موردی از پول الکترونیکی بانک مرکزی و موردی غیر رسمی برای ارزهای دیجیتال بانک مرکزی

The Case for Central Bank Electronic Money and the Non-case for Central Bank Cryptocurrencies

1- ساختار کنترلی اعتبارات
2- پرونده پول الکترونیکی بانک مرکزی
3- مورد غیرمجاز برای اعتبارات ارز رمزنگاری‌شده بانک مرکزی
4- نتیجه‌گیری
یادداشت‌ها
منابع

ما ارزهای مختلف را با توجه به ساختار سیاست‌گذاری و کنترلی آن‌ها و با تمرکز و توجه برروی ارزهای رمزنگاری‌شده‌ای مانند بیت‌کوین و پول‌های بدون‌پشتوانه که توسط دولت‌ها خلق می‌شود، شناسایی می‌کنیم. سپس استدلال می‌آوریم که تقاضای برآورده‌نشده و بالقوه زیادی برای دارایی‌های با قابلیت نقدشوندگی بالقوه وجود دارد که به خانوارها و بنگاه‌ها این اجازه را می‌دهد که از خارج از ساختار مالی بخش خصوصی پس‌انداز کنند. بانک‌های مرکزی می‌توانند با استفاده از چنین دارایی‌ای به سادگی به خانوارها و شرکت‌ها اجازه دهند تا آن‌ها حساب بانکی باز و فعال داشته باشند. درنهایت اینکه نتیجه می‌گیریم که یک بانک مرکزی به ارزهای رمزنگاری شده به معنای یک دارایی واقعاً غیرمتمرکز و بدون نیاز به مجوز که به کاربران اجازه می‌دهد ناشناس بمانند، اجازه صدور نخواهد داد. 

2- پرونده پول الکترونیکی بانک مرکزی
هر شکلی از پول مزایا و معایب خود را دارد. به‌همین دلیل بسیاری از اشکال پول در کنار هم زندگی می‌کنند. مزایای پول نقد این است که استفاده‌کننده از آن می‌تواند ناشناس بماند و دسترسی بدون مجوز به سیستم پرداخت نقدی وجود دارد. به ویژه کاربران برای استفاده از پول نقد نیازی به بازکردن حساب‌های بانکی ندارند. به‌علاوه ماهیت غیرمتمرکز معاملات نقدی، سیستم پرداخت نقدی را بسیار مقاوم می‌کند. ازبین بردن آن با حمله به زیرساخت‌های پرداخت امکان‌پذیر نیست و مردم برای شرکت در این زمینه نیازی به انجام هیچ پیش‌شرطی ندارند. در مقابل سیستم‌های پرداخت متمرکز آسیب‌پذیر هستند: در صورت حمله به پردازنده پرداخت متمرکز، کل سیستم می‌تواند متوقف شود و از کار بیفتد (5).

وجه نقد یک مزیت مهم دیگر نیز دارد. با پول نقد رابطه اعتباری وجود ندارد. هر بدهی بلافاصله تسویه می‌شود. بنابراین هیچ خطری از طرف مقابل وجود ندارد، معاملات نهایی هستند و افراد حتی اگر به یکدیگر اعتماد نکنند، می‌توانند تجارت کنند (6). در مقابل پول الکترونیکی امروز (سپرده‌های دیداری که توسط بانک‌های تجاری صادر می‌شود) شامل خطر طرف مقابل است. سپرده‌های بانکی تجاری مجازی‌سازی ادعاهای اداری واحدهای پولی فیزیکی (وجه نقد) است. این قضیه به معنای ساده به این معنی است که سپرده‌های بانکی به پشتوانه ناشر آن هستند و مشتریان بانکی که سپرده‌های بانکی دارند اعتبار خود را به بانک مربوطه ارائه می‌دهند. وجه نقد این ضرر را دارد که خریدار و فروشنده باید از نظر جسمی در یک مکان حضور داشته باشند که استفاده از آن را برای تجارت آنلاین را غیرعملی می‌سازد. سود پول مجازی مانند سپرده‌های بانکی تجاری دقیقاً این است که امکان پرداخت در میان کارگزارانی را فراهم می‌کند که ازنظر جسمی از هم جدا شده‌اند. به همین ترتیب پول مجازی فرصت‌های جدید تجاری را امکان‌پذیر می‌کند.

وجه نقد همچنین تنها دارایی نقدینگی برای پس‌انداز خارج از سیستم مالی خصوصی است. منظور ما از نقدشونده، دارایی‌ای است که می‌تواند مستقیماً با کالاها و خدمات مبادله شود. به عنوان مثال طلا همچنین وسیله‌ای برای پس‌انداز در خارج از سیستم مالی خصوصی است. با این حال طبق تعریف ما، این مایع نیست زیرا نمی‌تواند مستقیماً با کالاها و خدمات مبادله شود (در بیشتر موارد) (7).

پیش بینی قیمت بیت کوین با استفاده از یادگیری ماشین: رویکردی برای مهندسی ابعاد نمونه

Bitcoin price prediction using machine learning: An approach to sample dimension engineering

چکیده

1. مقدمه

2. آثار مرتبط

3. طرح مسئله و روش شناسی

3.1 طرح مسئله

3.2 مهندسی و ارزیابی ویژگی ها

4. اجرا

4.1. طراحی تجربی

4.2. الگوریتم های یادگیری ماشین

4.3.تنظیم پارامترها و ترکیب بندی

5 نتایج

6. نتیجه گیری و بحث

چکیده

پس از فراز و فرودهای قیمت های ارزهای رمزنگاری شده در سال های اخیر، بیت کوین به صورت فزاینده ای به عنوان یک دارایی برای سرمایه گذاری در نظر گرفته شده است. به خاطر ماهیت بسیار بی ثبات آن، لازم است تا پیش بینی های مناسبی صورت گیرد تا، بر اساس آن، بتوان در مورد سرمایه گذاری تصمیم گیری نمود. با وجودی که تحقیقات فعلی برای پیش بینی دقیق تر بهای بیت کوین از یادگیری ماشین بهره برداری کرده اند، تعداد اندکی از آنها به امکان استفاده از تکنیک های مختلف مدل سازی برای نمونه هایی با ساختار داده ای و ویژگی های بعدی مختلف توجه کرده اند. به منظور پیش بینی بهای بیت کوین در فرکانس های مختلف با استفاده از تکنیک های یادگیری ماشین، ابتدا قیمت بیت کوین را بر اساس قیمت روزانه و قیمت فرکانس بالا طبقه بندی می کنیم. مجموعه ای از ویژگی های با ابعاد بالا از جمله دارایی و شبکه، معاملات و بازار، توجه و قیمت لحظه ای طلا برای پیش بینی قیمت روزانه بیت کوین استفاده می شود، در حالی که ویژگی های اصلی تجارت که از تبادل ارز رمزنگاری شده حاصل شده اند، برای پیش بینی قیمت در فواصل 5 دقیقه ای استفاده می شوند. روشهای آماری شامل رگرسیون لجستیک و آنالیز افتراقی خطی برای پیش بینی قیمت روزانه بیت کوین با ویژگی های ابعاد بالا، به دقت 66٪ رسیده و از الگوریتم های یادگیری پیچیده تر ماشین پیشی می گیرند. در مقایسه با نتایج مبنا برای پیش بینی قیمت روزانه، با بالاترین دقت در روش های آماری و الگوریتم های یادگیری ماشینی، به ترتیب 66٪ و 3/65٪، به عملکرد بهتری دست پیدا می کنیم. مدلهای یادگیری ماشینی، شامل جنگل تصادفی  ،XGBoost، آنالیز افتراقی درجه دو، ماشین بردار پشتیبان و حافظه کوتاه مدت بلند برای پیش بینی قیمت 5 دقیقه ای بیت کوین که دقت آنها به 67.2% رسیده است، از روشهای آماری بهتر هستند. بررسی ما در مورد پیش بینی قیمت بیت کوین را می توان مطالعه ای مقدماتی در مورد اهمیت ابعاد نمونه در تکنیک های یادگیری ماشین در نظر گرفت.

1. مقدمه

بیت کوین که در سال 2008 برای حل ضعف ذاتی مدل مبتنی بر اعتماد معاملات ابداع و در ابتدا به عنوان یک سیستم نقدی الکترونیکی کاملاً همتا تعریف شد، به یک دارایی یا محصولی مانند کالا تبدیل شده است که در بیش از 16000 بازار در سراسر جهان مبادله تجارت می شود. اگرچه طرفداران آن معتقدند که یکی از مهمترین کاربردهای بیت کوین قرار گرفتن در جایگاه ارز بی پشتوانه است، ماهیت واقعی بیت کوین همچنان مسئله ای آزار دهنده است. با توجه به معیارهای استفاده شده توسط اقتصاددانان، سرمایه گذاران بیت کوین را به عنوان ارز در نظر نمی گیرند؛ در عوض، آنها بیت کوین را یک سرمایه گذاری نامطمئن شبیه به سهام اینترنت در قرن گذشته می دانند. قبل از اینکه بیت کوین سیستم های پرداخت و پولی موجود را مختل کند، تجارت چندین ساله و افزایش محبوبیت آن ، مورد توجه جامعه از جمله سیاست گذاران قرار گرفت و اوج سرمایه گذاری بازار بیت کوین، در سال 2017، به 300 میلیارد دلار آمریکا رسید که تقریبا برابر با آمازون  در سال 2016 بود. 

6. نتیجه گیری و بحث

در این مطالعه، تکنیک های یادگیری ماشینی بر اساس ویژگی ها و ابعاد نمونه برای پیش بینی قیمت بیت کوین بررسی شده است. در حالی که بیشتر آثار قبلی تنها از الگوریتم های یادگیری ماشین در پیش بینی قیمت بیت کوین بهره می گیرند ، ما نشان می دهیم که دانه بندی و ابعاد ویژگی نمونه باید در نظر گرفته شود. قیمت روزانه جمع شده بیت کوین، که از CoinMarketCap به دست آمده، گنجاندن ویژگی های با ابعاد بالا از جمله دارایی و شبکه، تجارت و بازار، توجه و قیمت لحظه ای طلا را تسهیل می کند. قیمت معاملات 5 دقیقه ای بیت کوین با ویژگی های موجود در بورس Binance تسهیل می شود. با استفاده از الگوریتم های یادگیری ماشین، و بر اساس اصل تیغ اوکام و الگوریتم های اعمال شده در مشکلات پیش بینی عملی، روش های آماری را برای پیش بینی قیمت روزانه بیت کوین و مدلهای یادگیری ماشین برای پیش بینی قیمت بیت کوین در فواصل 5 دقیقه ای اتخاذ کردیم. نتایج نشان می دهد که روش های آماری برای داده های با فرکانس پایین و دارای ویژگی های بعدی بسیار بهتر عمل می کنند، در حالی که مدل های یادگیری ماشین نسبت به روش های آماری برای داده های با فرکانس بالا  بهتر هستند. بیشتر نتایج ما از نتایج معیار سایر الگوریتم های یادگیری ماشین نیز فراتر است. ما پیش بینی می کنیم که رویکرد ما در مهندسی ابعاد نمونه برداری با استفاده از مدلهای یادگیری ماشینی برای پیش بینی می تواند برای سایر حوزه هایی که دارای خصوصیات مشابه بیت کوین هستند، اعمال شود.

Abstract

After the boom and bust of cryptocurrencies’ prices in recent years, Bitcoin has been increasingly regarded as an investment asset. Because of its highly volatile nature, there is a need for good predictions on which to base investment decisions. Although existing studies have leveraged machine learning for more accurate Bitcoin price prediction, few have focused on the feasibility of applying different modeling techniques to samples with different data structures and dimensional features. To predict Bitcoin price at different frequencies using machine learning techniques, we first classify Bitcoin price by daily price and high-frequency price. A set of high-dimension features including property and network, trading and market, attention and gold spot price are used for Bitcoin daily price prediction, while the basic trading features acquired from a cryptocurrency exchange are used for 5-minute interval price prediction. Statistical methods including Logistic Regression and Linear Discriminant Analysis for Bitcoin daily price prediction with high-dimensional features achieve an accuracy of 66%, outperforming more complicated machine learning algorithms. Compared with benchmark results for daily price prediction, we achieve a better performance, with the highest accuracies of the statistical methods and machine learning algorithms of 66% and 65.3%, respectively. Machine learning models including Random Forest, XGBoost, Quadratic Discriminant Analysis, Support Vector Machine and Long Short-term Memory for Bitcoin 5-minute interval price prediction are superior to statistical methods, with accuracy reaching 67.2%. Our investigation of Bitcoin price prediction can be considered a pilot study of the importance of the sample dimension in machine learning techniques.

1. Introduction

Bitcoin, invented in 2008 to solve the inherent weakness of the trust-based model of transactions and initially defined as a purely peer-to-peer electronic cash system [1], has become an asset or commodity-like product traded in more than 16,000 markets around the world.1 Although proponents hold that one of Bitcoin’s important application is to take the place of fiat currency, the true nature of Bitcoin remains a vexing problem. Investors do not treat Bitcoin as a currency according to the criteria used by economists; instead, they regard Bitcoin as a speculative investment similar to the Internet stocks of the last century [2]. Before Bitcoin disrupted existing payment and monetary systems, its several-year trading and increasing popularity attracted attention from across society, including from policymakers, and the peak of Bitcoin’s market capitalization in 2017 reached 300 billion US dollars, almost equal to that of Amazon in 2016.

6. Conclusion and discussion

In this study, we investigated machine learning techniques based upon sample characteristics of sample and dimension to predict Bitcoin price. While most previous works simply leverage machine learning algorithms in Bitcoin price prediction, we show that the sample’s granularity and feature dimensions should be considered. The Bitcoin aggregated daily price, acquired from CoinMarketCap, facilitates the inclusion of high-dimensional features, including property and network, trading and market, attention and gold spot price. The Bitcoin 5-minute interval trading price is facilitated by features from the Binance exchange. Based on the Occam’s razor principle and the paradigms applied in practical prediction problems using machine learning algorithms, we adopted statistical methods for Bitcoin daily price prediction and machine learning models for Bitcoin 5-minute interval price prediction. The results show that the statistical methods perform better for low-frequency data with high-dimensional features, while the machine learning models outperform statistical methods for high-frequency data. Most of our results also outperform the benchmark results of other machine learning algorithms. We envision that our approach to sampling dimension engineering using machine learning models for the prediction can be applied to other areas that have similar characteristics to Bitcoin.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

پیش بینی قیمت بیت کوین با استفاده از یادگیری ماشین: رویکردی برای مهندسی ابعاد نمونه

Bitcoin price prediction using machine learning: An approach to sample dimension engineering

متغیرهای تاثیرگذار بر استفاده از رمزارزها: یک مدل پذیرش فناوری در اسپانیا

Variables Influencing Cryptocurrency Use: A Technology Acceptance Model in Spain

مقدمه

مروری بر مقالات

موضوعات و روشها

جمع آوری داده‌ها

مقیاس‌های اندازه گیری

مشخصات نمونه

متدولوژی آماری

نتایج

تحلیل مدل اندازه گیری

مدل توضیحی قصد استفاده از ارزهای رمزی (تحلیل مدل ساختاری)

بحث و نتیجه گیری

منابع

رمزی درست همانطور که اینترنت نحوه ارتباطات ما را متحول ساخته، در نحوه انجام معاملات تحولات چشمگیری ایجاد خواهد کرد. در حال حاضر بیش از 2،000 ارز رمزی در بازار عرضه می‌شوند، و بسیاری موارد دیگر در عرضه اولیه سکه برای استفاده به عنوان یک روش مبادله در یک اکوسیستم تجاری خاص و یا به عنوان حقوق دارایی‌ها یا بدهی‌ها، وارد بازار می‌شوند. ارزهای رمزی به عنوان یک فن آوری مالی نوظهور، فرصت‌های زیادی را ایجاد می‌کنند، اما ممکن است چالشها و محدودیتهای قابل توجهی را نیز  بوجود آورند. این مقاله، عوامل اصلی توسعه موفقیت آمیز یک ارز رمزی را از دیدگاه رفتار مصرف کننده مورد تجزیه و تحلیل قرار می‌دهد. ما با استفاده از یک چارچوب نظری پذیرش فن آوری، مدلی را بررسی می‌کنیم كه تقریباً می‌تواند 85٪ از موارد قصد استفاده از ارزهای رمزی را توضیح دهد. با کمال تعجب، ریسک عامل مهمی نبود. این امر ممکن است به این دلیل باشد که بیشتر پاسخ دهندگان استفاده از ارزهای رمزی را پرمخاطره می‌دانند. عدم تغییرپذیری در پاسخ آنها به سؤالات در مورد ریسک ادراک شده، می‌تواند توضیحی برای این عدم وجود قدرت تبیین باشد. با این حال، تمایل به مدیریت خطر ارز رمزی می‌تواند یک پیش شرط برای پذیرش آن باشد. پیش بینی عملکرد برای یک ارز رمزی معین، مهم‌ترین عامل موفقیت آن بود. این تحقیق در اسپانیا بر روی افراد دارای تحصیلات دانشگاهی که از  دانش پایه اینترنت برخوردار بودند انجام شد. 

بحث و نتیجه گیری

این تحقیق به دنبال بررسی یک مدل توضیحی از قصد استفاده از فن آوری جدید مالی یعنی ارزهای رمزی مبتنی بر بلاکچین بوده است. مدل ارائه شده بر مبنای متغیرهای مدلهای پذیرش فن آوری UTAUT می‌باشد. ریسک ادراک شده و سواد مالی نیز به عنوان متغیرهای خاص مورد استفاده در تجزیه و تحلیل پذیرش فن آوری مالی افزوده شدند. مدل پیشنهادی 84.8٪ واریانس را در قصد استفاده توضیح می‌دهد.

نتایج حاکی از آن است که متغیرهایی که بیشترین قدرت تبیین برای قصد یک سرمایه گذار برای استفاده از ارزهای رمزی را دارند، عبارتند از امید به عملکرد ( 68.45% از واریانس توضیح داده شده برای قصد استفاده) و شرایط تسهیل کننده (14.81%). امید به تلاش نیز دارای قدرت تبیین قابل توجهی بود، اما تأثیر کمتری داشت (4.99%). بقیه متغیرها (نفوذ اجتماعی، ریسک ادراک شده و سواد مالی) تأثیر قابل توجهی نداشتند (مقدار احتمال >0.1).

The first commercial transaction with the first cryptocurrency in 2010 marked the start of a revolution in transactions. Blockchain and cryptocurrencies will dramatically transform how we do transactions, just as the Internet revolutionized how we communicate. Currently, more than 2,000 cryptocurrencies are quoted on the market, and many more are being launched in initial coin offerings for use as an exchange method in a specific business ecosystem or as rights to assets or liabilities. As an emerging fintech, cryptocurrencies open up many opportunities, but they also pose significant challenges and limitations. This paper analyzes the key factors for the successful development of a cryptocurrency from a consumer-behavior perspective. Using a technology acceptance theoretical framework, we test a model able to explain almost 85% of the intention to use cryptocurrencies. Surprisingly, risk was not a significant factor. This could be because most of the respondents considered operating with cryptocurrencies to be risky; the lack of variability in their responses to the questions about perceived risk would explain this lack of explanatory power. However, willingness to manage cryptocurrency risk could be a precondition for adoption. The performance expectancy for a given cryptocurrency was the most important factor for its success. The research was conducted in Spain with college-educated adults with basic knowledge of the Internet.

DISCUSSION AND CONCLUSION

This research sought to test an explanatory model of the intention to use a new financial technology, namely, blockchain-based cryptocurrencies. The proposed model was based on variables from UTAUT technology acceptance models. Perceived risk and financial literacy were also added, as variables specifically used in the analysis of fintech acceptance. The proposed model explains 84.8% of the variance in the intention to use.

The results indicate that the variables with the greatest explanatory power for an individual investor’s intention to use cryptocurrencies are performance expectancy (explained 68.45% of the variance in the intention to use) and facilitating conditions (14.81%). Effort expectancy also had significant explanatory power, but the influence was smaller (4.99%). The remaining variables (social influence, perceived risk, and financial literacy) did not have a significant influence (p-value > 0.1).

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

متغیرهای تاثیرگذار بر استفاده از رمزارزها: یک مدل پذیرش فناوری در اسپانیا

Variables Influencing Cryptocurrency Use: A Technology Acceptance Model in Spain

رفع ابهام از بیت کوین: پرده برداری از اسطوره ارز دیجیتال

The disenchantment of Bitcoin: unveiling the myth of a digital currency

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

رفع ابهام از بیت کوین: پرده برداری از اسطوره ارز دیجیتال

The disenchantment of Bitcoin: unveiling the myth of a digital currency

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

به کیف پول خود اعتماد کنید: یک معماری جدید برای کیف پول آنلاین برای بیت کوین

Trust Your Wallet: a New Online Wallet Architecture for Bitcoin

چکیده
1- مقدمه
2- معماری متداول کیف پول آنلاین
3- جزئیات کیف پول HA-eWallet
A- مروری بر کیف پول HA-eWallet
B- مدل های کاری
C- مدل Live-Detection
4- بحث
A- قابلیت دسترسی در HA-eWallet
B- مقیاس پذیری کیف پول HA-eWallet
C- امنیت کیف پول HA-eWallet
5- نتیجه گیری

چکیده

کیف پول آنلاین به روش مهمی برای مدیریت بیت کوین تبدیل شده است. کیف پول آنلاین کلید خصوصی را در یک تراکنش بیت کوین به طور خودکار مدیریت می کند و کلید خصوصی رمزنگاری شده را به صورت راه دور برای اطمینان از دسترسی به بیت کوین از هر جایی ذخیره می کند. در کیف پول آنلاین متداول، کلید خصوصی به طور متمرکز در یک واحد ذخیره سازی ذخیره می شود. با این حال، اگر این واحد ذخیره سازی دچار اختلال یا هک شود، آنگاه کاربران در معرض خطر از دست دادن بیت کوین های خود قرار می گیرند. این مقاله با توجه به این مساله معماری جدیدی را برای کیفت پول آنلاین پیشنهاد می دهد. در روش پیشنهادی HA-eWallet، تراکنش بیت کوین توسط چندین کلید خصوصی به جای یک کلید خصوصی امضاء می شود و این کلیدهای خصوصی به طور مجزا در محل های متفاوتی ذخیره می شوند. علاوه بر این، واحد سرویس دهی دومی را برای ساخت معماری فعال- فعال به منظور چرخش قابلیت و حجم معرفی می کنیم. همچنین استراتژی بازیابی فاجعه را در معماری پیشنهادی خود در ارتباط با هرگونه حادثه ای می پذیریم. با توجه به حالت های در حال اجرای هر واحد سرویس دهی، معماری HA-eWallet دارای سه مدل عملیاتی است و به خوبی می تواند این مدل ها را تغییر دهد. تحلیل های نظری و آزمایش ها نشان می دهد که معماری پیشنهادی می تواند به دسترسی بالاتری نسبت به معماری متداول کیف پول آنلاین دست یابد و کاربران در معرض خطر از دست رفتن بیت کوین های خود قرار نمی گیرند تا زمانی که تعداد کلیدهای خصوصی از دست رفته کمتر از 50 درصد تعداد تمامی کلیدهای خصوصی کاربران باشد.

5- نتیجه گیری

در این مقاله یک معماری با قابلیت دسترسی بالا از کیف پول آنلاین در بیت کوین به نام HA-eWallet پیشنهاد داده شده است. تراکنش بیت کوین در این معماری پیشنهادی می بایست توسط هر سه کلید خصوصی در عوض یک کلید خصوصی امضاء شود. علاوه بر این، کلیدهای خصوصی به طور مجزا در محل های متفاوتی ذخیره می شوند: سه کلید خصوصی در نود کاربر ذخیره می شوند در حالی که دو کلید خصوصی رمزنگاری شده دیگر در واحدهای سرویس به طور مجزا ذخیره می شوند. مطابق با مکانیزم چند امضایی، اگرچه هر دو کلید خصوصی در ارائه دهندگان کیف پول انلاین توسط مهاجمان به سرقت می رود یا شکسته می شود اما آن ها نمی تواند امضاء بیت کوین کاربران را جعل کنند. علاوه بر این، هر واحد سرویس کیف پول آنلاین با مرکز بازیابی فاجعه مرتبط است و از کلیدهای خصوصی به سرعت بک آپ گیری می کند. به این ترتیب سیستم پیشنهادی همواره می تواند در دسترس باشد مگر آن که تمامی واحدهای سرویس و مرکز بازیابی فاجعه از کار بیافتند.

Abstract

Online wallet has become an important method to manage Bitcoin. In a Bitcoin transaction, online wallet manages the private key automatically, and stores the encrypted private key in remote to ensure the accessibility of Bitcoin anywhere. In the traditional online wallet, the private key is stored centrally in a storage unit. However, if the storage unit is collapsed or hacked, users will suffer the risk of losing their Bitcoins. Motivated by this, in this paper, we propose a new online wallet architecture: HA-eWallet. In HA-eWallet, the transaction of Bitcoin is signed by multiple private keys rather than one, and private keys are stored separately in different places. In addition, we introduce a second service unit to construct the Active-Active architecture to rotate the capability and workload. Besides, we adopt a disaster recovery strategy in our proposed architecture in case of any disaster. According to the running states of each service unit, HA-eWallet have three operation models, and can be switched smoothly. Theoretical analyses and experiments show that: HA-eWallet can achieve higher availability compared with the traditional online wallet architecture, and users will not suffer a loss as long as the number of lost private keys are less than 50% of the users’ total number of private keys.

V- CONCLUSION

In this paper, we propose a high availability architecture of online wallet in Bitcoin: HA-eWallet. In HA-eWallet, a Bitcoin transaction must be signed by any 3 private keys rather than one. Besides, the private keys are stored separately in different places: 3 private keys are stored in the user node, while the other 2 encrypted private keys are stored in the service units separately. According to the multi-signature mechanism, even though both of the two private keys in online wallet providers are stolen or cracked by attackers, they cannot forge a signature of the users’ Bitcoin. In addition, each online wallet service unit connects with the disaster recovery center, and backs up the private keys timely. In this way, our system can be always available unless all service units and the disaster recovery center fail.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

به کیف پول خود اعتماد کنید: یک معماری جدید برای کیف پول آنلاین برای بیت کوین

Trust Your Wallet: a New Online Wallet Architecture for Bitcoin