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

En el mundo digital, una cadena de bloques o blockchain es un libro de registros compartido que muchas computadoras mantienen en conjunto, asegurando que cada transacción sea segura y transparente sin necesidad de un banco central o una autoridad que la supervise. Imagine a un grupo de vecinos que anotan cada vez que el dinero cambia de manos en su aldea, y cada uno guarda una copia idéntica del libro contable. El desafío surge cuando la aldea crece demasiado; si demasiadas personas intentan escribir en el libro al mismo tiempo, el proceso se ralentiza y toma más tiempo que todos se pongan de acuerdo sobre lo que se escribió. Este es el problema de la escalabilidad: a medida que el número de transacciones aumenta, el tiempo necesario para confirmarlas crece y el número de transacciones que el sistema puede procesar por segundo disminuye. Para que la tecnología blockchain sea útil para cosas cotidianas como pagos globales o sistemas de votación, debe ser capaz de procesar miles de transacciones rápidamente sin estancarse.

Investigadores de la Universidad Federal de Dutse en Nigeria han abordado este cuello de botella mediante el desarrollo de un nuevo método para ayudar a que estos sistemas digitales funcionen de manera más fluida. Se centraron en dos medidas específicas de rendimiento: cuánto tiempo tarda una transacción en ser confirmada, conocida como latencia, y cuántas transacciones puede procesar el sistema en un solo segundo, conocida como capacidad de procesamiento o throughput. Para resolver el problema, crearon un nuevo programa informático llamado Optimización Metaheurística Adaptativa Multiparadigma, o MAMO. Este programa actúa como un controlador de tráfico inteligente para la cadena de bloques. A diferencia de los métodos antiguos que siguen un conjunto de reglas fijas independientemente de qué tan ocupado esté el sistema, MAMO aprende y ajusta su estrategia constantemente. Combina varias técnicas diferentes de resolución de problemas, incluyendo métodos que imitan cómo la naturaleza encuentra soluciones y sistemas que utilizan la retroalimentación para corregir errores en tiempo real. El objetivo era ver si este enfoque adaptable podía mantener la cadena de bloques moviéndose rápido incluso cuando la carga de trabajo se vuelve pesada.

Para probar su idea, los investigadores construyeron una simulación informática detallada de una red de cadena de bloques. No utilizaron una red del mundo real, sino un entorno virtual donde podían controlar cada variable con precisión. Establecieron una competencia directa entre su nuevo sistema MAMO y un método existente llamado Algoritmo de Optimización de la Serpiente, que es una técnica más reciente inspirada en los comportamientos de caza y apareamiento de las serpientes. Ejecutaron la simulación bajo seis condiciones diferentes, comenzando con una sola transacción y escalando hasta las cien mil transacciones. Para cada condición, realizaron la prueba treinta veces para asegurar que los resultados fueran consistentes y no solo un golpe de suerte. Mantuvieron todo lo demás exactamente igual para ambos sistemas, cambiando únicamente el método utilizado para organizar las transacciones, de modo que cualquier diferencia en la velocidad pudiera atribuirse directamente al algoritmo.

Los resultados mostraron una clara ventaja para el nuevo sistema adaptativo. Cuando la carga de trabajo era ligera, ambos sistemas funcionaban razonablemente bien, pero a medida que el número de transacciones aumentaba, el antiguo método de la Serpiente comenzaba a tener dificultades. En el nivel más alto de actividad, con cien mil transacciones, el sistema de la Serpiente tardó un promedio de 1.048680 milisegundos en confirmar una transacción. En contraste, el sistema MAMO logró la misma tarea en solo 0.939850 milisegundos. Aunque esta diferencia pueda parecer pequeña, en el mundo de la computación de alta velocidad, representa una mejora significativa en la capacidad de respuesta. Más importante aún, el nuevo sistema manejó un volumen de trabajo mucho mayor. En esa misma carga máxima, el sistema MAMO procesó 327,509.84 transacciones por segundo, mientras que el sistema de la Serpiente solo pudo gestionar 202,864.77. Esto significa que el nuevo método fue capaz de procesar aproximadamente un 61 por ciento más de transacciones en el mismo tiempo.

Los investigadores también analizaron qué tan estables eran los sistemas. El método más antiguo mostró mucha más variación en su rendimiento; a veces era rápido y otras veces era mucho más lento, especialmente cuando la red estaba bajo un fuerte estrés. El nuevo sistema MAMO, sin embargo, se mantuvo estable y predecible en las treinta pruebas para cada nivel de carga de trabajo. Pruebas estadísticas confirmaron que la mejora en el número de transacciones procesadas no fue una coincidencia, sino un resultado confiable que se mantuvo constante en todos los escenarios. Si bien el nuevo sistema mostró una latencia menor en la carga de trabajo más alta, la significancia estadística para las mejoras en la latencia se encontró solo en el nivel de carga de trabajo más bajo (una transacción); las mejoras en las cargas de trabajo más altas, incluyendo la presión más extrema, no alcanzaron la significancia estadística tras la corrección. El estudio sugiere que al permitir que el proceso de optimización se adapte al estado actual de la red, en lugar de aferrarse a un plan rígido, el sistema puede mantener un alto rendimiento incluso cuando la demanda aumenta.

Este trabajo no pretende haber resuelto todos los problemas que enfrenta la tecnología de cadena de bloques. Los resultados provienen de una simulación informática controlada, y los investigadores reconocen que las redes del mundo real involucran muchos otros factores, como el consumo de energía y la seguridad, que no formaron parte de esta prueba específica. También señalaron que, aunque su método superó al algoritmo de la Serpiente, existen otros métodos existentes que podrían compararse en estudios futuros. Sin embargo, los hallazgos proporcionan evidencia sólida de que un enfoque flexible y basado en el aprendizaje es superior a uno estático cuando se trata de las demandas complejas y cambiantes de un libro contable digital a gran escala. Al demostrar que el sistema puede aprender y ajustarse en tiempo real, los investigadores han ofrecido un camino prometedor para hacer que la tecnología blockchain sea lo suficientemente rápida como para soportar la próxima generación de aplicaciones digitales.