An on-chain governance model based on particle swarm optimization for reducing blockchain forks

Résumé

La Blockchain est une technologie émergente qui a rencontré un certain nombre de défis, y compris des fourches et de faibles taux de traitement des transactions par rapport à d’autres systèmes de paiement. La plupart des systèmes publics de blockchain sont enclins aux fourches comme un processus naturel. À la suite de la résolution de ces problèmes, les transactions latérales sont rejetées lors de la réorganisation de la chaîne (réaménagement). Le retard est causé par l’obligation pour les clients d’attendre plus de confirmations avant de terminer les transactions. Pour améliorer la sécurité, la vitesse et l’efficacité d’un réseau de blockchain, il est souhaitable de réduire la probabilité de forking autant que possible. Il est nécessaire de comprendre le comportement des systèmes de blockchain pour optimiser les paramètres en conséquence. Nous proposons ici un nouveau modèle de fourche qui intègre des paramètres qui n’ont pas été pris en compte précédemment, tels que le retard dans le réseau et le degré de validation. Pour vérifier la validité de notre méthode proposée, nous avons mené une série d’expériences utilisant le simulateur BlockSim sur le réseau Ethereum et la spécification EIP-1559. Une fourche est moins susceptible de se produire si le degré de validation est diminué et le coût marginal des mineurs est augmenté (comme dans EIP-1559). D’après les résultats de cette partie, la probabilité qu’une fourche se produise est réduite d’environ 10%. De plus, les résultats expérimentaux démontrent que notre méthode est très précise dans la prédiction de la probabilité de la fourchette. Sharding a été développé pour résoudre le problème des faibles taux de traitement, mais il améliore également l’évolutivité du réseau. Toutefois, on ne sait toujours pas comment cela peut affecter la probabilité d’une fourchette. Deuxièmement, la thèse tente de déterminer comment l’ajout de nouveaux shards à une blockchain affecte la probabilité de fourches. Comme première étape vers la réalisation de cet objectif, nous avons développé un nouveau simulateur qui facilite la simulation de réseaux cloisonnés. Par la suite, nous avons examiné les effets du requin sur la présence de fourches. Les expériences multiples ont été conduites sur les réseaux permis de deux EIP-1559 avec 60 et 120 nœuds, respectivement. Selon notre étude, l’ajout d’un shard entraîne une réduction des blocs orphelins de 60% en moyenne. De plus, nous proposons un modèle de probabilité de fourche qui réduit les fourches de 23% et 15%, respectivement, pour les réseaux à 60 et 120 noeuds. Comme l’un des inconvénients les plus significatifs associés aux réseaux de blockchain, la vitesse de traitement est un inconvénient important. Cela peut se faire par le biais de l’affûtage, qui a la capacité de résoudre ce problème. Il en résulte que l’évolutivité du réseau peut être améliorée. Il était difficile de déterminer comment le requin aurait une incidence sur la probabilité que des fourchettes surviennent à la suite du requin dans cette étude. Pour atteindre cet objectif, nous avons mené un certain nombre d’expériences sur le réseau EIP-1559 en utilisant 120 noeuds dans la troisième partie de cette thèse. Selon notre analyse, l’ajout d’un shard au système entraîne une diminution de 60% du nombre de blocs orphelins. Un nouveau modèle de gouvernance en chaîne a également été mis au point, qui utilise l’optimisation des essaims de particules pour réduire la probabilité de fourches entre les différents gisements. À la suite de notre étude, nous sommes convaincus que le modèle de gouvernance en chaîne proposé réduit les risques associés à la fourchette et maintient des expériences positives pour les utilisateurs. La thèse contribue en fournissant une blockchain adaptative avec des capacités d’apprentissage pour les blockchains publics. Cela réduira la probabilité que des fourches se produisent et, par conséquent, se traduira par une architecture de blockchain évolutive. Cette solution permet aux réseaux d’apprendre la configuration optimale en fonction des entrées de données locales qu’ils reçoivent. Selon les résultats expérimentaux, la solution proposée a obtenu de meilleures performances et une meilleure évolutivité que la solution de pointe.

Date	7 déc. 2022
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Kaiwen Zhang (Directeur(-trice))