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

No mundo digital, um blockchain é um livro de registros compartilhado que muitos computadores mantêm juntos, garantindo que cada transação seja segura e transparente sem a necessidade de um banco central ou autoridade para supervisioná-la. Imagine um grupo de vizinhos todos anotando cada vez que o dinheiro muda de mãos em sua aldeia, cada um mantendo uma cópia idêntica do livro contábil. O desafio surge quando a aldeia cresce demais; se muitas pessoas tentarem escrever no livro ao mesmo tempo, o processo desacelera e leva mais tempo para que todos concordem com o que foi escrito. Este é o problema da escalabilidade: à medida que o número de transações aumenta, o tempo necessário para confirmá-las cresce e o número de transações que o sistema pode processar por segundo diminui. Para que a tecnologia blockchain seja útil para coisas cotidianas, como pagamentos globais ou sistemas de votação, ela deve ser capaz de processar milhares de transações rapidamente sem ficar sobrecarregada.

Pesquisadores da Universidade Federal de Dutse, na Nigéria, enfrentaram esse gargalo desenvolvendo um novo método para ajudar esses sistemas digitais a funcionarem de forma mais fluida. Eles focaram em duas medidas específicas de desempenho: quanto tempo uma transação leva para ser confirmada, conhecida como latência, e quantas transações o sistema pode processar em um único segundo, conhecida como vazão (throughput). Para resolver o problema, criaram um novo programa de computador chamado Otimização Metaheurística Adaptativa Multiparadigma, ou MAMO. Este programa atua como um controlador de tráfego inteligente para o blockchain. Ao contrário dos métodos mais antigos que seguem um conjunto fixo de regras, independentemente de quão ocupado o sistema esteja, o MAMO aprende e ajusta constantemente sua estratégia. Ele combina diversas técnicas diferentes de resolução de problemas, incluindo métodos que imitam como a natureza encontra soluções e sistemas que utilizam feedback para corrigir erros em tempo real. O objetivo era ver se essa abordagem adaptável poderia manter o blockchain movendo-se rapidamente mesmo quando a carga de trabalho se torna pesada.

Para testar sua ideia, os pesquisadores construíram uma simulação detalhada de uma rede blockchain. Eles não usaram uma rede do mundo real, mas sim um ambiente virtual onde podiam controlar cada variável com precisão. Eles estabeleceram uma competição direta entre seu novo sistema MAMO e um método existente chamado Algoritmo de Otimização de Serpente (Snake Optimization Algorithm), que é uma técnica mais recente inspirada nos comportamentos de caça e acasalamento das serpentes. Eles executaram a simulação sob seis condições diferentes, começando com apenas uma transação e escalando até cem mil transações. Para cada condição, realizaram o teste trinta vezes para garantir que os resultados fossem consistentes e não apenas uma sorte momentânea. Eles mantiveram todo o resto exatamente igual para ambos os sistemas, mudando apenas o método usado para organizar as transações, para que qualquer diferença de velocidade pudesse ser atribuída diretamente ao algoritmo em si.

Os resultados mostraram uma vantagem clara para o novo sistema adaptativo. Quando a carga de trabalho era leve, ambos os sistemas performavam razoavelmente bem, mas conforme o número de transações aumentava, o método antigo da Serpente começava a ter dificuldades. No nível mais alto de atividade, com cem mil transações, o sistema da Serpente levou uma média de 1,048680 milissegundos para confirmar uma transação. Em contraste, o sistema MAMO conseguiu realizar a mesma tarefa em apenas 0,939850 milissegundos. Embora essa diferença possa parecer pequena, no mundo da computação de alta velocidade, representa uma melhoria significativa de responsividade. Mais importante ainda, o novo sistema lidou com um volume muito maior de trabalho. Na mesma carga máxima, o sistema MAMO processou 327.509,84 transações por segundo, enquanto o sistema da Serpente só conseguia gerenciar 202.864,77. Isso significa que o novo método foi capaz de processar aproximadamente 61 por cento mais transações no mesmo intervalo de tempo.

Os pesquisadores também observaram quão estáveis eram os sistemas. O método mais antigo mostrou uma variação muito maior em seu desempenho; às vezes era rápido, outras vezes era muito lento, especialmente quando a rede estava sob forte estresse. O novo sistema MAMO, no entanto, permaneceu constante e previsível em todos os trinta testes para cada nível de carga de trabalho. Testes estatísticos confirmaram que a melhoria no número de transações processadas não foi uma coincidência, mas um resultado confiável que se manteve verdadeiro em todos os diferentes cenários. Embora o novo sistema tenha mostrado uma latência menor na carga de trabalho mais alta, a significância estatística para as melhorias de latência foi encontrada apenas no nível de carga mais baixo (uma transação); as melhorias nos níveis de carga mais altos, incluindo a pressão mais extrema, não atingiram significância estatística após a correção. O estudo sugere que, ao permitir que o processo de otimização se adapte ao estado atual da rede, em vez de aderir a um plano rígido, o sistema pode manter o alto desempenho mesmo quando a demanda aumenta.

Este trabalho não pretende ter resolvido todos os problemas que enfrentam a tecnologia blockchain. Os resultados vêm de uma simulação de computador controlada, e os pesquisadores reconhecem que as redes do mundo real envolvem muitos outros fatores, como consumo de energia e segurança, que não fizeram parte deste teste específico. Eles também observaram que, embora seu método tenha superado o algoritmo da Serpente, existem outros métodos existentes que poderiam ser comparados em estudos futuros. No entanto, as descobertas fornecem evidências fortes de que uma abordagem flexível e baseada em aprendizado é superior a uma abordagem estática ao lidar com as demandas complexas e mutáveis de um livro contábil digital de grande escala. Ao provar que o sistema pode aprender e se ajustar em tempo real, os pesquisadores ofereceram um caminho promissor para tornar a tecnologia blockchain rápida o suficiente para suportar a próxima geração de aplicações digitais.