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

Nel mondo digitale, una blockchain è un registro condiviso che molti computer tengono insieme, garantendo che ogni transazione sia sicura e trasparente senza la necessità di una banca centrale o di un'autorità che la controlli. Immaginate un gruppo di vicini che annota ogni volta che il denaro cambia mano nel loro villaggio, con ciascuno che tiene una copia identica del registro. La sfida sorge quando il villaggio diventa troppo grande; se troppe persone cercano di scrivere nel registro contemporaneamente, il processo rallenta e occorre più tempo affinché tutti concordino su ciò che è stato scritto. Questo è il problema della scalabilità: man mano che il numero di transazioni aumenta, il tempo necessario per confermarle cresce e il numero di transazioni che il sistema può gestire al secondo diminuisce. Affinché la tecnologia blockchain sia utile per attività quotidiane come i pagamenti globali o i sistemi di voto, deve essere in grado di elaborare migliaia di transazioni rapidamente senza rallentare.

I ricercatori della Federal University Dutse in Nigeria hanno affrontato questo collo di bottiglia sviluppando un nuovo metodo per aiutare questi sistemi digitali a funzionare in modo più fluido. Si sono concentrati su due misure specifiche di prestazione: quanto tempo impiega una transazione per essere confermata, nota come latenza, e quante transazioni il sistema può elaborare in un singolo secondo, nota come throughput. Per risolvere il problema, hanno creato un nuovo programma per computer chiamato Multi-paradigm Adaptive Metaheuristic Optimization, o MAMO. Questo programma agisce come un intelligente controllore del traffico per la blockchain. A differenza dei metodi più vecchi che seguono un insieme fisso di regole indipendentemente da quanto sia impegnato il sistema, MAMO impara e si adatta costantemente alla sua strategia. Combina diverse tecniche di risoluzione dei problemi, inclusi metodi che imitano il modo in cui la natura trova soluzioni e sistemi che utilizzano il feedback per correggere gli errori in tempo reale. L'obiettivo era vedere se questo approccio adattabile potesse mantenere la blockchain veloce anche quando il carico di lavoro diventa pesante.

Per testare la loro idea, i ricercatori hanno costruito una dettagliata simulazione al computer di una rete blockchain. Non hanno utilizzato una rete del mondo reale, bensì un ambiente virtuale dove potevano controllare ogni variabile con precisione. Hanno impostato una competizione testa a testa tra il loro nuovo sistema MAMO e un metodo esistente chiamato Snake Optimization Algorithm, che è una tecnica più recente ispirata ai comportamenti di caccia e accoppiamento dei serpenti. Hanno eseguito la simulazione sotto sei diverse condizioni, partendo da una sola transazione e scalando fino a centomila transazioni. Per ogni condizione, hanno eseguito il test trenta volte per garantire che i risultati fossero coerenti e non solo un colpo di fortuna. Hanno mantenuto tutto il resto esattamente uguale per entrambi i sistemi, cambiando solo il metodo utilizzato per organizzare le transazioni, in modo che qualsiasi differenza di velocità potesse essere attribuita direttamente all'algoritmo stesso.

I risultati hanno mostrato un chiaro vantaggio per il nuovo sistema adattivo. Quando il carico di lavoro era leggero, entrambi i sistemi si sono comportati ragionevolmente bene, ma all'aumentare del numero di transazioni, il vecchio metodo Snake ha iniziato a faticare. Al livello massimo di attività, con centomila transazioni, il sistema Snake ha impiegato in media 1,048680 millisecondi per confermare una transazione. Al contrario, il sistema MAMO è riuscito a svolgere lo stesso compito in soli 0,939850 millisecondi. Sebbene questa differenza possa sembrare piccola, nel mondo dell'informatica ad alta velocità, rappresenta un miglioramento significativo della reattività. Ancora più importante, il nuovo sistema ha gestito un volume di lavoro molto maggiore. Allo stesso picco di carico, il sistema MAMO ha elaborato 327.509,84 transazioni al secondo, mentre il sistema Snake poteva gestirne solo 202.864,77. Ciò significa che il nuovo metodo è stato in grado di elaborare circa il 61 percento in più di transazioni nello stesso lasso di tempo.

I ricercatori hanno anche esaminato quanto fossero stabili i sistemi. Il metodo più vecchio mostrava una variazione molto maggiore nelle sue prestazioni; a volte era veloce, altre volte era molto più lento, specialmente quando la rete era sotto forte stress. Il nuovo sistema MAMO, invece, è rimasto costante e prevedibile in tutte le trenta prove per ogni livello di carico di lavoro. I test statistici hanno confermato che il miglioramento nel numero di transazioni elaborate non era una coincidenza, ma un risultato affidabile che si è dimostrato valido in tutti gli scenari. Sebbene il nuovo sistema mostrasse una latenza inferiore al massimo carico di lavoro, la significatività statistica per i miglioramenti della latenza è stata trovata solo al livello di carico di lavoro più basso (una transazione); i miglioramenti ai carichi di lavoro più elevati, inclusa la pressione più estrema, non hanno raggiunto la significatività statistica dopo la correzione. Lo studio suggerisce che permettendo al processo di ottimizzazione di adattarsi allo stato attuale della rete, invece di attenersi a un piano rigido, il sistema può mantenere alte prestazioni anche quando la domanda aumenta improvvisamente.

Questo lavoro non sostiene di aver risolto ogni problema che affronta la tecnologia blockchain. I risultati derivano da una simulazione al computer controllata e i ricercatori riconoscono che le reti del mondo reale comportano molti altri fattori, come il consumo energetico e la sicurezza, che non facevano parte di questo test specifico. Hanno anche notato che, sebbene il loro metodo abbia superato l'algoritmo Snake, esistono altri metodi esistenti che potrebbero essere confrontati in studi futuri. Tuttavia, le scoperte forniscono una prova convincente che un approccio flessibile, basato sull'apprendimento, è superiore a uno statico quando si tratta di gestire le richieste complesse e mutevoli di un registro digitale su larga scala. Dimostrando che il sistema può imparare e adattarsi in tempo reale, i ricercatori hanno offerto una strada promettente per rendere la tecnologia blockchain abbastanza veloce da supportare la prossima generazione di applicazioni digitali.