電子發(fā)燒友App
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(duì)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(jí)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(shí)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(duì)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(duì)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(duì)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(duì)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(duì)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/《username》’）
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(jí)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(shí)別和身份識(shí)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(duì)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(duì)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(duì)市場的影響
4. 交易模式識(shí)別：對(duì)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(duì)交易模式進(jìn)行識(shí)別
5. 非法行為檢測與分析：在成功識(shí)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
工商網(wǎng)監(jiān)
評(píng)論