CLoTH:A Lightning Network Simulator

2023-11-11 21:40

本文主要是介绍CLoTH:A Lightning Network Simulator,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

  • CLoTH: 闪电网络模拟器
  • CLoTH:https://www.sciencedirect.com/science/article/pii/S2352711021000613
  • c-lightning:https://github.com/ElementsProject/lightning

CLoTH数据结构图:
在这里插入图片描述

  • edge: 代表通道的方向
  • capacity: 代表通道容量
  • base fee: 转发支付的基本费用
  • proportional fee: 比例费用由转发的金额决定

CLoTH输入参数表:
在这里插入图片描述

  • n_new_nodes: 随机网络的节点数量,添加到已经存在于闪电网拓扑中的(用作随机网络的模型)。
  • n_channels: 在上一个参数中指定的每个节点的通道数。
  • capacity: 平均通道容量。
  • faulty_probability: 被要求转发付款时节点出现故障的概率。
  • payment_rate: 平均每秒付款次数。
  • n_payments: 要模拟的总付款总数。
  • payment_amount: 平均支付金额。
  • mpp: 一个0/1的值,指示是否激活或不激活多路径支付功能,这包括分割小型支付,以最大化成功的机会。

CLoTH事件状态图:
在这里插入图片描述

  • forward_payment: 路径的每一跳都将付款转发给付款接收方
  • forward_success: 每一跳都将支付的成功结果传播回到路径中
  • forward_fail: 每一跳将支付的失败结果传播回发送者
    在这里插入图片描述
  • find_path: 发送支付,恢复支付,应用支付结果,请求路由

CLoTH性能测量:
在这里插入图片描述

  • Success: 支付成功的概率
  • FailNoPath: 无路径支付失败的概率。当Dijkstra的算法无法找到支付发送方和支付接收方之间的路径时,就会出现这种情况。这可能是因为渠道容量低于支付金额。
  • FailNoBalance: 无余额支付失败的概率。当一个节点试图将支付转发到下一个节点,并且连接两个节点的边缘没有足够的余额时,就会发生这种情况。
  • FailOfflineNode: 离线节点支付失败的概率。
  • FailTimeout: 超时到期付款失败的概率。
  • Time: 平均付款时间(仅适用于成功付款)。
  • Attempts: 完成付款前的平均尝试次数(仅适用于成功付款)。
  • RouteLength: 支付路径中的平均跳数(仅适用于成功的支付)。

这篇关于CLoTH:A Lightning Network Simulator的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/392982

相关文章

poj 2349 Arctic Network uva 10369(prim or kruscal最小生成树)

题目很麻烦,因为不熟悉最小生成树的算法调试了好久。 感觉网上的题目解释都没说得很清楚,不适合新手。自己写一个。 题意:给你点的坐标,然后两点间可以有两种方式来通信:第一种是卫星通信,第二种是无线电通信。 卫星通信:任何两个有卫星频道的点间都可以直接建立连接,与点间的距离无关; 无线电通信:两个点之间的距离不能超过D,无线电收发器的功率越大,D越大,越昂贵。 计算无线电收发器D

图神经网络框架DGL实现Graph Attention Network (GAT)笔记

参考列表: [1]深入理解图注意力机制 [2]DGL官方学习教程一 ——基础操作&消息传递 [3]Cora数据集介绍+python读取 一、DGL实现GAT分类机器学习论文 程序摘自[1],该程序实现了利用图神经网络框架——DGL,实现图注意网络(GAT)。应用demo为对机器学习论文数据集——Cora,对论文所属类别进行分类。(下图摘自[3]) 1. 程序 Ubuntu:18.04

深度学习--对抗生成网络(GAN, Generative Adversarial Network)

对抗生成网络(GAN, Generative Adversarial Network)是一种深度学习模型,由Ian Goodfellow等人在2014年提出。GAN主要用于生成数据,通过两个神经网络相互对抗,来生成以假乱真的新数据。以下是对GAN的详细阐述,包括其概念、作用、核心要点、实现过程、代码实现和适用场景。 1. 概念 GAN由两个神经网络组成:生成器(Generator)和判别器(D

Neighborhood Homophily-based Graph Convolutional Network

#paper/ccfB 推荐指数: #paper/⭐ #pp/图结构学习 流程 重定义同配性指标: N H i k = ∣ N ( i , k , c m a x ) ∣ ∣ N ( i , k ) ∣ with c m a x = arg ⁡ max ⁡ c ∈ [ 1 , C ] ∣ N ( i , k , c ) ∣ NH_i^k=\frac{|\mathcal{N}(i,k,c_{

F12抓包05:Network接口测试(抓包篡改请求)

课程大纲         使用线上接口测试网站演示操作,浏览器F12检查工具如何进行简单的接口测试:抓包、复制请求、篡改数据、发送新请求。         测试地址:https://httpbin.org/forms/post ① 抓包:鼠标右键打开“检查”工具(F12),tab导航选择“网络”(Network),输入前3项点击提交,可看到录制的请求和返回数据。

OpenSNN推文:神经网络(Neural Network)相关论文最新推荐(九月份)(一)

基于卷积神经网络的活动识别分析系统及应用 论文链接:oalib简介:  活动识别技术在智能家居、运动评估和社交等领域得到广泛应用。本文设计了一种基于卷积神经网络的活动识别分析与应用系统,通过分析基于Android搭建的前端采所集的三向加速度传感器数据,对用户的当前活动进行识别。实验表明活动识别准确率满足了应用需求。本文基于识别的活动进行卡路里消耗计算,根据用户具体的活动、时间以及体重计算出相应活

deepcross network(DCN)算法 xdeepfm是DCN的进阶

揭秘 Deep & Cross : 如何自动构造高阶交叉特征 https://zhuanlan.zhihu.com/p/55234968 Deep & Cross Network总结 Deep和Cross不得不说的秘密 [深度模型] Deep & Cross Network (DCN) https://mp.weixin.qq.com/s/Xp_xTmcx56tJqfjMhFsArA

F12抓包04:(核心功能)Network接口抓包、定位缺陷

课程大纲 一、录制请求 ① tab导航选择“网络”(Network),即可进入网络抓包界面,进入界面默认开启录制模式,显示浏览器当前标签页的请求列表。 ② 查看请求列表,包含了当前标签页执行的所有请求和下载的资源,列表显示每条请求的相应内容。 还可以在字段行单击右键,勾选想要查看的字段。 ③ 单击列表项的“名称”,可以查看请求的详细内容。接口请

DS简记1-Real-time Joint Object Detection and Semantic Segmentation Network for Automated Driving

创新点 1.更小的网络,更多的类别,更复杂的实验 2. 一体化 总结 终于看到一篇检测跟踪一体化的文章 网络结构如下: ResNet10是共享的Encoder,yolov2 是检测的Deconder,FCN8 是分割的Deconder。 其实很简单,论文作者也指出:Our work is closest to the recent MultiNet. We differ by focus

Segmentation简记3-UPSNet: A Unified Panoptic Segmentation Network

Segmentation简记3-UPSNet: A Unified Panoptic Segmentation Network 创新点总结实验 创新点 1.统一的全景分割网络 总结 uber的作品 网络结构如下: 还是比较简洁的。 Backbone 采用了原始mask rcnn。 Instance Segmentation Head 使用了最大的特征图,包括bbox回归,分