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

In de digitale wereld is een blockchain een gedeeld grootboek dat door veel computers samen wordt bijgehouden, wat ervoor zorgt dat elke transactie veilig en transparant is zonder dat er een centrale bank of autoriteit nodig is om toezicht te houden. Stel je een groep buren voor die allemaal opschrijven wanneer er in hun dorp geld van hand wisselt, waarbij iedereen een identieke kopie van het grootboek bijhoudt. De uitdaging ontstaat wanneer het dorp te groot wordt; als te veel mensen tegelijkertijd in het grootboek willen schrijven, vertraagt het proces en duurt het langer voordat iedereen het eens is over wat er is opgeschreven. Dit is het probleem van schaalbaarheid: naarmate het aantal transacties toeneemt, groeit de tijd die nodig is om ze te bevestigen, en daalt het aantal transacties dat het systeem per seconde kan verwerken. Voor blockchaintechnologie om bruikbaar te zijn voor alledaagse zaken zoals wereldwijde betalingen of stemsystemen, moet het in staat zijn om duizenden transacties snel te verwerken zonder vast te lopen.

Onderzoekers aan de Federal University Dutse in Nigeria hebben deze flessenhals aangepakt door een nieuwe methode te ontwikkelen om deze digitale systemen soeplijker te laten draaien. Ze richtten zich op twee specifieke prestatie-indicatoren: hoe lang een transactie duurt voordat deze wordt bevestigd, ook wel latentie genoemd, en hoeveel transacties het systeem in een enkele seconde kan verwerken, ook wel doorvoer genoemd. Om dit probleem op te lossen, creëerden ze een nieuw computerprogramma genaamd Multi-paradigm Adaptive Metaheuristic Optimization, of MAMO. Dit programma werkt als een slimme verkeersregelaar voor de blockchain. In tegenstelling tot oudere methoden die een vaste set regels volgen, ongeacht hoe druk het systeem is, leert en past MAMO zijn strategie voortdurend aan. Het combineert verschillende probleemoplossende technieken, waaronder methoden die nabootsen hoe de natuur oplossingen vindt en systemen die feedback gebruiken om fouten in realtime te corrigeren. Het doel was om te zien of deze aanpasbare aanpak de blockchain snel kon houden, zelfs wanneer de werklast zwaar wordt.

Om hun idee te testen, bouwden de onderzoekers een gedetailleerde computersimulatie van een blockchain-netwerk. Ze gebruikten geen echt netwerk, maar een virtuele omgeving waarin ze elke variabele met precisie konden controleren. Ze zetten een directe vergelijking op tussen hun nieuwe MAMO-systeem en een bestaande methode genaamd het Snake Optimization Algorithm, een recentere techniek geïnspireerd door het jacht- en paringsgedrag van slangen. Ze voerden de simulatie uit onder zes verschillende omstandigheden, beginnend bij slechts één transactie en opschalend tot maar liefst honderdduizend transacties. Voor elke omstandigheid voerden ze de test dertig keer uit om ervoor te zorgen dat de resultaten consistent waren en geen toevalstreffer. Ze hielden alles anders exact hetzelfde voor beide systemen, waarbij alleen de methode werd gewijzigd die werd gebruikt om de transacties te organiseren, zodat elk verschil in snelheid direct aan het algoritme zelf kon worden toegeschreven.

De resultaten toonden een duidelijk voordeel voor het nieuwe adaptieve systeem. Wanneer de werklast licht was, presteerden beide systemen redelijk goed, maar naarmate het aantal transacties toenam, begon de oudere Snake-methode moeite te krijgen. Bij het hoogste niveau van activiteit, met honderdduizend transacties, deed het Snake-systeem er gemiddeld 1,048680 milliseconden over om een transactie te bevestigen. In contrast hiermee slaagde het MAMO-systeem erin dezelfde taak te voltooien in slechts 0,939850 milliseconden. Hoewel dit verschil klein lijkt, vertegenwoordigt het in de wereld van high-speed computing een significante verbetering in reactiesnelheid. Belangrijker nog, het nieuwe systeem verwerkte een veel groter volume aan werk. Bij diezelfde piekbelasting verwerkte het MAMO-systeem 327.509,84 transacties per seconde, terwijl het Snake-systeem er slechts 202.864,77 kon verwerken. Dit betekent dat de nieuwe methode ongeveer 61 procent meer transacties kon verwerken in dezelfde tijd.

De onderzoekers keken ook naar de stabiliteit van de systemen. De oudere methode vertoonde veel meer variatie in prestaties; soms was het snel en soms was het veel langzamer, vooral wanneer het netwerk onder zware druk stond. Het nieuwe MAMO-systeem bleef echter stabiel en voorspelbaar over alle dertig proeven voor elk werklastniveau. Statistische tests bevestigden dat de verbetering in het aantal verwerkte transacties geen toeval was, maar een betrouwbaar resultaat dat standhield in alle verschillende scenario's. Hoewel het nieuwe systeem een lagere latentie vertoonde bij de hoogste werklast, werd statistische significantie voor de verbeteringen in latentie alleen gevonden bij het laagste werklastniveau (één transactie); de verbeteringen bij hogere werklasten, inclusclusief de meest extreme druk, bereikten na correctie geen statistische significantie. De studie suggereert dat door het optimalisatieproces aan te passen aan de huidige staat van het netwerk, in plaats van vast te houden aan een rigide plan, het systeem een hoge prestatie kan behouden, zelfs wanneer de vraag piekt.

Dit werk beweert niet dat het alle problemen waar de blockchaintechnologie voor staat heeft opgelost. De resultaten komen uit een gecontroleerde computersimulatie, en de onderzoekers erkennen dat echte netwerken vele andere factoren met zich meebrengen, zoals energieverbruik en beveiliging, die geen deel uitmaakten van deze specifieke test. Ze merkten ook op dat hoewel hun methode de Snake-algoritme overtrof, er andere bestaande methoden zijn die in toekomstige studies vergeleken kunnen worden. De bevindingen bieden echter sterk bewijs dat een flexibele, op leren gebaseerde aanpak superieur is aan een statische aanpak bij het omgaan met de complexe en veranderende eisen van een grootschalig digitaal grootboek. Door te bewijzen dat het systeem in realtime kan leren en aanpassen, bieden de onderzoekers een veelbelovend pad naar het maken van blockchaintechnologie snel genoeg voor de volgende generatie digitale toepassingen.