Машинное обучение для масштабирования блокчейнов

В данной работе исследуется оптимизация параметров блокчейн-сети Solana c использованием байесовской (суррогатной) оптимизации. Рассмотрены 4 алгоритма байесовской оптимизации, выполнена их реализация в коде и проведены эксперименты, оценивающие способность этих алгоритмов к оптимизации сети Solana в условиях ограниченного вычислительного бюджета. Целью работы была настройка параметров блокчейна с использованием алгоритмов байесовской оптимизации для достижения наилучшего показателя пропускной способности, выраженного в количестве транзакций в секунду (tps). В диссертации основной фокус внимания сконцентрирован на байесовской оптимизации, включая Гауссовский процесс как суррогатную модель и различные acquisitions functions (функции приобретения), такие как Expected Improvement, Thomspon sampling, Upper Confidence Bound и DYCORS. Эксперименты по оптимизации проводились с помощью запуска блокчейна и исследования его в качестве целевой функции “черного ящика”. Было показано, что алгоритмы суррогатной оптимизация эффективно подбирают параметры, максимизируя производительность сети. В частности, метод Upper Confidence Bound продемонстрировал наилучшую способность к максимизации выходного параметра tps.