Qtum量子鏈推出Qtum鏈上數(shù)據(jù)分析基于谷歌BigQuery

2019-07-04 16:36:33 來源： Qtum量子鏈

1 概述Qtum 量子鏈作為一個(gè)以技術(shù)革新為主導(dǎo)的創(chuàng)新公鏈，一直將推動(dòng)區(qū)塊鏈的技術(shù)發(fā)展和應(yīng)用落地為己任。量子鏈研究院一直在探索區(qū)塊鏈上的各

1. 概述

Qtum 量子鏈作為一個(gè)以技術(shù)革新為主導(dǎo)的創(chuàng)新公鏈，一直將推動(dòng)區(qū)塊鏈的技術(shù)發(fā)展和應(yīng)用落地為己任。量子鏈研究院一直在探索區(qū)塊鏈上的各種創(chuàng)新方式，其中基于Google Cloud進(jìn)行的對區(qū)塊鏈云計(jì)算與大數(shù)據(jù)方向的創(chuàng)新探究一直在穩(wěn)步推進(jìn)。繼Google Cloud推出Qtum開發(fā)工具包后，Qtum量子鏈結(jié)合Google Cloud強(qiáng)大的數(shù)據(jù)分析能力與豐富的云平臺(tái)功能，基于數(shù)據(jù)分析工具BigQuery再次推出了一個(gè)重量級數(shù)據(jù)分析服務(wù)——Qtum鏈上數(shù)據(jù)分析。

Qtum量子鏈?zhǔn)侨蚴讉€(gè)基于PoS共識機(jī)制和UXTO模型的智能合約平臺(tái)。其賬戶抽象層實(shí)現(xiàn)了UTXO模型與智能合約虛擬機(jī)賬戶模型的的無縫交互，實(shí)現(xiàn)了區(qū)塊鏈技術(shù)與真實(shí)的商業(yè)世界的完美融合。

+最新數(shù)據(jù)顯示(截止到2019年5月)，截止至5月30日地址數(shù)總量為1648035個(gè)，在一個(gè)月內(nèi)增長67596個(gè)，平均每日增長2253.2個(gè)。網(wǎng)絡(luò)權(quán)重變化整體較穩(wěn)定，挖礦平均年回報(bào)率為7.87%[1]。Qtum x86虛擬機(jī)、完善的DGP鏈上治理以及Qtum與金融、醫(yī)療、文娛、游戲等多領(lǐng)域的融合，使Qtum量子鏈逐漸成為全球最有影響力的項(xiàng)目之一。

主流貨幣的數(shù)據(jù)全是公開透明的，我們可以用 blockchain.com、etherscan.io 、qtum.info等開放的區(qū)塊鏈瀏覽器查詢交易、余額等基本信息。但若想對鏈上數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析并不容易，例如每日的交易量、全網(wǎng)算力等等，需要對歷史的所有區(qū)塊、交易進(jìn)行數(shù)據(jù)統(tǒng)計(jì)才能得到。

本文就基于BigQuery實(shí)現(xiàn)了Qtum鏈上數(shù)據(jù)的統(tǒng)計(jì)、分析以及可視化展現(xiàn)，將Qtum的各項(xiàng)指標(biāo)更為直觀地呈現(xiàn)給用戶。最終效果參見網(wǎng)址：https://chart.qtum.info/

2. 背景

BigQuery [2] 是Google Cloud最新推出的數(shù)據(jù)分析工具。它是一個(gè)基于列存儲(chǔ)的數(shù)據(jù)庫系統(tǒng)。列存儲(chǔ)和行存儲(chǔ)的區(qū)別可以用下圖很好地表示。

列存儲(chǔ)和行存儲(chǔ)有著各自的優(yōu)缺點(diǎn)，適用于不同的場合。從下表中可以很明顯地看出，列存儲(chǔ)可以有效應(yīng)用于數(shù)據(jù)統(tǒng)計(jì)中。因?yàn)閿?shù)據(jù)統(tǒng)計(jì)通常需要把大量的數(shù)據(jù)(列如用戶日志)加載進(jìn)表里，然后對逐個(gè)字段進(jìn)行篩選和統(tǒng)計(jì)。這個(gè)場景和列存儲(chǔ)的應(yīng)用場景是完全符合的。

目前開源的列存儲(chǔ)數(shù)據(jù)庫并不多，主流的包括HBase、ClickHouse等。而各大互聯(lián)網(wǎng)公司都會(huì)研發(fā)自己的閉源列存儲(chǔ)數(shù)據(jù)庫。BigQuery就是Google研發(fā)的列存儲(chǔ)數(shù)據(jù)庫，目前在Google Cloud上可以使用，主要按照SELECT操作涉及的數(shù)據(jù)量大小進(jìn)行收費(fèi)。

由于列存儲(chǔ)數(shù)據(jù)庫能很好地應(yīng)用于數(shù)據(jù)統(tǒng)計(jì)的場景中，所以我們采用BigQuery進(jìn)行Qtum鏈上數(shù)據(jù)的分析，以便更好地了解區(qū)塊、交易等數(shù)據(jù)。BigQuery也經(jīng)常宣傳自己在區(qū)塊鏈數(shù)據(jù)方面的應(yīng)用[3]。

03. 架構(gòu)

本系統(tǒng)分為上中下三層：

· 下層為數(shù)據(jù)源部分。運(yùn)行在服務(wù)端的Qtum節(jié)點(diǎn)開啟了RPC服務(wù)。ETL(Extract-Transform-Load )程序會(huì)持續(xù)從RPC獲取鏈上數(shù)據(jù)，然后輸出給中間層。

· 中間層用BigQuery實(shí)現(xiàn)數(shù)據(jù)存儲(chǔ)和計(jì)算。運(yùn)行在服務(wù)端的定時(shí)任務(wù)會(huì)持續(xù)往BigQuery中寫入最新的鏈上數(shù)據(jù)。然后，用SQL對數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，寫入上層的Redis中。

· 上層是前端展示部分。Flask框架從Redis中讀取數(shù)據(jù)返回給前端。前端通過在React框架中嵌入的Echarts工具，用來展示Qtum鏈上數(shù)據(jù)的統(tǒng)計(jì)分析結(jié)果。

數(shù)據(jù)源

數(shù)據(jù)源部分由Qtum節(jié)點(diǎn)和ETL程序組成。Qtum全節(jié)點(diǎn)實(shí)時(shí)同步最新的鏈上數(shù)據(jù)。ETL程序通過RPC接口獲取鏈上數(shù)據(jù)，最終寫入本地CSV(Comma-Separated Values)文件。流程圖如下：

ETL詳細(xì)步驟如下：

1. 啟動(dòng)Qtum全節(jié)點(diǎn)和ETL程序;

2. ETL程序調(diào)用Qtum節(jié)點(diǎn)的RPC接口獲取當(dāng)前區(qū)塊高度;

3. ETL程序開啟多個(gè)進(jìn)程，并發(fā)地調(diào)用getblock接口，獲取最近多個(gè)區(qū)塊的數(shù)據(jù);

4. 將區(qū)塊數(shù)據(jù)寫入本地的CSV文件。

其中，getblock接口有兩個(gè)參數(shù)，分別是區(qū)塊哈希值和數(shù)字2(2代表會(huì)返回完整的交易信息)。返回結(jié)果如下：

BigQuery

BigQuery部分主要是數(shù)據(jù)的存儲(chǔ)和計(jì)算。每次ETL程序運(yùn)行完成之后，會(huì)將最新的CSV文件上傳至BigQuery。然后執(zhí)行SQL語句進(jìn)行統(tǒng)計(jì)計(jì)算，并將計(jì)算結(jié)果寫入Redis。關(guān)鍵操作步驟如下：

· 建表：在BigQuery網(wǎng)站界面中新建數(shù)據(jù)庫表，表名為block。依次填寫各個(gè)字段的名稱，類型和模式，填寫完畢點(diǎn)擊“創(chuàng)建表”。

· 上傳：BigQuery支持多種方式上傳數(shù)據(jù)，數(shù)據(jù)也包括CSV、AVRO等多種格式。此處我們通過Python編寫的任務(wù)，將CSV上傳到BigQuery。

from google.cloud import bigquery

client = bigquery.Client()

filename = 'data.csv' # file path

dataset_id = 'qtum_data' # data set name

table_id = 'block' # table name

dataset_ref = client.dataset(dataset_id)

table_ref = dataset_ref.table(table_id)

job_config = bigquery.LoadJobConfig()

job_config.write_disposition = 'WRITE_TRUNCATE'

job_config.source_format = bigquery.SourceFormat.CSV

job_config.skip_leading_rows = 1

job_config.fieldDelimiter=','

with open(filename, 'rb') as source_file:

job = client.load_table_from_file(

source_file,

table_ref,

location='us-east4',

job_config=job_config) # API request

job.result() # Waits for table load to complete.

print('Loaded {} rows into {}:{}.'.format(

job.output_rows, dataset_id, table_id))

· 通過SQL語句讀取BigQuery中block表的數(shù)據(jù)并進(jìn)行統(tǒng)計(jì)計(jì)算。這里我們以計(jì)算stake weight為例，其計(jì)算公式可以表示為：

對應(yīng)的SQL語句和在圖形界面的執(zhí)行效果如下：

SELECT

SUM( block_difficulty ) * 16 * (1<<32) /(MAX( block_time )-MIN( block_time ) + 144) AS stake_weight,

DATE_FROM_UNIX_DATE(CAST(FLOOR(block_time/(3600*24)) AS INT64)) AS day_num

FROM `data-service-232303.qtum_data.block`

GROUP BY day_num

可視化

可視化部分由Flask和React兩部分組成，最終展示結(jié)果如下圖。Flask從Redis獲取數(shù)據(jù)并通過HTTP JSON接口返回給前端。前端通過在React框架中嵌入的Echarts工具，用來展示數(shù)據(jù)。最終效果如下圖：

可視化部分處理步驟如下：

1.在瀏覽器中打開地址(https://chart.qtum.info/)，前端向接口發(fā)起請求。接口代碼如下：

# parameter key, for example：username = 'block_size'

# api：http://127.0.0.1:23456/api/block_size

@app.route('/api/')

def get_each_data(username):

...

x, y = get_data_from_redis(username)

if len(x) > 0:

print('Total :'+str(len(x)))

result = {

'success': True,

'msg': '',

'data': {

"title": input_dic[username]['title'],

"desc": input_dic[username]['desc'],

"unit": input_dic[username]['unit'],

"x": x,

"y": y

}

...

return jsonify(result)

2.獲取接口返回的數(shù)據(jù)之后，通過Echarts工具展示在瀏覽器中。Echarts示例代碼如下：

# parameter key, for example：key = "block_size"

showChart = (key) => {

fetch(`/api/${key}`)

.then(function (res) {

return res.json();

})

.then(function (res) {

...

xAxis: {

data: res.data.x

yAxis: {

name: res.data.unit

...

}

4. 總結(jié)

此次Qtum量子鏈基于谷歌的BigQuery搭建的數(shù)據(jù)工具，展示了一種新的合作可能性，幫助更多用戶不僅僅通過區(qū)塊鏈瀏覽器去查詢交易，而是從更加宏觀的視角幫助普通用戶挖掘真正的數(shù)據(jù)價(jià)值。這也會(huì)使得監(jiān)管等機(jī)構(gòu)更好的理解區(qū)塊鏈技術(shù)的未來數(shù)據(jù)價(jià)值，使得區(qū)塊鏈技術(shù)進(jìn)一步主流化，合規(guī)化。

系統(tǒng)的前端為React框架，編程語言為HTML，JavaScript和CSS，后端為輕量級Python框架Flask，接口，數(shù)據(jù)處理和定時(shí)任務(wù)也都是由Python編寫。點(diǎn)擊鏈接即可查看Qtum鏈上實(shí)時(shí)動(dòng)態(tài)數(shù)據(jù)：https://chart.qtum.info/

5. 下一步計(jì)劃

隨著區(qū)塊鏈行業(yè)各種公有鏈項(xiàng)目的不斷發(fā)展，積累了大量的交易和區(qū)塊數(shù)據(jù)。由于鏈上數(shù)據(jù)的透明性，區(qū)塊鏈技術(shù)將面臨用戶隱私泄露、非法金融活動(dòng)等問題，我們從以下幾個(gè)方向來作為下一步計(jì)劃：

1. 隱私泄漏分析：通過實(shí)體識別和身份識別來分析區(qū)塊鏈用戶是否有隱私泄漏風(fēng)險(xiǎn)

2. 網(wǎng)絡(luò)畫像：通過對區(qū)塊鏈的活躍度畫像，服務(wù)畫像和網(wǎng)絡(luò)特性畫像從宏觀的角度對區(qū)塊鏈網(wǎng)絡(luò)的運(yùn)行狀態(tài)、規(guī)律、機(jī)制進(jìn)行分析，從而更好的理解區(qū)塊鏈網(wǎng)絡(luò)中用戶的活動(dòng)情況

3. 市場效應(yīng)分析：分析礦工，系統(tǒng)，用戶，政策，事件，競爭等因素對市場的影響

4. 交易模式識別：對洗錢、詐騙等犯罪活動(dòng)的特定交易模式進(jìn)行分析，盡可能多的對交易模式進(jìn)行識別

5. 非法行為檢測與分析：在成功識別交易模式之后，通過技術(shù)手段來幫助政府追溯非法行為發(fā)生的源頭[4](Qtum)