1 概述Qtum 量子鏈作為一個以技術革新為主導的創(chuàng)新公鏈，一直將推動區(qū)塊鏈的技術發(fā)展和應用落地為己任。量子鏈研究院一直在探索區(qū)塊鏈上的各
1. 概述
Qtum 量子鏈作為一個以技術革新為主導的創(chuàng)新公鏈，一直將推動區(qū)塊鏈的技術發(fā)展和應用落地為己任。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)塊鏈云計算與大數據方向的創(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量子鏈結合Google Cloud強大的數據分析能力與豐富的云平臺功能，基于數據分析工具BigQuery再次推出了一個重量級數據分析服務——Qtum鏈上數據分析。
Qtum量子鏈是全球首個基于PoS共識機制和UXTO模型的智能合約平臺。其賬戶抽象層實現了UTXO模型與智能合約虛擬機賬戶模型的的無縫交互，實現了區(qū)塊鏈技術與真實的商業(yè)世界的完美融合。
+最新數據顯示(截止到2019年5月)，截止至5月30日地址數總量為1648035個，在一個月內增長67596個，平均每日增長2253.2個。網絡權重變化整體較穩(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。
主流貨幣的數據全是公開透明的，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。但若想對鏈上數據進行統(tǒng)計分析并不容易，例如每日的交易量、全網算力等等，需要對歷史的所有區(qū)塊、交易進行數據統(tǒng)計才能得到。
本文就基于BigQuery實現了Qtum鏈上數據的統(tǒng)計、分析以及可視化展現，將Qtum的各項指標更為直觀地呈現給用戶。最終效果參見網址：https://chart.qtum.info/
2. 背景
BigQuery [2] 是Google Cloud最新推出的數據分析工具。它是一個基于列存儲的數據庫系統(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，列存儲可以有效應用于數據統(tǒng)計中。因為數據統(tǒng)計通常需要把大量的數據(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用場景是完全符合的。
目前開源的列存儲數據庫并不多，主流的包括HBase、ClickHouse等。而各大互聯(lián)網公司都會研發(fā)自己的閉源列存儲數據庫。BigQuery就是Google研發(fā)的列存儲數據庫，目前在Google Cloud上可以使用，主要按照SELECT操作涉及的數據量大小進行收費。
由于列存儲數據庫能很好地應用于數據統(tǒng)計的場景中，所以我們采用BigQuery進行Qtum鏈上數據的分析，以便更好地了解區(qū)塊、交易等數據。BigQuery也經常宣傳自己在區(qū)塊鏈數據方面的應用[3]。
03. 架構
本系統(tǒng)分為上中下三層：
· 下層為數據源部分。運行在服務端的Qtum節(jié)點開啟了RPC服務。ETL(Extract-Transform-Load )程序會持續(xù)從RPC獲取鏈上數據，然后輸出給中間層。
· 中間層用BigQuery實現數據存儲和計算。運行在服務端的定時任務會持續(xù)往BigQuery中寫入最新的鏈上數據。然后，用SQL對數據進行統(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中讀取數據返回給前端。前端通過在React框架中嵌入的Echarts工具，用來展示Qtum鏈上數據的統(tǒng)計分析結果。
數據源
數據源部分由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據。ETL程序通過RPC接口獲取鏈上數據，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程序調用Qtum節(jié)點的RPC接口獲取當前區(qū)塊高度;
3. ETL程序開啟多個進程，并發(fā)地調用getblock接口，獲取最近多個區(qū)塊的數據;
4. 將區(qū)塊數據寫入本地的CSV文件。
其中，getblock接口有兩個參數，分別是區(qū)塊哈希值和數字2(2代表會返回完整的交易信息)。返回結果如下：
BigQuery
BigQuery部分主要是數據的存儲和計算。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，并將計算結果寫入Redis。關鍵操作步驟如下：
· 建表：在BigQuery網站界面中新建數據庫表，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據，數據也包括CSV、AVRO等多種格式。此處我們通過Python編寫的任務，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表的數據并進行統(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，最終展示結果如下圖。Flask從Redis獲取數據并通過HTTP JSON接口返回給前端。前端通過在React框架中嵌入的Echarts工具，用來展示數據。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/')
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.獲取接口返回的數據之后，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
此次Qtum量子鏈基于谷歌的BigQuery搭建的數據工具，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據價值。這也會使得監(jiān)管等機構更好的理解區(qū)塊鏈技術的未來數據價值，使得區(qū)塊鏈技術進一步主流化，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，數據處理和定時任務也都是由Python編寫。點擊鏈接即可查看Qtum鏈上實時動態(tài)數據：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)塊數據。由于鏈上數據的透明性，區(qū)塊鏈技術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險
2. 網絡畫像：通過對區(qū)塊鏈的活躍度畫像，服務畫像和網絡特性畫像從宏觀的角度對區(qū)塊鏈網絡的運行狀態(tài)、規(guī)律、機制進行分析，從而更好的理解區(qū)塊鏈網絡中用戶的活動情況
3. 市場效應分析：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，通過技術手段來幫助政府追溯非法行為發(fā)生的源頭[4](Qtum)
