1. 概述

Qtum 量子鏈作為一個以技術(shù)革新為主導(dǎo)的創(chuàng)新公鏈，一直將推動區(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進行的對區(qū)塊鏈云計算與大數(shù)據(jù)方向的創(chuàng)新探究一直在穩(wěn)步推進。繼Google Cloud推出Qtum開發(fā)工具包后，Qtum量子鏈結(jié)合Google Cloud強大的數(shù)據(jù)分析能力與豐富的云平臺功能，基于數(shù)據(jù)分析工具BigQuery再次推出了一個重量級數(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€基于PoS共識機制和UXTO模型的智能合約平臺。其賬戶抽象層實現(xiàn)了UTXO模型與智能合約虛擬機賬戶模型的的無縫交互，實現(xiàn)了區(qū)塊鏈技術(shù)與真實的商業(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，在一個月內(nèi)增長67596個，平均每日增長2253.2個。網(wǎng)絡(luò)權(quán)重變化整體較穩(wěn)定，挖礦平均年回報率為7.87%［1］。Qtum x86虛擬機、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)進行統(tǒng)計分析并不容易，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、交易進行數(shù)據(jù)統(tǒng)計才能得到。

本文就基于BigQuery實現(xiàn)了Qtum鏈上數(shù)據(jù)的統(tǒng)計、分析以及可視化展現(xiàn)，將Qtum的各項指標(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。它是一個基于列存儲的數(shù)據(jù)庫系統(tǒng)。列存儲和行存儲的區(qū)別可以用下圖很好地表示。

列存儲和行存儲有著各自的優(yōu)缺點，適用于不同的場合。從下表中可以很明顯地看出，列存儲可以有效應(yīng)用于數(shù)據(jù)統(tǒng)計中。因為數(shù)據(jù)統(tǒng)計通常需要把大量的數(shù)據(jù)（列如用戶日志）加載進表里，然后對逐個字段進行篩選和統(tǒng)計。這個場景和列存儲的應(yīng)用場景是完全符合的。

目前開源的列存儲數(shù)據(jù)庫并不多，主流的包括HBase、ClickHouse等。而各大互聯(lián)網(wǎng)公司都會研發(fā)自己的閉源列存儲數(shù)據(jù)庫。BigQuery就是Google研發(fā)的列存儲數(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)量大小進行收費。

由于列存儲數(shù)據(jù)庫能很好地應(yīng)用于數(shù)據(jù)統(tǒng)計的場景中，所以我們采用BigQuery進行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。運行在服務(wù)端的Qtum節(jié)點開啟了RPC服務(wù)。ETL（Extract-Transform-Load ）程序會持續(xù)從RPC獲取鏈上數(shù)據(jù)，然后輸出給中間層。

· 中間層用BigQuery實現(xiàn)數(shù)據(jù)存儲和計算。運行在服務(wù)端的定時任務(wù)會持續(xù)往BigQuery中寫入最新的鏈上數(shù)據(jù)。然后，用SQL對數(shù)據(jù)進行統(tǒng)計分析，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)計分析結(jié)果。

數(shù)據(jù)源

數(shù)據(jù)源部分由Qtum節(jié)點和ETL程序組成。Qtum全節(jié)點實時同步最新的鏈上數(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詳細步驟如下：

1. 啟動Qtum全節(jié)點和ETL程序；

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

3. ETL程序開啟多個進程，并發(fā)地調(diào)用getblock接口，獲取最近多個區(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接口有兩個參數(shù)，分別是區(qū)塊哈希值和數(shù)字2（2代表會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)的存儲和計算。每次ETL程序運行完成之后，會將最新的CSV文件上傳至BigQuery。然后執(zhí)行SQL語句進行統(tǒng)計計算，并將計算結(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。依次填寫各個字段的名稱，類型和模式，填寫完畢點擊“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)并進行統(tǒng)計計算。這里我們以計算stake weight為例，其計算公式可以表示為：

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/《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)價值。這也會使得監(jiān)管等機構(gòu)更好的理解區(qū)塊鏈技術(shù)的未來數(shù)據(jù)價值，使得區(qū)塊鏈技術(shù)進一步主流化，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)處理和定時任務(wù)也都是由Python編寫。點擊鏈接即可查看Qtum鏈上實時動態(tài)數(shù)據(jù)：https://chart.qtum.info/

5. 下一步計劃

隨著區(qū)塊鏈行業(yè)各種公有鏈項目的不斷發(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、非法金融活動等問題，我們從以下幾個方向來作為下一步計劃：

1. 隱私泄漏分析：通過實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

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)的運行狀態(tài)、規(guī)律、機制進行分析，從而更好的理解區(qū)塊鏈網(wǎng)絡(luò)中用戶的活動情況

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、詐騙等犯罪活動的特定交易模式進行分析，盡可能多的對交易模式進行識別

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