РОБЕРТ ВАСИЛЬЕВ, директор GBC.AI по искусственному интеллекту, вице-президент Ассоциации лабораторий искусственного интеллекта
В июле 2021 года команда разработчиков фреймворка GBC.AI приняла участие в конференции BIOTC-2021 http://www.biotc.net с прикладным докладом Machine Learning View on Blockchain Parameter Adjustment, который победил в секции опубликованных материалов.
Пожалуйста, ознакомьтесь с сутью отчета и затронутыми в нем вопросами, для получения дополнительной информации, не стесняйтесь обращаться к нам.
Какую основную проблему мы знаем, как решить?
Для достижения консенсуса фундаментальной проблемой вычислений распределенного реестра является достижение соглашения между многими сторонами об одном значении данных при наличии ошибочных процессов. Механизм консенсуса является базовой частью дизайна блокчейна и фиксирует новые блоки и изменяет сам протокол. Помимо классических требований корректности, блокчейнам нужны специфические: высокая производительность по транзакциям в секунду, быстрое подтверждение транзакций и так далее.
Блокчейны контролируют требования с помощью параметров, но как сеть отвечает качественным и оптимизирует количественные требования? Обычно у нас есть основная сеть блокчейна (mainnet) без доступа, чтобы попробовать различные параметры для тестирования оптимизации параметров сети. В нашей статье мы представили взгляд машинного обучения на корректировку параметров блокчейна. Мы перечисляем параметры блокчейна для блокчейна Solana и применяем важность функций, чтобы выбрать наиболее важные параметры для оптимизации.
Краткое описание
В дополнение к классическим требованиям корректности, блокчейнам может потребоваться высокая производительность в отношении транзакций в секунду, быстрое подтверждение транзакций, малое время производства блоков и другие. Требования конкурируют, например, время подтверждения транзакции и производительность. Таким образом, блокчейн имеет парето-фронт оптимальных режимов работы и должен выбирать правильный режим путем компромисса между текущими потребностями системы.
Механизмы консенсуса контролируют требования с помощью параметров. Но как удовлетворить качественные требования и оптимизировать количественные свойства? У нас есть блокчейн основной сети для данной системы без доступа к изменению параметров в исследовательских целях. Исходный код блокчейна находится в открытом доступе. Таким образом, мы можем запустить тестовую систему в нашей среде тестовой сети и варьировать параметры по своему усмотрению. Мы наблюдаем параметры как для основных, так и для тестовых сетевых систем во времени вместе с результирующими рабочими параметрами. Основная сеть предоставляет исторические данные, а тестовая сеть представляет собой интерактивный черный ящик.
Система блокчейна работает в распределенной сети. Параметры сети и протокола определяют режим работы блокчейна. Некоторые параметры сети доступны для наблюдения, например, текущий пул неподтвержденных транзакций; некоторые сетевые параметры не наблюдаемы (ненаблюдаемы, скрыты), например, сетевой график блокчейна, задержка соединения и пропускная способность. Ненаблюдаемые параметры играют важную роль в производительности; это может быть то, как средняя задержка распространения влияет на задержку транзакции, и полезно оценить их с определенной точностью. Скрытые параметры делают невозможным моделирование в основной сети, а только моделирование в тестовой сети. Таким образом, у нас есть проблема многоцелевой оптимизации с источниками с множественной достоверностью: набор данных высокой точности и интерактивный черный ящик низкой точности.
На конференции BIOTC21 компания GBC.AI представила точку зрения машинного обучения на проблему настройки параметров блокчейна. Насколько нам известно, такая точка зрения еще не обсуждалась в научной литературе. Мы также проводим анализ важности функций для блокчейна Solana (в качестве эксперимента) с помощью алгоритма SHAP, чтобы продемонстрировать, как применять машинное обучение к подзадачам настройки параметров блокчейна.
Баланс нашей статьи идет по этому пути:
Раздел 2 содержит некоторые сведения о параметрах блокчейна и их связи с режимом работы.
Раздел 3 перечисляет проблемы машинного обучения для настройки параметров блокчейна.
Раздел 4 рассматривает блокчейн Solana в качестве примера корректировки.
Раздел 5 суммирует его параметры в алгоритме SHAP, который обеспечивает анализ важности функций для параметров Соланы.
Раздел 6 представляет наши выводы.
Полная версия статьи доступна для скачивания и ознакомления в электронной библиотеке ACM Представление машинного обучения по настройке параметров блокчейна | 2021 3-я конференция «Блокчейн и Интернет вещей.
Статья доступна бесплатно для доступа к сайту с точек доступа в Интернет внутри институтов, купивших подписку на соответствующие научные публикации. При этом сам журнал доступен для покупки в любое время.
Эта статья является первой из серии публикаций, которые команда GBC.AI готовит в рамках продолжающегося исследования по применению технологий ИИ в технологиях блокчейна. Следуйте за нами для получения дополнительной информации и обновлений.
Контактное лицо:
Уильям Де'Ат
Директор по связям с общественностью
