Adaptive Multi-paradigm Metaheuristic Optimization for Blockchain Scalability: A Comparative Evaluation of Transaction Latency and Throughput

في العالم الرقمي، يُعد "البلوكشين" (سلسلة الكتل) بمثابة سجل حسابات مشترك تحتفظ به العديد من أجهزة الكمبيوتر معاً، مما يضمن أن تكون كل معاملة آمنة وشفافة دون الحاجة إلى بنك مركزي أو سلطة تشرف عليها. تخيل مجموعة من الجيران في قرية ما، يقوم كل منهم بتدوين كل مرة تتغير فيها الأمة من يد إلى يد، حيث يحتفظ كل واحد منهم بنسخة متطابقة من السجل. وتنشأ المشكلة عندما تكبر القرية كثيراً؛ فإذا حاول الكثير من الناس الكتابة في السجل في وقت واحد، فإن العملية تتباطأ، ويستغرق الأمر وقتاً أطول حتى يتفق الجميع على ما تم تدوينه. هذه هي مشكلة "القابلية للتوسع": فمع زيادة عدد المعاملات، تزداد المدة الزمنية اللازمة لتأكيدها، وينخفض عدد المعاملات التي يمكن للنظام معالجتها في الثانية الواحدة. ولكي تكون تقنية البلوكشين مفيدة في الأمور اليومية مثل المدفوعات العالمية أو أنظمة التصويت، يجب أن تكون قادرة على معالجة آلاف المعاملات بسرعة دون أن تتعثر.

لقد تصدى باحثون من الجامعة الفيدرالية دوتسي في نيجيريا لهذه العقبة من خلال تطوير طريقة جديدة للمساعدة في تشغيل هذه الأنظمة الرقمية بسلاسة أكبر. وقد ركزوا على مقياسين محددين للأداء: وهو الوقت الذي تستغرقه المعاملة ليتم تأكيدها، والمعروف باسم "زمن الاستجابة" (latency)، وعدد المعاملات التي يمكن للنظام معالجتها في ثانية واحدة، والمعروف باسم "الإنتاجية" (throughput). ولحل هذه المشكلة، ابتكروا برنامجاً حاسوبياً جديداً يسمى "التحسين الميتاهيوستيكي التكيفي متعدد النماذج" (MAMO). يعمل هذا البرنامج كمنظم مرور ذكي لشبكة البلوكشين. وخلافاً للطرق القديمة التي تتبع قواعد ثابتة بغض النظر عن مدى انشغال النظام، يتعلم نظام MAMO باستمرار ويعدل استراتيجيته. وهو يجمع بين عدة تقنيات مختلفة لحل المشكلات، بما في ذلك الأساليب التي تحاكي كيفية إيجاد الطبيعة للحلول، والأنظمة التي تستخدم التغذية الراجعة لتصحيح الأخطاء في الوقت الفعلي. وكان الهدف هو معرفة ما إذا كان هذا النهج القابل للتكيف يمكن أن يحافظ على سرعة حركة البلوكشين حتى عندما يصبح ضغط العمل ثقيلاً.

ولاختبار فكرتهم، بنى الباحثون محاكاة حاسوبية مفصلة لشبكة بلوكشين. لم يستخدموا شبكة واقعية، بل بيئة افتراضية حيث يمكنهم التحكم في كل متغير بدقة. وقد وضعوا منافسة مباشرة بين نظام MAMO الجديد وطريقة موجودة تسمى "خوارزمية تحسين الثعبان" (Snake Optimization Algorithm)، وهي تقنية حديثة مستوحاة من سلوكيات الصيد والتزاوج لدى الثعابين. أجروا المحاكاة تحت ستة ظروف مختلفة، بدءاً من معاملة واحدة وصولاً إلى مائة ألف معاملة. ولكل حالة، أجروا الاختبار ثلاثين مرة لضمان اتساق النتائج وعدم كونها مجرد ضربة حظ. وقد أبقوا كل شيء آخر متطابقاً تماماً لكلا النظامين، ولم يغيروا سوى الطريقة المستخدمة لتنظيم المعاملات، بحيث يمكن عزو أي فرق في السرعة مباشرة إلى الخوارزمية نفسها.

أظهرت النتائج ميزة واضحة للنظام التكيفي الجديد. فعندما كان ضغط العمل خفيفاً، أدى كلا النظامين أداءً جيداً، ولكن مع زيادة عدد المعاملات، بدأ نظام "الثعبان" القديم يعاني. وعند أعلى مستوى من النشاط، مع مائة ألف معاملة، استغرق نظام الثعبان في المتوسط 1.048680 مللي ثانية لتأكيد المعاملة. وفي المقابل، تمكن نظام MAMO من إنجاز المهمة ذاتها في 0.939850 مللي ثانية فقط. ورغم أن هذا الفرق قد يبدو صغيراً، إلا أنه في عالم الحوسبة عالية السرعة، يمثل تحسناً كبيراً في الاستجابة. والأهم من ذلك، أن النظام الجديد تعامل مع حجم عمل أكبر بكثير؛ ففي ذروة التحميل نفسها، عالج نظام MOMA نحو 327,509.84 معاملة في الثانية، بينما استطاع نظام الثعبان معالجة 202,864.77 معاملة فقط. وهذا يعني أن الطريقة الجديدة كانت قادرة على معالجة معاملات أكثر بنسبة 61 بالمائة تقريباً في نفس القدر من الوقت.

كما نظر الباحثون في مدى استقرار الأنظمة. فقد أظهرت الطريقة القديمة تفاوتاً أكبر في أدائها؛ ففي بعض الأحيان كانت سريعة، وفي أحيان أخرى كانت أبطأ بكثير، خاصة عندما يكون تحت ضغط شديد. ومع ذلك، ظل نظام MAMO الجديد ثابتاً ويمكن التنبؤ به عبر جميع التجارب الثلاثين لكل مستوى من مستويات ضغط العمل. وأكدت الاختبارات الإحصائية أن التحسن في عدد المعاملات المعالجة لم يكن مجرد مصادفة، بل نتيجة موثوقة ثبتت صحتها عبر جميع السيناريوهات المختلفة. وبينما أظهر النظام الجديد زمن استجابة أقل عند أعلى مستوى من ضغط العمل، إلا أن الأهمية الإحصائية لتحسين زمن الاستجونة وجدت فقط عند أدنى مستوى من ضغط العمل (معاملة واحدة واحدة)؛ أما التحسينات عند مستويات العمل الأعلى، بما في ذلك الضغط الأكثر حدة، فلم تصل إلى مستوى الأهمية الإحصائية بعد التصحيح. وتشير الدراسة إلى أنه من خلال السماح لعملية التحسين بالتكيف مع الحالة الراهنة للشبكة، بدلاً من الالتزام بخطة جامدة، يمكن للنظام الحفاظ على أداء عالٍ حتى مع تصاعد الطلب.

لا يدعي هذا العمل أنه قد حل كل مشكلة تواجه تقنية البلوكشين. فالنتائج مستمدة من محاكاة حاسوبية محكومة، ويقر الباحثون بأن الشبكات الواقعية تنطوي على عوامل أخرى كثيرة، مثل استهلاك الطاقة والأمن، والتي لم تكن جزءاً من هذا الاختبار المحدد. كما أشاروا إلى أنه بينما تفوقت طريقتهم على خوارزمية الثعبان، إلا أن هناك طرقاً أخرى موجودة يمكن مقارنتها في دراسات مستقبلية. ومع ذلك، توفر النتائج دليلاً قوياً على أن النهج المرن القائم على التعلم يتفوق على النهج الثابت عند التعامل مع المتطلبات المعقدة والمتغيرة لسجل رقمي واسع النطاق. ومن خلال إثبات أن النظام يمكنه التعلم والتكيف في الوقت الفعلي، قدم الباحثون مساراً واعداً لجعل تقنية البلوكشين سريعة بما يكفي لدعم الجيل القادم من التطبيقات الرقمية.