.png){kind=icon}
返回
ChainOpt: Heterogeneity-Aware Blockchain Performance Optimization for Dynamic Workloads
.png){kind=icon}
PRE
AI
DOI：10.1109/TC.2026.3678269.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
作为可靠的分布式系统，区块链已被广泛应用于物联网（IoT）等多样化领域。近期研究探讨了深度强化学习（DRL）以提升区块链性能。然而，现有的基于DRL的区块链性能优化方法依赖于对节点行为和交易负载的隐式理想化假设，限制了其在动态负载和异构节点环境下的有效性和效率。为缓解此问题，我们提出ChainOpt，一种专为优化参数配置以应对动态负载和异构节点的区块链性能优化框架。具体而言，我们首先提出一个交互感知的状态表示学习模块，用于建模全局系统级和局部异构节点特征交互，以生成更优的状态表示。然后，设计一个对比学习增强的工作负载识别模块，用于提取具有区分性的工作负载特定状态表示，以提高工作负载识别精度。最后，我们设计一个基于工作负载相似性的策略复用模块，用于生成有效的复用权重，根据工作负载相关性转移历史策略知识，从而提升优化速度和稳定性。大量实验表明，ChainOpt在提升区块链性能方面具有有效性，在仅增加6.26%延迟的情况下，实现了185.87%更高的可扩展性和1492.16%更强的安全性。此外，在静态场景下优于基线方法，并在变化负载下保持显著优势。
Keyword:
Blockchain
deep reinforcement learning
optimization
dynamic workloads
contrastive learning
policy reuse
期刊
IF:
3.8
论文数:
5.4K
被引数:
9.8K
机构
查看更多机构
引用论文
暂无论文信息