屆時數據的完整性將難以得到保障，進而威脅整個網絡的穩定。

c）將同時期的外界信息以及代幣價格作為影響區塊鏈網絡運行的外部因素，用以觀測某些異常現象對網絡發展趨勢的影響，或根據外部因素來探索某些異常現象產生的原因。代幣價格可作為用戶對于該區塊鏈網絡的期望程度，合理的價格可吸引更多的用戶參與，推動區塊鏈網絡的建設。

2.3 網絡價值預測

對于公有鏈來說，作為獎勵機制而發行的代幣是維持區塊鏈網絡穩定運行的重要因素之一，代幣價值可作為整個網絡價值反映用戶的期望程度，其不合理或較大波動將會使一部分想要進入行業的用戶持觀望態度，影響區塊鏈網絡的發展［25］。在收集到的數據集中存在部分天數缺失的情況，為了后續分析方法的順利建立以及可視化視圖呈現的連貫性，本文建立了一種網絡價值走勢的預測模型用于缺失值填充。目前研究人員已經開發了許多深度學習框架以適應不同領域中的時間序列數據集的特征，如長短期記憶網絡（long short-term memory network，LSTM）與門控循環單元（gated recurrent unit，GRU）［26］。生成對抗網絡（generative adversarial network，GAN）［27］也是進行預測的最有效的模型之一，GAN的核心部分由生成器（generator）與鑒別器（critic）組成，生成器負責從輸入的噪聲中生成假樣本，而鑒別器負責將真實的樣本與假樣本區分開，兩者在相互博弈中學習以產生相當好的輸出。GAN不需要在采樣序列中生成不同的數據，且只利用了反向傳播，無須利用馬爾可夫鏈反復采樣，因此可以更快地產生樣本。

2.4 生產者節點與網絡穩定性量化

當前大多數區塊鏈網絡采用的DPoS共識機制對于用戶選舉與被選舉活動沒有限制，且缺乏對于生產者節點的評價方法，不少用戶僅能根據生產者節點候選者的各自描述進行投票，由此當選的生產者節點在實際表現中會出現被高估的現象，進而讓不合格的候選者當選為生產者節點，或是因為節點被低估而打擊生產者節點的積極性，成為節點的不穩定因素，影響到整個網絡的穩定與數據完整性。本文根據生產者節點的歷史行為與特征提出了節點穩定性分析方法，在此基礎之上結合區塊鏈網絡的內部活動與外界信息設計了區塊鏈網絡安全態勢的量化策略，用于輔助用戶分析區塊鏈網絡的演化模式，分析流程如圖3所示。

首先，需要對生產者節點的穩定性進行分析。優劣解距離法（technique for order preference by similarity to ideal solution，TOPSIS）是一種常用的綜合類評價方法，其能充分地利用原始數據的信息，精確地反映各評價方案之間的差距［29］。當前采用的TOPSIS法對所有的評價指標都采用的相同權重，不能凸顯出每個評價指標之間的差異性。對此，本文利用熵權法［30］對各個評價指標進行賦權，以消除主觀因素的影響。本文以相鄰的兩個版本變更中生產者節點的區塊生產量、打包交易量、CPU與網絡資源消耗、節點賬戶余額與節點每日收益為評價指標，計算各指標的權重。

3 可視化系統設計

3.1 系統概述

可視化系統的流程如圖4所示，系統從研究數據中篩選出相應的數據按照上一節所述方法進行處理，隨后可視化呈現處理結果。可視化系統視圖設計如圖5所示，該系統界面大致由概覽類視圖與細節類視圖兩大類視圖組成。其中，概覽類視圖包括節點地理分布演化視圖（圖5（A））、網絡穩定性演化視圖（圖5（C））、節點穩定性演化視圖（圖5（D）），細節類視圖包括單節點穩定性演化視圖（圖5（E1））與新增選票來源視圖（圖5（E2）），特別地，網絡價值演化視圖（圖5（B））即包含概覽信息也包含細節信息。該可視化系統支持從地理位置分布演化、外界環境變化、節點穩定性與網絡穩定性觀察整個區塊鏈網絡的安全態勢，并能更深入地探索異常現象產生的原因。用戶可對可視化系統進行交互式操作使其呈現用戶感興趣的時間段內的狀態信息，通過概覽類視圖對區塊鏈網絡的安全態勢進行分析以及異常發現，再通過細節類視圖進行成因探索。

3.2 視圖設計

3.2.1 節點地理位置分布演化視圖

節點地理位置分布演化視圖用以呈現生產者節點所在的地理位置分布演化，對應于需求（2）。本文設計了類似于條帶圖、使用條柱填充的視圖用以呈現網絡中節點的地理位置分布情況。以時刻作為視圖的橫坐標，用不同的顏色編碼不同的地區，縱坐標上不同顏色所占的比例表示在該時刻下該區域中所有的節點數量在整個網絡中的占比，從上往下按各區域中的所有節點獲得的總票數排名進行排列，視圖中條柱分布的密集程度用于編碼生產者節點列表版本更迭的頻繁程度。

3.2.2 網絡價值演化視圖

區塊鏈網絡價值演化視圖用于展示代幣價格的走勢以及同時期的外界信息，對應于需求（3）。該視圖與節點地理分布演化視圖共享橫坐標，背景色用于編碼區塊鏈網絡價值的高低。將收集的相關信息數據使用LDE（latent Dirichlet allocation）［31］主題聚類算法聚為三類，使用三種不同的顏色編碼三類主題文本，按發布時間以散點的形式排列在視圖中，散點的面積大小表示該則信息的熱度。

3.2.3 網絡穩定性演化視圖網絡穩定性演化視圖用于呈現區塊鏈網絡整體的穩定性演化情況，對應于需求（1）。以生產者節點列表變更的版本為橫坐標，以折線圖的方式呈現選定版本范圍內區塊鏈網絡穩定性的相對變化情況。區塊鏈網絡的穩定是保證網絡安全運行的基礎，因此該視圖在幫助用戶分析網絡安全態勢的過程中起到主要作用。

3.2.4 節點穩定性演化視圖節點穩定性視圖用以呈現生產者節點在各版本中的穩定性演化情況，對應于需求（1）。視圖橫坐標選用生產者節點名單版本號，縱坐標按生產者節點獲取的選票數量排名從上往下排列，使用圓形節點表示當前的生產者節點，節點的顏色用于編碼生產者節點的穩定性，色值越深則穩定性越差，同時分為兩種情況，紅色表示節點在選舉過程中被高估，綠色則表示節點被低估。同一節點在不同版本中使用直線連接，若當前生產者節點在下一輪選舉中落選，則直線直接延伸至橫坐標，直線色值采用紅色；若某一候選者節點在上一輪選舉中落選而在本輪成功當選，則直線直接由橫坐標延伸至該節點，直線色值采用綠色，以這種方式表示這兩類節點更值得關注。為避免節點過多而出現視圖混亂，該視圖每次僅允許選擇最多40個版本的信息進行呈現。

3.2.5 單節點穩定性演化視圖

單節點穩定性演化視圖用以呈現單個生產者節點在選定的版本范圍內的穩定性演化情況，對應于需求（1）。視圖在折線圖的基礎進行進一步設計，橫坐標為版本號，縱坐標表示兩個排名之間的差距，折線顏色的編碼與節點排名演化視圖中的一致，如在某些版本中該節點未能成功當選生產者節點，則在該段范圍內無須繪制折線。

3.2.6 新增選票來源視圖

新增選票來源視圖用以表示當前版本中單選的生產者節點在上一輪選舉過程中的新增選票來源。對應于需求（1）與（2）。視圖選用網絡圖來呈現，其中節點由兩類節點組成，分別為生產者節點與投票者，投票者又分為普通用戶（user）與代理（proxy）兩類，為了更清晰地呈現視圖，本文將具有相同前綴用戶名的投票者聚為一個節點，節點之間連線的粗細用于編碼投票數量。生產者節點圖標由帶有圓環的實心圓組成，圓環色值的編碼方式與節點排名演化視圖中的一致，實心圓填充色的編碼方式與節點地理分布演化視圖一致。

4 案例分析與專家反饋

本文設計BPVis的最終目標是為用戶提供基于DPoS共識機制的區塊鏈網絡安全態勢的可視分析工具，為驗證本文所提方式與系統的有效性，本文與3位不同領域的專家進行了案例研究，包括一位共識機制的研究人員（E1）、一位區塊鏈應用開發者（E2）、一位可視分析研究人員（E3）。專家們提供了分析任務，并深度參與了本文的視圖設計過程。

4.1 演化模式綜合探索

三位專家都對基于DPoS這一新穎共識機制的區塊鏈網絡的演化情況比較感興趣，本文設計的可視化系統可以通過生產者節點與網絡穩定性演化、地理位置分布演化、區塊鏈網絡價值演化提供多角度的分析手段。專家們利用控制面板與可視化系統進行交互，初步將可視化視圖呈現的目標時間跨度設置為2018年6月至2019年6月。

專家E2作為區塊鏈應用開發者，對該區塊鏈網絡的網絡價值與地理位置分布演化表現出濃厚的興趣，代幣價值將在很大程度上會影響智能合約的部署與維護，而過于集中分布的生產者節點又會使開發人員缺乏對于保證數據完整性的信心。E2通過組合觀察生產者節點地理分布演化視圖與區塊鏈網絡價值演化視圖，如圖6（A）所示，發現在主鏈剛上線的選舉初始階段，版本更迭速度較快，出現了在同一天內更迭多次的情況，表明用戶的參與積極性較高，且從區塊鏈網絡價值演化視圖中發現在初始數天內代幣價值一直維持在較高水平，而后版本更迭速度與區塊鏈網絡價值都出現了下降的現象，E2根據以往的投資經驗與區塊鏈應用開發經歷指出，出現該現象是因為EOSIO相對于原始區塊鏈網絡的新穎性而吸引了不少用戶參與，而后不可避免地會出現關注度下降的情況。E3發現在選定日期間隔的初始階段，外界相關的信息報道較為零散且熱度不高，指出這也是使用戶興奮度消退的原因之一。一段時間后，如圖6（B）所示，版本更迭速度與區塊鏈網絡價值在同一時期又出現了回升，與此同時E3發現在該段時間范圍內相關信息報道數量增多，且多為加密貨幣市場的分析文章，由此推斷是整個市場的走勢造成了這一現象。

E1作為共識機制的研究人員，在觀察生產者節點地理位置演化時發現，在整個日期跨度內處于中國與英國境內的生產者節點占據整體的絕大部分，且在選舉過程中的支持率也較高，出現了中心化的趨勢。E1指出該情形不利于區塊鏈網絡的進一步發展，如整個區塊鏈網絡易受到占大多數生產者節點地區的外界影響，表明該共識機制難以阻止中心化趨勢的出現。E1通過控制面板篩選查看該日期范圍內的生產者節點穩定性演化，如圖6（C）所示，發現在整個階段中穩定性較差的節點大部分處于排名靠前或排名靠后的位置，且大部分排名靠前的節點被高估。通過跟蹤單一生產者節點穩定性演化的觀察，小部分生產者節點在版本更迭中會逐漸趨向于穩定。E1指出，該區塊鏈網絡當前所采用的DPoS共識機制仍不能很好地保證節點的穩定性。

4.2 異常模式發現

專家們在探索節點排名演化的時候發現，在某些時間段內生產者節點的波動較大，有些原本處于排名前列的生產者節點在選舉過程中節節敗退，甚至被踢出了生產者節點隊列，這意味著靠前的生產者節點排名非常不穩定。特別地，E1與E2通過觀察網絡穩定性演化視圖發現，如圖7（A）所示在某一階段網絡的穩定性迅速下降，整個區塊鏈網絡的安全態勢較差，E2根據之前的地理位置分布演化情況首先排除了同地區節點竄謀的可能性，先前處于中國和英國境內的節點占據了大部分，但并未出現網絡穩定性快速下降的情況。E1觀察節點穩定性演化視圖發現，同時期名為big.one的節點穩定性一直較差且被嚴重高估。對該節點進行一步回溯觀察如圖7（C）發現其在2019年5月份代幣價值迅速上升的時期憑空出現并獲得了大量選票當選為生產者節點。E1將該節點選中進行更細層次的分析，如圖7（B）所示發現該節點在選中的時間段內當選為生產者節點角色時一直被嚴重高估，且通過選票來源視圖發現了異常的投票模式，在投票用戶中，存在著大量的用戶名為諸如“fvztvnwifaaj”“fvztvnwifaai”“fvztvnwifaah”等擁有者相同前綴的用戶，E1推測這些擁有著相同用戶名前綴的賬戶同屬于一個實體，同時還發現了其他被高估節點有著同樣的現象，如某些代理只會為同一個節點投票。這些行為明顯地表示出了選舉被操縱的現象，如該區塊鏈網絡不能擺脫明顯被操控的現狀，則區塊鏈中的數據完整性將越來越難以得到保證，喪失參與用戶的信心同時也難以阻止中心化的趨勢。

4.3 專家反饋

三位參與專家對設計完成的可視化系統給予了較高的評價，E1指出該系統能較好地完成區塊鏈網絡安全態勢的分析任務，利用該系統作為分析手段可快速地發現區塊鏈網絡中存在異常的生產者節點，為共識機制的改進工作提供了支撐。E2提到該系統同時考慮到了網絡的內部因素與外部因素，從內外兩個層面結合分析區塊鏈網絡的演化模式，同時建立的價值預測模型可以進一步推廣，為投資者與區塊鏈網絡利益相關者的多決策提供建議。E3則提到，該系統設計的視圖比較新穎，但在整體的配色方案中仍然存在著視覺沖突的情況，容易影響用戶的使用體驗，未來需要繼續改進。

5 用戶測評

為了更加全面客觀地對本文方法以及可視化系統進行評估，本文總共邀請22位普通用戶參與評測，包括15名男性與7名女性，年齡為21～31周歲，參與者均具備計算機基礎操作技能且對區塊鏈領域存有興趣。該環節分為兩個階段進行，在第一個階段，本文針對2.2節提到的需求為評測參與者設置三類主要任務，每類主要任務下包含多個子任務，任務的具體內容如下：a）T1。網絡中的節點大部分集中在哪些區域？在哪些地區的節點受關注程度較高？是否存在過多節點集中于某個區域的現象？b）T2。穩定性較差的節點其票數排名一般處于什么位置？單節點的穩定性隨版本更迭的變化是趨向于好轉、惡化或無明顯變化？處于同一區域內的節點穩定性情況是否具備相似性？c）T3。版本更迭頻繁的時間段內外界信息的變化情況？網絡安全態勢較差的時間段中能否明顯找出異常因素？

傳統的區塊鏈瀏覽器一般為開發者開發的區塊鏈數據呈現工具，此階段中，參與者會在前30 min內了解相關的背景知識以及可視化系統的編碼設計和交互式操作，每個任務預留5 min的操作時間，參與者將會輪流使用傳統的基于表格形式呈現數據的區塊鏈瀏覽器與本文所設計的可視化系統進行評測，任務結束后的完成率統計情況如圖8所示。T1中尚未涉及到數據挖掘任務，大部分普通用戶利用傳統的區塊鏈瀏覽器即可在規定時間內完成任務，而本文所設計的可視分析工具能幫助所有的評測用戶及時地完成任務。在任務T2與T3中，由于傳統區塊鏈瀏覽器界面復雜、交互操作煩瑣、功能單一等因素，使得大部分普通用戶未能及時完成分析任務，僅有少部分用戶憑借自身的知識儲備與信息檢索能力完成了分析任務，而大部分用戶借助本文設計的可視分析工具可以完成分析任務。根據用戶反饋得知未完成任務的用戶是由于視圖配色引起的視覺沖突導致的誤判或對相關領域的名詞理解不夠熟悉所致。對比兩種可視化工具的任務通過率差異可知，本文方法尤其在針對數據的深入挖掘方面顯著地提升用戶的分析效率。

第二階段中，采用問卷調查的形式讓參與用戶對本文設計的可視化系統進行客觀評價。本文共設置了六個調查問題，使用李克特五級量表進行評估，調查問題的詳細描述如下：

Q1：可視化系統設計的視圖是否易于理解？

Q2：可視化系統采用的交互方式是否便于使用？

Q3：系統是否能更好地幫助用戶探索區塊鏈網絡的運行？

Q4：生產者節點穩定性分析策略是否達到預期？

Q5：區塊鏈網絡安全態勢分析方法是否達到預期？

Q6：本文所提系統是否優于現有的可視分析手段？

調查問卷的各問題得分統計情況如圖9所示。

在調查問卷的結果統計中，可視化系統設計方面，問題Q1、Q2與Q6的統計得分較高，表明評測用戶普遍認為本文所設計的可視化系統便于理解與使用，且與傳統的區塊鏈瀏覽器相比能明顯地提升分析效率。而Q3的得分最低，具體問題表現為可視化系統中存在著視圖配色方面的沖突，增加了用戶的使用負擔進而影響判斷。分析方法方面，Q4的得分高于Q5，用戶普遍認為生產者節點穩定性分析策略與網絡安全態勢分析方法都能較好地達到預期，但在網絡安全態勢分析方法方面考慮到的環境因素還不夠充分。總體上，用戶一致認為系統的使用體驗良好，與現有的可視化工具相比更易理解和探索區塊鏈網絡。

6 結束語

本文針對基于DPoS共識機制的區塊鏈網絡運行穩定性監控的需求，提出了面向安全態勢的可視分析方法，設計并實現了交互式可視化系統，最后邀請來自共識機制研究、區塊鏈投資與應用開發、可視分析三個領域內的3位專家以及22名普通用戶參與評測，驗證了本文方法的有效性與實用性。

未來的研究工作主要包括下述三個方面：a）視圖設計方面，當前設計的各個視圖中顏色編碼方面出現了視覺沖突，未來將會改進視圖的配色方案與視圖之間的聯動呈現方式，在不降低信息獲取能力的情況下增加系統的便捷性；b）預測模型方面，當前預測模型的輸入變量中尚未考慮到用戶情緒，未來將會對收集到的媒體報道與用戶評論做文本情感分析，進一步加強預測模型的表達能力；考慮在可視化系統中添加預測功能，增加模型的應用范圍；c）當前由于數據獲取方面的挑戰，有大量未能入選生產者節點的候選節點尚未納入研究范圍，候選者節點同樣具有研究價值，未來的區塊鏈網絡安全態勢研究將會考慮到候選者節點。

參考文獻：

［1］Bhat S A，Sofi I B，Chi C Y. Edge computing and its convergence with blockchain in 5G and beyond： security，challenges，and opportunities ［J］. IEEE Access，2020，8： 205340-205373.

［2］Wang Changjing，Jiang Huiwen，Zeng Jingshan，et al. A review of blockchain layered architecture and technology application research ［J］. Wuhan University Journal of Natural Sciences，2021，26（5）：415-428.

［3］Abou J J，Saade R G. Blockchain applications-usage in different domains ［J］. IEEE Access，2019，7： 45360-45381.

［4］代闖闖，欒海晶，楊雪瑩，等. 區塊鏈技術研究綜述 ［J］. 計算機科學，2021，48（S2）： 500-508. （Dai Chuangchuang，Luan Haijing，Yang Xueying，et al. Overview of blockchain technology ［J］. Computer Science，2021，48（S2）： 500-508.）

［5］Zhang Changqiang，Wu Cangshuai，Wang Xinyi. Overview of blockchain consensus mechanism ［C］// Proc of the 2nd International Conference on Big Data Engineering.New York：ACM Press，2020：7-12.

［6］Li Xiaoqi，Jiang Peng，Chen Ting，et al. A survey on the security of blockchain systems ［J］. Future Generation Computer Systems，2020，107： 841-853.

［7］Rankhambe B P，Khanuja H K. A comparative analysis of blockchain platforms-bitcoin and ethereum ［C］// Proc of the 5th International Conference on Computing，Communication，Control and Automation. 2019： 1-7.

［8］Nguyen C T，Hoang D T，Nguyen D N，et al. Proof-of-stake consensus mechanisms for future blockchain networks： fundamentals，applications and opportunities ［J］. IEEE Access，2019，7： 85727-85745.

［9］任南，馬園園. DPoS共識機制改進的演化博弈及策略研究 ［J］. 計算機工程與應用，2022，58（12）： 102-111. （Ren Nan，Ma Yuanyuan. Research on evolutionary game and strategy of DPoS consensus mechanism improvement ［J］. Computer Engineering and Applications，2022，58（12）： 102-111.）

［10］談森鵬，楊超. 區塊鏈DPoS共識機制的研究與改進 ［J］. 現代計算機：專業版，2019（6）： 11-14. （Tan Senpeng，Yang Chao. Research and improvement of blockchain’s DPoS consensus mechanism ［J］. Modern Computer，2019（6）： 11-14.）

［11］Park S，Bekemeier B，Flaxman A，et al. Impact of data visualization on decision-making and its implications for public health practice： a systematic literature review ［J］. Informatics for Health and Social Care，2021，47（2）：11-19.

［12］Xu B，Luthra D，Cole Z，et al. EOS： an architectural，performance，and economic analysis ［EB/OL］. （2018-06）. https：//seenthis.net/messages/736999.

［13］He Ningyu，Su Weihang，Yu Zhou，et al. Understanding the evolution of blockchain ecosystems： a longitudinal measurement study of bit-coin，ethereum，and EOSIO ［EB/OL］. （2021）.https：//arxiv.org/abs/ 2110. 07534.

［14］Zheng Weilin，Zheng Zibin，Dai Hongning，et al. XBlock-EOS： extracting and exploring blockchain data from EOSIO ［J］. Information Processing amp; Management，2021，58（3）： 102477.

［15］Song Wanshui，Zhang Wenyin，Zhai Linbo，et al. EOSIO blockchain data analysis ［J］. The Journal of Supercomputing，2022，78（4）： 5974-6005.

［16］Liu Jieli，Zheng Weilin，Lu Dingyuan，et al. Understanding the decentralization of DPoS： perspectives from data-driven analysis on EOSIO ［EB/OL］. （2022）.https：//arxiv.org/abs/ 2201. 06187.

［17］Huang Yuheng，Wang Haoyu，Wu Lei，et al. Characterizing EOSIO blockchain ［EB/OL］.（2020）.https：//arxiv.org/abs/2002.05369.

［18］Tovanich N，Heulot N，Fekete J D，et al. Visualization of blockchain data： a systematic review ［J］. IEEE Trans on Visualization and Computer Graphics，2019，27（7）： 3135-3152.

［19］Zhong Zengsheng，Wei Shuirun，Xu Yeting，et al. SilkViser： a visual explorer of blockchain-based cryptocurrency transaction data ［C］// Proc of IEEE Conference on Visual Analytics Science and Technology. Piscataway，NJ：IEEE Press，2020： 95-106.

［20］Sun Yujing，Xiong Hao，Yiu Siuming，et al. BitVis： an interactive visualization system for bitcoin accounts analysis ［C］//Proc of Crypto Valley Conference on Blockchain Technology. Piscataway，NJ：IEEE Press，2019.

［21］Yue Xuanwu，Shu Xinhuan，Zhu Xinyu，et al. BitExTract： interactive visualization for extracting bitcoin exchange intelligence ［J］. IEEE Trans on Visualization and Computer Graphics，2019，25（1）：162-171.

［22］Xia Jiazhi，Zhang Yuhong，Ye Hui，et al. SuPoolVisor： a visual analy-tics system for mining pool surveillance ［J］. Frontiers of Information Technology amp; Electronic Engineering，2020，21（4）：507-523.

［23］溫嘯林，李長林，張馨藝，等. 基于DPoS共識機制的區塊鏈社區演化的可視分析方法 ［J］. 計算機科學，2022，49（1）： 328-335. （Wen Xiaolin，Li Changlin，Zhang Xinyi，et al. Visual analysis method of blockchain community evolution based on DPoS consensus mechanism ［J］. Computer Science，2022，49（1）： 328-335.）

［24］Huang Yuheng，Wang Haoyu，Wu Lei，et al. Understanding （Mis） behavior on the EOSIO blockchain ［C］// Proc of ACM on Measurement and Analysis of Computing Systems.New York：ACM Press，2020： 1-28.

［25］鐘盛貴. 區塊鏈公鏈EOS價格泡沫的存在性 ［D］. 廈門：廈門大學，2019. （Zhong Shenggui. The existence of price bubbles in public chain EOS ［D］. Xiamen： Xiamen University，2019.）

［26］Lim B，Zohren S. Time-series forecasting with deep learning： a survey ［J］. Philosophical Trans of the Royal Society A： Mathematical，Physical and Engineering Sciences，2021，379（2194）：20200209.

［27］魏富強，古蘭拜爾·吐爾洪，買日旦·吾守爾. 生成對抗網絡及其應用研究綜述 ［J］. 計算機工程與應用，2021，57（19）： 18-31. （Wei Fuqiang，Gulanbaier Tuerhong，Mairidan Wushouer. Review of research on generative adversarial networks and its application ［J］. Computer Engineering and Applications，2021，57（19）：18-31.）

［28］Gulrajani I，Ahmed F，Arjovsky M，et al. Improved training of Wasserstein GANs ［EB/OL］. （2017-04-01）. https：//arxiv.org/abs/1704.00028.

［29］張慧，冀巨海. 基于IGN與GRAP-TOPSIS的預制構件供應商優選 ［J］. 數學的實踐與認識，2022，52（7）： 38-50. （Zhang Hui，Ji Juhai. Prefabricated component supplier selection based on IGN and GRAP-TOPSIS ［J］. Journal of Mathematics in Practice and Theory，2022，52（7）： 38-50.）

［30］Zhu Yuxin，Tian Dazuo，Yan Feng. Effectiveness of entropy weight method in decision-making ［J］. Mathematical Problems in Engineering，2020，2020： e3564835.

［31］Jelodar H，Wang Yongli，Yuan Chi，et al. Latent Dirichlet allocation （LDA） and topic modeling： models，applications，a survey ［J］. Multimedia Tools and Applications，2019，78（11）： 15169-15211.