Caliper-in-the-Loop: Black-Box Optimization for Hyperledger Fabric Performance Tuning
تقترح هذه الورقة مسار عمل "Caliper-in-the-loop" الذي يستخدم التحسين البايزي مع تقليل الأبعاد لضبط تكوينات Hyperledger Fabric تلقائياً، محققةً تحسناً في الإنتاجية يصل إلى 12% مقارنة بالخطوط المرجعية اليدوية في فضاء بحث عالي الأبعاد ومشوش.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول ضبط محرك سيارة سباق ضخم ومعقد. هذا المحرك يحتوي على 317 مقبضًا وصمامًا مختلفًا (مثل خليط الوقود، وتوقيت الشرارة، وضغط الإطارات، إلخ). إذا قمت بتدوير مقبض واحد فقط، فقد تصبح السيارة أسرع. ولكن إذا قمت بتدوير مقبضين معًا، فقد يلغي أحدهما الآخر، أو ربما يخلقان مزيجًا سحريًا يجعل السيارة تطير.
المشكلة هي أنك لا تستطيع رؤية ما بداخل المحرك، وليس لديك دليل يخبرك أي المقابض يجب تدويرها. الطريقة الوحيدة لمعرفة ما إذا كان الإعداد يعمل هي تشغيل السيارة، وقيادتها حول المضمار، ثم توقيت سرعتها. لكن قيادة السيارة تستغرق وقتًا، وتستهلك وقودًا، كما أن ظروف المضمار قد تتغير (الرياح، درجة الحرارة)، مما يجعل التوقيت مختلفًا قليلاً حتى لو قمت بنفس الشيء مرتين بالضبط.
هذه هي المشكلة التي يحلها البحث المتعلق بـ Hyperledger Fabric، وهو برنامج شهير تستخدمه البنوك والشركات لتشغيل سلاسل الكتل (blockchain) الخاصة بها.
المشكلة: الكثير من المقابض، والكثير من الضجيج
يعمل Hyperledger Fabric مثل محرك سيارة السباق هذا؛ فهو يحتوي على مئات الإعدادات التي تتحكم في سرعة معالجة معاملاته (أي "سرعته").
- الطريقة اليدوية: عادة ما يحاول المهندسون ضبط هذه الإعدادات عبر التخمين، والاختبار، والأمل. وهي عملية بطيئة، ومكلفة، وغالبًا ما تؤدي إلى نتائج دون المستوى المطلوب لأن الإعدادات تتفاعل مع بعضها بطرق معقدة.
- الضجيج: حتى لو وجدت إعدادًا "جيدًا"، فإن السرعة التي تقيسها قد تتقلب لأن السحابة الحاسوبية التي يعمل عليها ليست متسقة تمامًا. الأمر يشبه محاولة توقيت عداء بينما تضربه هبات الرياح باستمرار.
الحل: "Caliper-in-the-Loop"
بنى المؤلفون نظامًا آليًا يشبه الروبوت يسمى "Caliper-in-the-Loop". فكر في هذا الروبوت كسائق اختبار لا يكل ولا يمل.
إليك كيف يعمل الروبوت في حلقة مستمرة:
- التخمين: يختار الروبوت مجموعة عشوائية من الـ 317 مقبضًا (هذا هو التكوين/Configuration).
- البناء: يقوم تلقائيًا ببناء شبكة بلوكشين جديدة بتلك الإعدادات.
- السباق: يستخدم أداة تسمى Hyperledger Caliper (وهي بمثابة ساعة توقيت) لإجراء سباق قياسي ضد الشبكة وقياس السرعة (المعاملات في الثانية، أو TPS).
- التعلم: يسجل الروبوت النتيجة.
- التعديل: بناءً على ما تعلمه، يخمن الروبوت المجموعة التالية من المقابض التي يجب تجربتها، بهدف زيادة السرعة.
السر الخفي: التحسين البايزي (Bayesian Optimization) وتقليل الأبعاد (Dimensionality Reduction)
الروبوت لا يخمن بشكل عشوائي فحسب؛ بل يستخدم استراتيجية رياضية ذكية تسمى التحسين البايزي (BO).
- الخريطة: تخيل أن الروبوت يرسم خريطة لـ "مشهد السرعة". هو لا يعرف الخريطة كاملة، ولكن بعد كل سباق، يقوم بتحديث خريطته لتخمين أين قد توجد أسرع النقاط. هو يوازن بين الاستكشاف (تجربة تركيبات غريبة وجديدة من المقابض لمعرفة ما إذا كان هناك كنز مخفي) والاستغلال (ضبط المقابض التي تعمل جيدًا بالفعل بدقة أكبر).
التحدي: مع وجود 317 مقبضًا، تكون الخريطة ضخمة جدًا بحيث يصعب رسمها بدقة. الأمر يشبه محاولة العثور على أعلى قمة في سلسلة جبال مكونة من 317 بُعدًا. سيضيع الروبوت.
الحل: يستخدم البحث تقليل الأبعاد (DR). هذا يشبه طي الخريطة. يدرك الروبوت أنه على الرغم من وجود 317 مقبضًا، إلا أن عددًا قليلًا منها هو الذي يهم حقًا للسرعة، أو أنها تتحرك معًا في مجموعات. يقوم الروبوت بضغط المشكلة إلى مساحة أصغر وأبسط للعثور على أفضل الإعدادات بشكل أسرع، ثم يترجم تلك النتائج مرة أخرى إلى الـ 317 مقبضًا الأصلية.
النتائج: الفوز بالسباق
اختبر الباحثون هذا النظام في بيئة سحابية (مضمار سباق افتراضي) مع 17 جهاز كمبيوتر تعمل في وقت واحد. جربوا 16 نوعًا مختلفًا من استراتيجيات "التخمين الذكي" وتقنيات "طي الخرائط"، بالإضافة إلى خط أساس يعتمد على التخمين العشوائي فقط.
- الفائز: وجد المزيج الأفضل (يسمى DYC_ORS-PCA) تكوينًا أسرع بنسبة 12% من أول تكوين جربه الروبوت.
- المركز الثاني: حقق مزيج آخر (MPI-REMBO) زيادة في السرعة بنسبة 9%.
لماذا يهم هذا الأمر؟
يظهر البحث أنك لست بحاجة إلى خبير بشري يقضي أسابيع في التخمين حول أي المقابض يجب تدويرها. يمكن لنظام آلي أن يتعلم "الوصفة السرية" لبلوكشين سريع بشكل أسرع وأكثر موثوقية، حتى عندما تكون القياسات مشوبة ببعض الضجيج وعندما يكون عدد الإعدادات هائلاً.
ملاحظة هامة: يدعي البحث هذه النتائج فقط للإعداد المحدد للبلوكشين الذي اختبروه (نوع معين من الشبكات، وحمل عمل محدد، وإعداد سحابي محدد). لم يختبروا هذه النتائج على سلاسل كتل أخرى، أو أحمال عمل مختلفة، أو أنظمة مصرفية في العالم الحقيقي بعد. النجاح محصور تمامًا داخل "مضمار السباق" الذي بنوه للتجربة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.