Sebuah Brain Baru Blockchain: Suatu Pengantar Algoritma Seeline's Consent Neural dari Jaringan peer-to-peer yang terdiri dari banyak node, atau komputer, yang berkomunikasi satu sama lain untuk mengaktifkan fungsi jaringan. Banyak teknologi mengandalkan jaringan peer-to-peer, termasuk blockchain. Salah satu masalah yang paling sulit dalam jaringan peer-to-peer adalah konsensus, atau kesepakatan antara semua node pada status jaringan saat ini. Dalam blockchain, ini sangat penting. Setiap node dalam jaringan dapat menerima atau melaporkan nilai yang berbeda untuk peristiwa tertentu, sehingga jaringan secara keseluruhan mungkin tidak sesuai kesepakatan. Ini menjadi sangat penting, misalnya, saat memesan transaksi dalam jaringan. Pertimbangkan 2 transaksi berikut yang dicatat oleh node A, B, dan C:

Karena masalah potensial seperti node atau masalah jaringan yang tidak setia, tidak semua node berada dalam konsensus! Dalam contoh di atas, node B percaya bahwa transaksi 2 terjadi sebelum transaksi 1, sementara node A dan C percaya bahwa itu adalah sebaliknya. Seperti yang Anda bayangkan, ini menjadi menghancurkan ketika blockchain menyimpan buku besar yang didistribusikan transaksi.

Negara saat ini dari Konsensus Algoritma

Jadi bagaimana kita mengatasi ini? Jaringan blockchain saat ini menggunakan banyak algoritma yang berbeda untuk mencapai konsensus. Algoritma yang paling umum adalah bukti kerja, tetapi banyak yang lain telah dikembangkan. Sayangnya, algoritme konsensus blockchain saat ini tidak dapat diukur, aman, dan efisien.

Bukti kerja tidak efisien karena overhead komputasi yang tinggi diperlukan untuk memecahkan masalah penciptaan blok kriptografi. Saat ini, laporan Digiconomist yang digunakan penambang Bitcoin tentang jumlah listrik yang sama dengan seluruh negara Chili. Bukti kepemilikan tidak memiliki keamanan, yang berisiko terhadap kemungkinan serangan "tidak ada yang dipertaruhkan" , di mana pejalan kaki memiliki insentif untuk mempertaruhkan kedua sisi garpu. Bukti kepemilikan saham EOS (DPoS) juga tidak memiliki keamanan dan memperkenalkan sentralisasi ke dalam proses konsensus dengan hanya memanfaatkan sejumlah kecil delegasi pengambilan keputusan. Terakhir, toleransi kesalahan Bizantium praktis (PBFT), yang banyak algoritma konsensus didasarkan dari, tidak memiliki skalabilitas mengingat tingginya biaya jaringan yang diperlukan seiring pertumbuhan jaringan.

Konsensus Saraf & EDA

Tiga masalah skalabilitas, keamanan, dan efisiensi adalah keterbatasan saat ini untuk semua jaringan dan teknologi blockchain terdesentralisasi. Seele telah menganalisis kelebihan dan kekurangan dari algoritma konsensus saat ini, dan mengusulkan Algoritma Konsensus Saraf dan perjanjian diferensial ED (EDA) untuk mengatasi masalah ini.

The Neural Concensus Algorithm didistribusikan menggunakan ε-differential agreements, sebuah proses matematis yang menyatukan seluruh jaringan node pada satu nilai yang konsisten. Nilai ini bisa berupa urutan transaksi spesifik, tinggi blok, atau nilai lain yang perlu disepakati oleh jaringan terdesentralisasi. Dalam artikel ini, kami akan menggunakan pesanan transaksi sebagai contoh kami.

Konsensus saraf dapat berjalan secara asinkron dan skala kinerjanya secara linier dengan jumlah simpul dalam suatu jaringan. Dapat menangani 40 +% node gagal dalam jaringan dan dapat dioptimalkan untuk berbagai kasus penggunaan. Kami membayangkan bahwa itu dapat membantu memecahkan masalah skalabilitas, keamanan, dan efisiensi yang ada dalam algoritme konsensus saat ini dan membantu meletakkan dasar bagi era baru Internet of Value.

Bagaimana itu bekerja

Tujuan EDA adalah untuk memastikan bahwa setiap node dalam jaringan mencapai konsensus pada nilai tertentu. Mari kita hancurkan EDA menjadi serangkaian langkah. Sebelum EDA dimulai, beberapa parameter dapat disesuaikan untuk efisiensi optimal dalam berbagai kasus penggunaan:

s : persentase node yang diambil sampelnya oleh setiap node selama setiap putaran.
ε : interval konvergensi target untuk nilai-nilai jaringan. Ketika semua nilai node berada dalam ε-diferensial, jaringan dianggap berada dalam konsensus.
r : jumlah putaran voting yang dilakukan sistem.
Setelah ini ditetapkan, kami siap untuk memulai!

Demo Jupyter Notebook untuk prosedur di bawah ini yang dihosting di mybinder dapat ditemukan di sini .

I. Distribusi transaksi dalam jaringan : Ketika seorang pengguna melakukan transaksi, transaksi didistribusikan ke seluruh jaringan ke semua node. Setiap node menghasilkan kumpulan gangguan dari transaksi yang belum dikonfirmasi yang akan dimasukkan dalam blockchain. Keadaan ini dapat dimodelkan oleh grafik di bawah ini, mewakili jaringan 1.000 node:

Di sini, setiap x-nilai mewakili simpul yang berbeda. Titik-titik berwarna di atas setiap nilai x mewakili transaksi yang berbeda, dan waktu yang dicatat oleh setiap node untuk setiap transaksi yang berbeda diwakili pada sumbu y. Saat ini, jaringan ini berantakan! Banyak node memiliki urutan transaksi yang berbeda

II. Sampling node : Setiap node menjangkau ke% s acak dari node lain di jaringan untuk polling dan mencatat nilai-nilai mereka. Setiap node kemudian menggunakan fungsi statistik untuk membuat nilai gabungan dari sampelnya. Sebagai contoh, mungkin menghitung "waktu transaksi median" dari waktu transaksi dari 5 node lain yang diambil sampelnya. Node kemudian mengadopsi statistik ini sebagai nilainya sendiri.

AKU AKU AKU. Konvergensi : Beberapa putaran sampling terjadi. Karena pengambilan sampel dilakukan secara acak, masing-masing simpul sampel memiliki pilihan simpul yang berbeda di setiap putaran. Karena setiap node mengadopsi nilai yang dihitung dari sampel yang diambil pada ronde sebelumnya, melalui beberapa putaran (paling banyak 6 atau 7), semua node berkumpul ke nilai yang sama. Jaringan dianggap dalam konsensus ketika perbedaan antara semua nilai node kurang dari preset ε.

Contoh di bawah ini memvisualisasikan beberapa putaran sampling yang mengarah ke perintah konvergen:

Kita dapat melihat nilai ε tumbuh lebih rendah dari waktu ke waktu:

Beberapa Detail Teknis:

1. Menentukan apakah jaringan dalam konsensus : karena node tidak tahu apakah seluruh jaringan berada dalam konsensus (yaitu dalam diferensial-ε), mereka hanya dapat menebak dengan persentase keyakinan tertentu berdasarkan sampel acak mereka bahwa jaringan berada dalam konsensus. Jika sampel node sangat mirip dengan deviasi kecil, maka ada kemungkinan lebih tinggi bahwa semua node telah berkumpul.

2. Divergensi : dalam skenario yang tidak mungkin (mungkin karena parameter aneh atau metode agregasi yang tidak biasa) bahwa jaringan tidak menyatu pada satu nilai, sisi yang memiliki persentase keyakinan tertinggi dipilih.

3. Metode penyelesaian yang berbeda : konsensus dapat dicapai melalui cara-cara yang berbeda, misalnya setelah serangkaian angka yang ditetapkan atau ketika semua node setidaknya beberapa persen yakin bahwa sistem berada dalam ε-diferensial

4. Faulty nodes : untuk kesederhanaan, demonstrasi di atas belum termasuk node yang salah. Namun, EDA telah diuji menjadi kesalahan toleran dalam jaringan dengan lebih dari 40% node bermasalah atau berbahaya.

5. Paralel penyortiran : pada contoh di atas, setiap node mengurutkan 10 transaksi secara paralel untuk setiap putaran. Jumlah ini dapat berubah di antara putaran atau dengan konfigurasi parameter yang berbeda. Biasanya, pada awal jaringan, lebih sedikit nilai yang disortir secara paralel dan secara bertahap ditambahkan saat sistem stabil.

Kesimpulan dan Bacaan Lebih Lanjut
Neural Consensus adalah algoritma terukur, aman, dan efisien yang memungkinkan jaringan terdistribusi untuk mencapai konsensus. Ini akan membantu menyelesaikan banyak masalah yang ada dalam algoritme konsensus saat ini. Seele menggunakan Konsensus Saraf dan EDA pada rantai-metanya, memungkinkan konsensus cepat di seluruh Jaringan Hutan Heterogennya.

Tertarik mencoba algoritma keluar? Bermain-main dengan demo Jupyter Notebook yang dihosting di mybinder . Anda juga dapat membaca lebih lanjut tentang algoritme Neural consensus dalam kertas putih Seele. Kertas kuning teknis mengenai Konsensus Saraf dan EDA akan segera dirilis. bergabung dengan proyek hebat ini

Website : https://seele.pro/
Facebook: https://www.facebook.com/seeletech
Twitter: https://twitter.com/seeletech
InkedIn: https://www.linkedin.com/company/seeletech
Reddit: https://www.reddit.com/user/seeletech
Github: https://github.com/seeleteam
Instagram:https://www.instagram.com/seeletech/

Telegram：
https://t.me/SeeleAnn (Seele Annouc)
https://t.me/seeletech (Official)
https://t.me/SeeleCN (Asia)