Эмпирический анализ кампании эгоистичного майнинга Qubic в сети Monero: стратегия, доказательства и экономическое воздействие

Содержание

1. Введение и обзор

В августе 2025 года сеть Monero пережила серьёзный инцидент безопасности, когда майнинг-пул Qubic публично объявил и провёл кампанию «эгоистичного майнинга», позиционируя её как демонстрацию потенциального захвата 51% сети. В данной статье представлен строгий эмпирический анализ этой кампании. Объединив данные блокчейна Monero с данными API пула Qubic, авторы реконструировали активность майнинга Qubic, выявили десять различных интервалов, соответствующих стратегиям эгоистичного майнинга, и оценили экономические последствия и последствия для безопасности. Вопреки рекламному нарративу Qubic, анализ показывает, что кампания была в основном убыточной по сравнению с честным майнингом, не достигла устойчивого контроля в 51% и продемонстрировала практические ограничения теоретических моделей атак.

2. Методология и сбор данных

Эмпирическое исследование столкнулось со значительными трудностями из-за функций конфиденциальности Monero, которые скрывают прямую атрибуцию майнеров/пулов в блоках. Методология исследования является краеугольным камнем его вклада.

2.1 Источники данных и реконструкция

Авторы запустили обрезающий узел Monero для захвата канонической цепочки и временных меток блоков. Одновременно они собирали уведомления о заданиях на майнинг в реальном времени из публичного API пула Qubic. Сопоставляя сложность задания, временные метки и последующие найденные в цепочке блоки, они восстановили временную шкалу блоков, которые с высокой вероятностью были добыты Qubic.

2.2 Эвристики атрибуции

Без явных идентификаторов атрибуция блоков основывалась на эвристиках. Основной метод включал анализ времени: если блок был добыт вскоре после того, как API Qubic транслировал новое задание соответствующей сложности, он приписывался пулу. Это позволило оценить эффективный хешрейт Qubic и выявить потенциальные периоды удержания блоков, указывающие на эгоистичный майнинг.

3. Эмпирические результаты и анализ

3.1 Доля хешрейта и интервалы атаки

Анализ выявил десять конкретных временных интервалов, в течение которых поведение Qubic отклонялось от честного майнинга. В эти интервалы средняя доля хешрейта Qubic резко возрастала до диапазона 23–34%, что значительно выше базового уровня. Однако данные чётко показывают, что пул так и не достиг устойчивого хешрейта >50%, необходимого для классической атаки 51%. Атака проводилась всплесками, а не как непрерывное нападение.

3.2 Анализ доходности в сравнении с честным майнингом

Ключевой экономический вывод заключается в том, что стратегия эгоистичного майнинга Qubic была убыточной. В большинстве анализируемых периодов доход, полученный от кампании эгоистичного майнинга, был ниже ожидаемого дохода, который пул получил бы при честном майнинге. Это прямо противоречит потенциальному преимуществу, обещанному классической теорией эгоистичного майнинга при определённых условиях.

4. Техническое моделирование и концепция

4.1 Классическая и модифицированная модель эгоистичного майнинга

Исследование оценивает действия Qubic на основе двух моделей: классической модели эгоистичного майнинга (Eyal and Sirer, 2014) и модифицированной модели на основе цепей Маркова. Авторы заметили, что Qubic не следовал оптимальной стратегии классической модели, вероятно, из-за практических соображений, таких как сетевая задержка и риск быть обнаруженным. Вместо этого они использовали более «консервативную стратегию публикации», публикуя приватные блоки раньше теоретического оптимума, чтобы не потерять их в пользу публичной цепочки.

4.2 Математическая формулировка

Стратегию эгоистичного майнинга можно смоделировать как конечный автомат. Пусть $\alpha$ — доля хешрейта атакующего, а $\gamma$ — вероятность того, что атакующий выиграет гонку, когда его приватная цепочка и публичная цепочка имеют одинаковую длину. Классическая модель определяет состояния, представляющие отрыв приватной цепочки атакующего. Ожидаемый относительный доход $R$ атакующего является функцией $\alpha$ и $\gamma$. Модифицированная модель в данной статье корректирует вероятности переходов между состояниями, чтобы учесть консервативную политику публикации, что фактически снижает потенциальный доход атакующего. Ключевое неравенство из классической модели гласит, что эгоистичный майнинг прибылен, когда $\alpha > \frac{1-2\gamma}{3-4\gamma}$. Для типичного $\gamma \approx 0.5$ (справедливая сеть) порог составляет $\alpha > \frac{1}{3}$. Выведенные параметры Qubic в большинстве интервалов находились вблизи или ниже этого порога, особенно с учётом консервативной стратегии, что объясняет отсутствие прибыльности.

5. Результаты и интерпретация

5.1 Наблюдаемая vs. прогнозируемая доходность

Данные в основном подтвердили прогноз как классической, так и модифицированной моделей: эгоистичный майнинг не был прибыльным для Qubic при наблюдаемых уровнях хешрейта и выбранной стратегии. Однако в статье отмечаются «заметные отклонения» от прогнозируемой кривой доходности. Авторы объясняют это расхождение двумя основными факторами: 1) Временнóй хешрейт: Доля Qubic не была постоянной, а колебалась, что снижало точность статических предположений модели. 2) Крупнозернистая сегментация атаки: Атака не была плавным, оптимальным процессом, а проводилась отдельными, неоптимальными фазами.

5.2 Влияние на сеть и стабильность

Хотя кампания была экономически неэффективна для Qubic, она вызвала измеримую нестабильность в цепочке Monero. Уровень сиротских блоков (блоков, добытых, но не включённых в каноническую цепочку) и наличие конкурирующих форков цепочки были выше в периоды атак. Это подтверждает, что даже неудачная попытка эгоистичного майнинга может ухудшить надёжность сети и уверенность в подтверждениях.

6. Ключевое аналитическое заключение: деконструкция в четыре этапа

Ключевое заключение: Кампания Qubic была скорее не сложной атакой, а дорогостоящим и шумным доказательством концепции, которое в конечном итоге подтвердило устойчивость консенсуса Накамото в Monero в реальных условиях, одновременно обнажив огромный разрыв между чистой теорией криптографии и грязной реальностью живых сетей.

Логическая цепочка: Статья блестяще прослеживает путь от хайпа к реальности. Qubic рекламировал «захват 51%», используя пугающий призрак теории эгоистичного майнинга. Однако криминалистическая работа авторов с данными раскрывает другую историю: хешрейт никогда не переходил критический порог, а реализованная стратегия была разбавленной, избегающей рисков версией оптимальной атаки. Логический вывод неизбежен — кампания была стратегическим и экономическим провалом, но ценным эмпирическим источником данных.

Сильные стороны и недостатки: Сила исследования — в его методологической строгости в области, страдающей от непрозрачности данных. Создание надёжного набора данных для атрибуции майнинга в Monero является значительным вкладом, аналогичным прорывам, основанным на данных, в анализе MEV в Ethereum. Недостаток, который признают авторы, — это присущая эвристикам атрибуции неопределённость. Могли ли некоторые блоки «Qubic» принадлежать другим майнерам? Эта неопределённость слегка размывает точность расчётов доходности. Кроме того, хотя они адаптируют модель эгоистичного майнинга, анализ можно углубить, включив более продвинутые концепции, такие как «упрямый майнинг» (Nayak et al., 2016), или влияние комиссий за транзакции, что актуально в условиях динамического вознаграждения за блок в Monero.

Практические выводы: Для разработчиков протоколов это пример скрытой устойчивости. Алгоритм RandomX Monero и сетевая задержка, хотя и не были разработаны как средства защиты от эгоистичного майнинга, создали враждебную среду для прибыльности атаки. Будущие дизайны PoW должны учитывать явные механизмы, такие как «Forward Block-Withholding Accountability», предложенная Gervais et al. в их статье CCS '16. Для майнинг-пулов урок ясен: выполнение теоретически прибыльной атаки на практике сопряжено со скрытыми издержками и рисками, что делает честное сотрудничество более стабильной стратегией получения дохода. Для сообщества этот инцидент подчёркивает необходимость прозрачных, независимых от пулов инструментов мониторинга — общественного блага, созданию которого способствует опубликованный в этой статье набор данных.

7. Будущие направления и перспективы исследований

Данное исследование открывает несколько направлений для будущей работы. Во-первых, разработка более надёжных и универсальных методов атрибуции блоков для приватных криптовалют имеет решающее значение для постоянного мониторинга безопасности. Во-вторых, в этой области необходимо больше эмпирических исследований других потенциальных отклонений в PoW, таких как атаки time-bandit или эксплуатация задержек консенсуса, чтобы получить всестороннее понимание реальных угроз. В-третьих, растёт потребность в моделировании и анализе гибридных атак, сочетающих эгоистичный майнинг с другими векторами, такими как цензура транзакций или попытки двойной траты в условиях сохранения конфиденциальности. Наконец, уроки эгоистичного майнинга в PoW должны информировать анализ безопасности новых механизмов консенсуса Proof-of-Stake и гибридных механизмов, где могут быть сформулированы аналогичные атаки с удержанием «стейкинга» или «валидации».

8. Ссылки

1. I. Eyal and E. G. Sirer, "Majority is not enough: Bitcoin mining is vulnerable," in Proceedings of the 2014 International Conference on Financial Cryptography and Data Security (FC), 2014.
2. K. Nayak, S. Kumar, A. Miller, and E. Shi, "Stubborn mining: Generalizing selfish mining and combining with an eclipse attack," in Proceedings of the 2016 IEEE European Symposium on Security and Privacy (EuroS&P), 2016.
3. A. Gervais, G. O. Karame, K. Wüst, V. Glykantzis, H. Ritzdorf, and S. Capkun, "On the security and performance of proof of work blockchains," in Proceedings of the 2016 ACM SIGSAC Conference on Computer and Communications Security (CCS), 2016.
4. Monero Project. "RandomX." [Online]. Available: https://github.com/tevador/RandomX
5. Qubic Pool. "Public API Documentation." (Accessed via the study).
6. J.-Y. Zhu, T. Park, P. Isola, and A. A. Efros, "Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks," in Proceedings of the IEEE International Conference on Computer Vision (ICCV), 2017. (Cited as an example of a seminal paper that established a new empirical benchmark and framework, analogous to the goal of this work in blockchain security).