以太坊经典网络双自私矿工策略的马尔可夫链模型与收益分析

doi:10.11772/j.issn.1001-9081.2025050596

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (5): 1526-1533.DOI: 10.11772/j.issn.1001-9081.2025050596

• 网络空间安全 • 上一篇

以太坊经典网络双自私矿工策略的马尔可夫链模型与收益分析

王俊岭, 边俊君(), 刘佳年, 徐志强

江西理工大学信息工程学院，江西赣州 341000

收稿日期:2025-05-30 修回日期:2025-08-11 接受日期:2025-08-20 发布日期:2025-09-05 出版日期:2026-05-10
通讯作者: 边俊君
作者简介:王俊岭（1976—），男，江苏东台人，副教授，博士，主要研究方向：网络空间安全、计算机视觉
刘佳年（2001—），男，甘肃武威人，硕士研究生，主要研究方向：移动机器人路径规划
徐志强（1987—），男，辽宁沈阳人，副教授，博士，主要研究方向：网络攻击检测与调查、主机日志分析、人工智能模型攻击与防御、数据挖掘、深度学习。
基金资助:
国家自然科学基金资助项目(62362038)

Markov chain model and profit analysis of two-selfish-miner strategy in ethereum classic network

Junling WANG, Junjun BIAN(), Jianian LIU, Zhiqiang XU

School of Information Engineering，Jiangxi University of Science and Technology，Ganzhou Jiangxi 341000，China

Received:2025-05-30 Revised:2025-08-11 Accepted:2025-08-20 Online:2025-09-05 Published:2026-05-10
Contact: Junjun BIAN
About author:WANG Junling， born in 1976， Ph. D.， associate professor. His research interests include cyberspace security， computer vision.
LIU Jianian，born in 2001， M. S. candidate. His research interests include path planning of mobile robots.
XU Zhiqiang， born in 1987， Ph. D.， associate professor. His research interests include network attack detection and investigation， host log analysis， artificial intelligence model attack and defense， data mining， deep learning.
Supported by:
National Natural Science Foundation of China(62362038)

摘要/Abstract

摘要：

自私挖矿通过隐蔽挖掘和延迟发布新区块，扰乱区块链网络的正常共识过程，导致分叉率上升和系统效率降低。为量化分析多攻击者环境下自私挖矿对以太坊经典（ETC）网络的影响，针对ETC网络中特有的叔块和侄块奖励机制，构建包含多攻击者交互的马尔可夫链模型，定量分析了不同场景下矿工群体的收益动态。实验结果表明，在攻击者算力达到0.3时，双自私矿池协同攻击使废块率从26.35%提升至36.21%，系统吞吐量（每秒交易量（TPS））从20.15降至16.44。与单自私矿工情形相比，该攻击策略进一步提升了攻击者的相对收益，同时加剧了诚实矿工收益受损、废块率上升以及系统效率下降等问题。研究结果揭示了多攻击者自私挖矿的复杂收益机制，为设计针对性防御策略提供了理论基础和量化依据。

关键词: 以太坊经典, 自私挖矿, 马尔可夫链, 叔块奖励, 区块链安全

Abstract:

Selfish mining disrupts the normal consensus process of blockchain networks by concealing mining and delaying the release of new blocks， resulting in increased fork rate and reduced system efficiency. To quantitatively analyze the impact of selfish mining on the EThereum Classic （ETC） network under a multi-attacker environment， a Markov chain model with multiple attackers was constructed aiming at the ETC network's unique uncle block and nephew block reward mechanism， and the revenue dynamics of miners under different scenarios were quantitatively analyzed. Experimental results show that when the attacker's computing power reaches 0.3， a coordinated attack by two selfish mining pools increases the stale block rate from 26.35% to 36.21% and reduces the system throughput （Transactions Per Second （TPS）） from 20.15 to 16.44. Compared with the case of a single-selfish-miner， this attack strategy further increases the attacker's relative revenue while exacerbating the problems of harming honest miners' revenue， increasing the stale block rate， and decreasing the system efficiency. The above reveals the complex revenue mechanism of multi-attacker selfish mining and provides a theoretical and quantitative basis for designing targeted defense strategies.

Key words: EThereum Classic (ETC), selfish mining, Markov chain, uncle block reward, blockchain security

中图分类号:

TP309

王俊岭, 边俊君, 刘佳年, 徐志强. 以太坊经典网络双自私矿工策略的马尔可夫链模型与收益分析[J]. 计算机应用, 2026, 46(5): 1526-1533.

Junling WANG, Junjun BIAN, Jianian LIU, Zhiqiang XU. Markov chain model and profit analysis of two-selfish-miner strategy in ethereum classic network[J]. Journal of Computer Applications, 2026, 46(5): 1526-1533.

图/表 15

图1 ETC网络中的叔块和侄块

Fig. 1 Uncle and nephew blocks in ETC network

图2 系统状态示例

Fig. 2 Examples of system status

图3 自私矿工模型情形1

Fig. 3 Scenario 1 of selfish miner model

图4 自私矿工模型情形2

Fig. 4 Scenario 2 of selfish miner model

图5 自私矿工模型情形3

Fig. 5 Scenario 3 of selfish miner model

图6 诚实矿工模型情形1

Fig. 6 Scenario 1 of honest miner model

图7 诚实矿工模型情形2

Fig. 7 Scenario 2 of honest miner model

图8 诚实矿工模型情形3

Fig. 8 Scenario 3 of honest miner model

图9 诚实矿工模型情形4

Fig. 9 Scenario 4 of honest miner model

图10 诚实矿工模型情形5

Fig. 10 Scenario 5 of honest miner model

图11 状态转移图

Fig. 11 State transition diagram

图12 验证Feng模型为本文模型的一个特例

Fig. 12 Verifying Feng's model is a special case of proposed model

图13 不同算力下自私矿池的相对收益与分叉率

Fig. 13 Relative revenues of selfish mining pools and fork rates under different computing power

图14 不同算力下单/双自私矿工的系统废块率与分叉率

Fig. 14 System stable block rates and fork rates of single/double selfish miners under different computing power

图15 不同算力下单/双自私矿工的系统吞吐率与分叉率

Fig. 15 System throughput and fork rates of single/double selfish miners under different computing power

参考文献 27

[1]	陈会云，陈建.区块链共识算法综述［J］.中国管理信息化，2024，27（10）：175-177.
	CHEN H Y， CHEN J. A review of blockchain consensus algorithms［J］. China Management Informationization， 2024， 27（10）： 175-177.
[2]	沈传年.区块链安全问题研究综述［J］.计算机工程与科学，2024，46（1）：46-62.
	SHEN C N. Review on security issues of blockchains［J］. Computer Engineering and Science， 2024， 46（1）： 46-62.
[3]	NAKAMOTO S. Bitcoin： a peer-to-peer electronic cash system［EB/OL］. ［2025-02-23］..
[4]	BUTERIN V. A next-generation smart contract and decentralized application platform［EB/OL］. ［2025-01-17］. .
[5]	MADHUSHANIE N， VIDANAGAMACHCHI S， ARACHCHILAGE N. Selfish mining attack in blockchain： a systematic literature review［J］. International Journal of Information Security， 2024， 23（3）： 2333-2351.
[6]	EYAL I， SIRER E G. Majority is not enough： bitcoin mining is vulnerable［C］// Proceedings of the 2014 International Conference on Financial Cryptography and Data Security， LNCS 8437. Berlin： Springer， 2014： 436-454.
[7]	NAYAK K， KUMAR S， MILLER A， et al. Stubborn mining： generalizing selfish mining and combining with an eclipse attack［C］// Proceedings of the 2016 IEEE European Symposium on Security and Privacy. Piscataway： IEEE， 2016： 305-320.
[8]	黄超，刘亚，唐伟明，等.区块链系统L-顽固策略的安全问题研究［J］.建模与仿真，2024，13（1）：576-587.
	HUANG C， LIU Y， TANG W M， et al. Researches on security issues of L-stubborn strategy in the blockchain system［J］. Modeling and Simulation， 2024， 13（1）： 576-587.
[9]	RITZ F， ZUGENMAIER A. The impact of uncle rewards on selfish mining in Ethereum［C］// Proceedings of the 2018 IEEE European Symposium on Security and Privacy Workshops. Piscataway： IEEE， 2018： 50-57.
[10]	FENG C， NIU J. Selfish mining in Ethereum［C］// Proceedings of the IEEE 39th International Conference on Distributed Computing Systems. Piscataway： IEEE， 2019： 1306-1316.
[11]	ZHEN Y， YUE M， CHEN Z Y， et al. Zero-determinant strategy for the algorithm optimize of blockchain PoW consensus［C］// Proceedings of the 36th Chinese Control Conference. Piscataway： IEEE， 2017： 1441-1446.
[12]	NEGY K A， RIZUN P R， SIRER E G. Selfish mining re-examined［C］// Proceedings of the 2020 International Conference on Financial Cryptography and Data Security， LNCS 12059. Cham： Springer， 2020： 61-78.
[13]	YANG R， CHANG X， MIŠIĆ J， et al. Assessing blockchain selfish mining in an imperfect network： honest and selfish miner views［J］. Computers and Security， 2020， 97： No.101956.
[14]	ALBRECHER H， GOFFARD P O. On the profitability of selfish blockchain mining under consideration of ruin［J］. Operations Research， 2022， 70（1）： 179-200.
[15]	BAI Q， XU Y， LIU N， et al. Blockchain mining with multiple selfish miners［J］. IEEE Transactions on Information Forensics and Security， 2023， 18： 3116-3131.
[16]	SARENCHE R， ZHANG R， NIKOVA S， et al. Selfish mining time-averaged analysis in bitcoin： is orphan reporting an effective countermeasure？［J］. IEEE Transactions on Information Forensics and Security， 2025， 20： 449-464.
[17]	BAHRANI M， WEINBERG S M. Undetectable selfish mining［C］// Proceedings of the 25th ACM Conference on Economics and Computation. New York： ACM， 2024： 1017-1044.
[18]	LI T， WANG Z， YANG G， et al. Semi-selfish mining based on hidden Markov decision process［J］. International Journal of Intelligent Systems， 2021， 36（7）： 3596-3612.
[19]	WANG Y， WANG Z， ZHAO M， et al. BSM-Ether： bribery selfish mining in blockchain-based healthcare systems［J］. Information Sciences， 2022， 601： 1-17.
[20]	JEBARI B， IBRAHIMI K， JOUHARI M， et al. Analysis of blockchain selfish mining： a stochastic game approach［C］// Proceedings of the 2022 IEEE International Conference on Communications. Piscataway： IEEE， 2022： 4217-4222.
[21]	YANG G， WANG Y， WANG Z， et al. IPBSM： an optimal bribery selfish mining in the presence of intelligent and pure attackers［J］. International Journal of Intelligent Systems， 2020， 35（11）： 1735-1748.
[22]	XIA Q， DOU W， XI T， et al. The impact analysis of multiple miners and propagation delay on selfish mining［C］// Proceedings of the IEEE 45th Computers， Software， and Applications Conference. Piscataway： IEEE， 2021： 694-703.
[23]	ZHANG S， ZHANG K， KEMME B. Analysing the benefit of selfish mining with multiple players［C］// Proceedings of the 2020 IEEE International Conference on Blockchain. Piscataway： IEEE， 2020： 36-44.
[24]	阮娜，刘汉卿，斯雪明.采用工作量证明共识机制的区块链中挖矿攻击者间的“鲶鱼效应”［J］.计算机学报，2021，44（1）：177-192.
	RUAN N， LIU H Q， SI X M. Catfish effect between selfish miners in proof-of-work based blockchain［J］. Chinese Journal of Computers， 2021， 44（1）： 177-192.
[25]	LIU H， RUAN N， DU R， et al. On the strategy and behavior of bitcoin mining with n-attackers［C］// Proceedings of the 2018 Asia Conference on Computer and Communications Security. New York： ACM， 2018： 357-368.
[26]	HOU C， ZHOU M， JI Y， et al. SquirRL： automating attack analysis on blockchain incentive mechanisms with deep reinforcement learning［EB/OL］. ［2024-11-30］..
[27]	YANG R， CHANG X， MIŠIĆ J， et al. Quantitative comparison of two chain-selection protocols under selfish mining attack［J］. IEEE Transactions on Network and Service Management， 2022， 19（2）： 1142-1158.

以太坊经典网络双自私矿工策略的马尔可夫链模型与收益分析

Markov chain model and profit analysis of two-selfish-miner strategy in ethereum classic network

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 15

参考文献 27

相关文章 15

编辑推荐

Metrics

[1]	王昊, 王子成, 张超, 马韵升. 基于生成对抗网络的数据不确定性量化方法[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1094-1101.
[2]	童俊成, 赵波. 区块链智能合约漏洞检测与自动化修复综述[J]. 《计算机应用》唯一官方网站, 2023, 43(3): 785-793.
[3]	尹飞, 龙玲莉, 孔峥, 邵涵, 李鑫, 钱柱中. 面向动态负载的集群容器部署方法[J]. 计算机应用, 2021, 41(6): 1581-1588.
[4]	律睿慜, 梅莉琳, 邢红姹, 孟磊, 昃跃峰. 基于马尔可夫链的书画时序感量化方法[J]. 计算机应用, 2021, 41(1): 295-299.
[5]	杜旭升, 于炯, 叶乐乐, 陈嘉颖. 基于图上随机游走的离群点检测算法[J]. 计算机应用, 2020, 40(5): 1322-1328.
[6]	付梦琳, 吴礼发, 洪征, 冯文博. 智能合约安全漏洞挖掘技术研究[J]. 计算机应用, 2019, 39(7): 1959-1966.
[7]	唐俊勇, 田鹏辉, 王辉. 基于马尔可夫链与服务质量的网络可用性[J]. 计算机应用, 2018, 38(12): 3518-3523.
[8]	王中强, 陈继德, 彭舰, 黄飞虎, 仝博. 基于改进马尔可夫链的航线预测算法[J]. 计算机应用, 2017, 37(7): 2124-2128.
[9]	宋涛, 王星. 基于二次聚类和隐马尔可夫链的持卡消费行为预测[J]. 计算机应用, 2016, 36(7): 1904-1908.
[10]	毛莺池, 接青, 陈豪. 河网中具有时空关系的异常事件在线检测[J]. 计算机应用, 2015, 35(11): 3106-3111.
[11]	萧嘉慰张力罗静云. 基于马尔可夫链蒙特卡罗采样的双密钥盲水印算法[J]. 计算机应用, 2014, 34(2): 469-472.
[12]	石欣张涛雷璐宁. 基于集对分析与马尔可夫链的生态安全动态评估[J]. 计算机应用, 2014, 34(2): 519-522.
[13]	潘冠桦张兴忠. Sunday算法效率分析[J]. 计算机应用, 2012, 32(11): 3082-3088.
[14]	崔宁海刘丽萍. 马尔可夫边缘描述符的图像特征提取算法[J]. 计算机应用, 2012, 32(04): 1104-1107.
[15]	陶永才石磊. 可靠的网格作业调度机制[J]. 计算机应用, 2010, 30(8): 2066-2069.