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

डिजिटल दुनिया में, ब्लॉकचेन एक साझा रिकॉर्ड बुक है जिसे कई कंप्यूटर मिलकर रखते हैं, जो यह सुनिश्चित करता है कि प्रत्येक लेनदेन सुरक्षित और पारदर्शी हो, बिना किसी केंद्रीय बैंक या प्राधिकरण की निगरानी के। कल्पना कीजिए कि एक गाँव के सभी पड़ोसी हर बार जब पैसे का लेन-देन होता है, तो उसे लिख रहे हैं, और प्रत्येक के पास लेज़र (बहीखाता) की एक समान प्रति है। चुनौती तब आती है जब गाँव बहुत बड़ा हो जाता है; यदि बहुत से लोग एक साथ लेज़र में लिखने की कोशिश करते हैं, तो प्रक्रिया धीमी हो जाती है, और सभी को यह सहमति बनाने में कि क्या लिखा गया है, अधिक समय लगता है। यही स्केलेबिलिटी (स्केलेबिलिटी) की समस्या है: जैसे-जैसे लेनदेन की संख्या बढ़ती है, उन्हें पुष्ट करने में लगने वाला समय बढ़ता जाता है, और प्रति सेकंड लेनदेन संभालने की क्षमता घट जाती है। ब्लॉकचेन तकनीक को वैश्विक भुगतान या मतदान प्रणालियों जैसी रोजमर्रा की चीजों के लिए उपयोगी होने के लिए, इसे बिना अटके हजारों लेनदेन को तेजी से संसाधित करने में सक्षम होना चाहिए।

नाइजीरिया के फेडरल यूनिवर्सिटी डुटसे के शोधकर्ताओं ने इन डिजिटल प्रणालियों को अधिक सुचारू रूप से चलाने में मदद करने के लिए एक नई विधि विकसित करके इस बाधा को दूर किया है। उन्होंने प्रदर्शन के दो विशिष्ट पैमानों पर ध्यान केंद्रित किया: एक लेनदेन को पुष्ट होने में कितना समय लगता है, जिसे लेटेंसी (latency) कहा जाता है, और एक सेकंड में सिस्टम कितने लेनदेन संसाधित कर सकता है, जिसे थ्रूपुट (throughput) कहा जाता है। इस समस्या को हल करने के लिए, उन्होंने एक नया कंप्यूटर प्रोग्राम बनाया जिसे मल्टी-पैराडाइम एडेप्टिव मेटाहेयुरिस्टिक ऑप्टिमाइजेशन (MAMO) कहा जाता है। यह प्रोग्राम एक स्मार्ट ट्रैफिक नियंत्रक की तरह कार्य करता है। पुराने तरीकों के विपरीत, जो सिस्टम के व्यस्त होने के बावजूद एक निश्चित नियमों का पालन करते हैं, MAMO लगातार सीखता है और अपनी रणनीति को समायोजित करता है। यह कई अलग-अलग समस्या-समाधान तकनीकों को जोड़ता है, जिसमें वे विधियाँ शामिल हैं जो प्रकृति द्वारा समाधान खोजने की नकल करती हैं और वे सिस्टम जो वास्तविक समय में गलतियों को सुधारने के लिए फीडबैक का उपयोग करते हैं। लक्ष्य यह देखना था कि क्या यह अनुकूलन योग्य दृष्टिकोण वर्कलोड भारी होने पर भी ब्लॉकचेन को तेज गति से बनाए रख सकता है।

अपने विचार का परीक्षण करने के लिए, शोधकर्ताओं ने एक ब्लॉकचेन नेटवर्क का एक विस्तृत कंप्यूटर सिमुलेशन बनाया। उन्होंने वास्तविक दुनिया के नेटवर्क का उपयोग नहीं किया, बल्कि एक आभासी वातावरण बनाया जहाँ वे सटीकता के साथ प्रत्येक चर (variable) को नियंत्रित कर सकते थे। उन्होंने अपने नए MAMO सिस्टम और एक मौजूदा विधि, जिसे स्नेक ऑप्टिमाइजेशन एल्गोरिदम (Snake Optimization Algorithm) कहा जाता है, के बीच एक आमने-सामने की प्रतियोगिता आयोजित की, जो सांपों के शिकार और प्रजनन व्यवहार से प्रेरित एक हालिया तकनीक है। उन्होंने सिमुलेशन को छह अलग-अलग स्थितियों के तहत चलाया, जिसमें केवल एक लेनदेन से शुरू होकर एक लाख लेनदेन तक का पैमाना रखा गया। परिणामों की निरंतरता सुनिश्चित करने के लिए और यह सुनिश्चित करने के लिए कि परिणाम केवल एक भाग्यशाली संयोग नहीं हैं, उन्होंने प्रत्येक स्थिति के लिए परीक्षण तीस बार चलाया। उन्होंने दोनों प्रणालियों के लिए सब कुछ बिल्कुल समान रखा, केवल लेनदेन को व्यवस्थित करने की विधि को बदला, ताकि गति में किसी भी अंतर का सीधा कारण स्वयं एल्गोरिदम को दिया जा सके।

परिणामों ने नए अनुकूलन योग्य सिस्टम के लिए स्पष्ट लाभ दिखाया। जब वर्कलोड कम था, तो दोनों प्रणालियाँ ठीक से कार्य कर रही थीं, लेकिन जैसे-जैसे लेनदेन की संख्या बढ़ी, पुराना स्नेक (Snake) तरीका संघर्ष करने लगा। उच्चतम स्तर की गतिविधि पर, एक लाख लेनदेन के साथ, स्नेक सिस्टम ने एक लेनदेन को पुष्ट करने में औसतन 1.048680 मिलीसेकंड का समय लिया। इसके विपरीत, MAMO सिस्टम ने उसी कार्य को केवल 0.939850 मिलीसेकंड में पूरा किया। हालांकि यह अंतर छोटा लग सकता है, लेकिन हाई-स्पीड कंप्यूटिंग की दुनिया में, यह प्रतिक्रियाशीलता में एक महत्वपूर्ण सुधार का प्रतिनिधित्व करता है। अधिक महत्वपूर्ण बात यह है कि नया सिस्टम काम का बहुत बड़ा हिस्सा संभाल सका। उसी शिखर भार पर, MAMO सिस्टम ने 327,509.84 लेनदेन प्रति सेकंड संसाधित किए, जबकि स्नेक सिस्टम केवल 202,864.77 ही प्रबंधित कर सका। इसका अर्थ है कि नया तरीका समान समय में लगभग 61 प्रतिशत अधिक लेनदेन संसाधित करने में सक्षम था।

शोधकर्ताओं ने यह भी देखा कि सिस्टम कितने स्थिर थे। पुराने तरीके ने अपने प्रदर्शन में बहुत अधिक भिन्नता दिखाई; विशेष रूप से जब नेटवर्क भारी तनाव में था, तो कभी वह तेज़ था तो कभी बहुत धीमा। हालाँकि, नया MAMO सिस्टम सभी तीस परीक्षणों और प्रत्येक वर्कलोड स्तर पर स्थिर और अनुमानित बना रहा। सांख्यिकीय परीक्षणों ने पुष्टि की कि लेनदेन की संख्या में सुधार एक संयोग नहीं था, बल्कि एक विश्वसनीय परिणाम था जो सभी विभिन्न परिदृश्यों में सत्य रहा। हालांकि नए सिस्टम ने उच्चतम वर्कलोड पर कम लेटेंसी दिखाई, लेकिन सुधार के लिए सांख्यिकीय महत्व केवल निम्नतम वर्कलोड स्तर (एक लेनदेन) पर पाया गया; उच्च वर्कलोड पर, जिसमें सबसे चरम दबाव भी शामिल है, सुधार सुधार के बाद सांख्यिकीय रूप से महत्वपूर्ण नहीं पाए गए। अध्ययन बताता है कि नेटवर्क की वर्तमान स्थिति के अनुसार अनुकूलन प्रक्रिया को ढलने की अनुमति देकर, सिस्टम अत्यधिक मांग के दौरान भी उच्च प्रदर्शन बनाए रख सकता है।

यह कार्य इस दावे के साथ नहीं है कि इसने ब्लॉकचेन तकनीक के सामने आने वाली हर समस्या को हल कर दिया है। परिणाम एक नियंत्रित कंप्यूटर सिमुलेशन से आते हैं, और शोधकर्ता स्वीकार करते हैं कि वास्तविक दुनिया के नेटवर्क में कई अन्य कारक शामिल होते हैं, जैसे ऊर्जा खपत और सुरक्षा, जो इस विशिष्ट परीक्षण का हिस्सा नहीं थे। उन्होंने यह भी नोट किया कि हालांकि उनकी विधि ने स्नेक एल्गोरिदम को पछाड़ दिया, लेकिन भविष्य के अध्ययनों में तुलना के लिए अन्य मौजूदा विधियाँ भी उपलब्ध हैं। हालाँकि, निष्कर्ष इस बात का पुख्ता प्रमाण प्रदान करते हैं कि एक बड़े पैमाने के डिजिटल लेज़र के जटिल और बदलते मांगों से निपटने के लिए एक लचीला, सीखने-आधारित दृष्टिकोण एक स्थिर दृष्टिकोण की तुलना में बेहतर है। यह सिद्ध करके कि सिस्टम वास्तविक समय में सीख और समायोजित हो सकता है, शोधकर्ताओं ने ब्लॉकचेन तकनीक को अगली पीढ़ी के डिजिटल अनुप्रयोगों का समर्थन करने के लिए पर्याप्त तेज़ बनाने के लिए एक आशाजनक मार्ग प्रस्तुत किया है।