2 Tổng quan các nghiên cứu và các kiến thức cơ sở
4.3 Các tham số thử nghiệm
Tổng số nút (m) Tổng số ứng cử viên (c) Tổng số vòng
Kịch bản 1 200 20 500
Kịch bản 2 300 25 500
Kịch bản 3 500 30 500
Scenario 1 Scenario 2 Scenario 3
0 50 100 150 200 250
Number of nodes become block producer 41
122 144 167 44 136 180 200 46 154 210 242 DPoS MPoC (n=75) MPoC (n=100) MPoC (n=125)
Hình 4.3: Số lượng các nhà sản xuất khối
so với DPoS. Đặc biệt, trong kịch bản 1, số lượng các nhà sản xuất khối của MPoC (vớin = 125) gấp 4 lần so với DPoS, lần lượt đạt 167 và 41. Do đó, MPoC cho thấy khả năng cao hơn mà một nút mạng có thể trở thành nhà sản xuất khối khi tham gia vào mạng lưới. Theo cách này, quá trình lựa chọn nhà sản xuất khối mới cho mạng chuỗi khối trở lên công bằng hơn cho tất cả các nút mạng.
Do số vòng(round) thử nghiệm cho quá trình lựa chọn các nhà sản xuất khối mới được cố định bằng 500 cho các thử nghiệm của chúng tôi, nên số lần tối đa và tối thiểu mà một nút có thể trở thành nhà sản xuất khối lần lượt là 500 và 0. Chúng tôi phân loại các nút mạng cố tổng số lần (TT) trở thành nhà sản xuất khối mới thành sáu nhóm như trình bày trong cột đầu tiên của bảng 4.4. Chú ý rằng cột đầu tiên (với TT=0) và cột thứ sáu (với T T ∈ (400,500]) là các trường
hợp đặc biệt. Nhóm đầu tiên thể hiện tổng số nút có tổng số lần trở thành các nhà Bảng 4.4: Tổng số lần (TT) trở thành nhà sản xuất khối của các nút mạng
Nhóm Kịch bản 1 Kịch bản 2 Kịch bản 3 DPoS MPoC DPoS MPoC DPoS MPoC n = 75 n = 100 n = 125 n = 75 n = 100 n = 125 n = 75 n = 100 n = 125 1) TT = 0 159 78 56 33 256 164 120 100 454 346 290 258 2) TT∈(0, 100] 20 89 119 142 23 95 149 174 25 122 178 213 3) TT∈(100, 200] 0 17 14 20 0 25 25 24 0 10 23 26 4) TT∈(200, 300] 0 12 6 4 0 11 3 1 0 14 5 3 5) TT∈(300, 400] 0 2 3 1 0 2 1 0 0 5 3 0 6) TT∈(400, 500] 21 2 2 0 21 3 2 1 21 3 1 0
sản xuất khối là 0 (T T = 0). Nói các khác, trong tất cả 500 vòng của quá trình thử nghiệm, một nút không bao giờ được lựa chọn làm nhà sản xuất khối mới. Do đó, nếu một giao thức đồng thuận có nhiều nút thuộc nhóm đầu tiên đầu tiên, điều đó có nghĩa là khi sử dụng giao thức đồng thuận này, một lượng lớn các nút không có cơ hội được chọn làm nhà sản xuất khối. Do đó, giao thức có mức độ phi tập trung thấp. Và ngược lại, một giao thức đồng thuận có tổng số nút thuộc nhóm một thấp cho thấy mức độ phi tập trung cao hơn. Bên cạnh đó, nếu một nút thuộc nhóm thứ sáu (nhóm cuối cùng trong bảng), thể hiện rằng nút đó đã được lựa chọn làm nhà sản xuất khối nhiều hơn 400 lần trong 500 vòng chạy của thử nghiệm. Do đó, các nút khác ít có cơ hội trở thành nhà sản xuất khối hơn. Giả sử rằng với cùng một số lượng nút, nếu một giao thức đồng thuận có tổng số nút thuộc nhóm thứ sáu nhiều hơn cho thấy giao thức đó sẽ có mức độ phi tập trung thấp hơn.
Kết quả thực nghiệm được mô tả trong bảng 4.4 cho thấy MPoC có ít nút thuộc nhóm một hơn khi so sánh với DPoS. Đặc biệt, với kịch bản 1, tổng số nút của MPoC (với n = 125) thuộc nhóm một là 33. Trong khi đó, giá trị này với DPoS là 159. Nó cho thấy DPoS chỉ lựa chọn một vài nút trở thành nhà sản xuất khối trong suốt 500 vòng. Ngươic lại, MPoC cho phép tất cả các nút trong mạng lưới có cơ hội để được lựa chọn trở thành nhà sản xuất khối. Trong nhóm thứ sau, 21 nút của DPoS có tổng số lần trở thành nhà sản xuất khối mới nhiều hơn 400 lần.
DPoS MPoC (n=75) MPoC (n=100) Scenario 1 MPoC (n=125) Scenario 2 Scenario 3
Hình 4.4: Tỉ lệ của các nút trở thành các nhà sản xuất khối
Tuy nhiên, không có nút nào được lựa chọn trở thành các nhà sản xuất khối mới nhiều hơn 400 lần với MPoC (trong trường hợp n = 125). Điều này thêm một lần nữa chứng tỏ rằng không có nút đặc biệt trong MPoC và tất cả các nút đều có cơ hội để được lựa chọn trở thành nhà sản xuất khối. Một quan sát khác đối với thử nghiệm này, đó là trong nhóm thứ ba, tư và thứ năm của DPoS trong bảng 4.4: Không có nút mạng nào nằm trong các nhóm này. Do vậy, nếu một nút mạng được lựa chọn trở thành nhà sản xuất khối trong DPoS, nó gần như sẽ được trở thành nhà sản xuất khối trong vòng tiếp theo. Ngược lại, với MPoC, các nút khác sẽ vẫn có cơ hội để trở thành nhà sản xuất khối trong vòng tiếp theo. Dưới một góc nhìn khác, Hình 4.4 cho thấy tỷ lệ giữa số nhà sản xuất khối trên tất cả các nút trong mạng. Trong hình này, mỗi phần nhỏ của biểu đồ hình tròn là tỉ lệ mỗi nút trở thành nhà sản xuất khối sau một số lượng vòng (round) nhất định. Do đó, số phần nhỏ trong biểu đồ hình tròn càng nhiều càng tốt. Vì vậy, số lượng các nút độc lập trở thành nhà sản xuất khối càng lớn. Bên cạnh đó, độ lớn của các phần nhỏ càng đồng đều nhau càng tốt, thể hiện số lần trở thành nhà sản xuất khối của các nút
mạng là cân bằng nhau. Với những điều kiện này, mạng chuỗi khối sẽ có mức độ phi tập trung mạnh mẽ. Thật vậy, như được minh họa trong Hình 4.4, đối với DPoS, mặc dù hơn 40 nút (tức là có 40 phần nhỏ trong đồ thị hình tròn của DPoS) trở thành nhà sản xuất khối trong cả ba trường hợp nhưng hầu hết các khối chỉ được tạo ra bởi 21 nút mạng. Trong khi đó, có một nhóm nhỏ các nút còn lại có quyền tạo ra các khối mới với tỉ lệ rất thấp. Đối với MPoC, vấn đề này được giải quyết một cách hiệu quả. Các nút tạo ra các khối đồng đều hơn và không có nhóm nút nào chiếm quá nhiều quyền sản xuất khối mới trong cả ba trường hợp. Thông qua thực nghiệm này, chúng ta có thể thấy rằng, MPoC mang lại chất lượng phi tập trung tốt hơn so với DPoS. Việc thử nghiệm đánh giá các nút mạng dựa trên nhiều tiêu chí đánh giá cũng mang lại kết quả tốt.
Chương 5
Kết luận và hướng phát triển
Trong nghiên cứu này, chúng tôi đề xuất một giao thức đồng thuận mới dựa trên đánh giá các tiêu chí trong mạng chuỗi khối (Meta-heuristic Proof of Criteria - MPoC). Mục tiêu chính của giải thuật này là để tăng số lượng các nhà sản xuất khối và cải thiện mức độ phi tập trung của mạng lưới bằng việc sử dụng đồng thời nhiêu tiêu chí đánh giá từ quá trình hoạt động của mạng lưới. Giải thuật đề xuất hướng tới việc giải quyết các nhược điểm trong quá trình lựa chọn các nhà sản xuất khối của DPoS. Để đánh giá một nút trong quá trình lựa chọn nhà sản xuất khối mới, chúng tôi đề xuất sử dụng nhóm các giải thuật metaheuristic - MHAs để tối ưu mức độ phi tập trung của mạng lưới. Với cách tiếp cận của chúng tôi, MPoC mang lại sự công bằng giữa các nút mạng vào tạo ra cơ chế khuyến khích cho hệ thống chuỗi khối. Thông qua thực nghiệm, giao thức đồng thuận của chúng tôi chỉ ra tính khả thi của MPoC trong quá trình đánh giá nhiều tiêu chí hoạt động của các nút mạng. Bằng việc sử dụng MPoC, nhiều nút tham gia đóng góp trên nhiều khía cạnh khác nhau để duy trì mạng lưới. Ngoài ra, vẫn có rủi ro về việc tấn công 51% như DPoS. Trong tương lai, chúng tôi sẽ tập trung vào việc giải quyết vấn đề này cho MPoC. Chúng tôi cũng có kế hoạch đánh giá nhiều giải thuật MHAs khác cho giao thức được đề xuất.
Tài liệu tham khảo
[1] Giuseppe Ateniese, Ilario Bonacina, Antonio Faonio, and Nicola Galesi. Proofs of space: When space is of the essence. InInternational Conference on Security
and Cryptography for Networks, pages 538–557. Springer, 2014.
[2] Qinghai Bai. Analysis of particle swarm optimization algorithm. Computer and information science, 3(1):180, 2010.
[3] Nikola Bozic, Guy Pujolle, and Stefano Secci. A tutorial on blockchain and ap- plications to secure network control-planes. In 2016 3rd Smart Cloud Networks & Systems (SCNS), pages 1–8. IEEE, 2016.
[4] Lin Chen, Lei Xu, Nolan Shah, Zhimin Gao, Yang Lu, and Weidong Shi. On security analysis of proof-of-elapsed-time (poet). In International Symposium
on Stabilization, Safety, and Security of Distributed Systems, pages 282–297.
Springer, 2017.
[5] Gavriel Christofi. Study of consensus protocols and improvement of the dele- gated byzantine fault tolerance (dbft) algorithm. Master’s thesis, Universitat Politècnica de Catalunya, 2019.
[6] Swagatam Das, Arijit Biswas, Sambarta Dasgupta, and Ajith Abraham. Bac- terial foraging optimization algorithm: theoretical foundations, analysis, and applications. InFoundations of computational intelligence volume 3, pages 23– 55. Springer, 2009.
[7] Javier Del Ser, Eneko Osaba, Daniel Molina, Xin-She Yang, Sancho Salcedo- Sanz, and David Camacho. Swagatam das, ponnuthurai n suganthan, carlos a coello coello, and francisco herrera. Bio-inspired computation: Where we stand
and what’s next. Swarm and Evolutionary Computation, 48:220–250, 2019.
[8] M Divya and Nagaveni B Biradar. Iota-next generation block chain. Inter-
national Journal Of Engineering And Computer Science, 7(04):23823–23826,
2018.
[9] Fatma A Hashim, Essam H Houssein, Mai S Mabrouk, Walid Al-Atabany, and Seyedali Mirjalili. Henry gas solubility optimization: A novel physics-based algorithm. Future Generation Computer Systems, 101:646–667, 2019.
[10] Abdolreza Hatamlou. Black hole: A new heuristic optimization approach for data clustering. Information sciences, 222:175–184, 2013.
[11] Jun-Ho Huh and Seong-Kyu Kim. The blockchain consensus algorithm for viable management of new and renewable energies. Sustainability, 11(11):3184, 2019.
[12] A Kaveh and A Zolghadr. A novel meta-heuristic algorithm: tug of war opti- mization. Iran University of Science & Technology, 6(4):469–492, 2016.
[13] Aggelos Kiayias, Alexander Russell, Bernardo David, and Roman Oliynykov. Ouroboros: A provably secure proof-of-stake blockchain protocol. In Annual
International Cryptology Conference, pages 357–388. Springer, 2017.
[14] Sunny King and Scott Nadal. Ppcoin: Peer-to-peer crypto-currency with proof- of-stake. self-published paper, August, 19, 2012.
[15] Leslie Lamport et al. Paxos made simple.ACM Sigact News, 32(4):18–25, 2001.
[16] Daniel Larimer. Delegated proof-of-stake (dpos). Bitshare whitepaper, 2014.
[17] Kejiao Li, Hui Li, Hanxu Hou, Kedan Li, and Yongle Chen. Proof of vote: A high-performance consensus protocol based on vote mechanism & consortium
blockchain. In 2017 IEEE 19th International Conference on High Performance
Computing and Communications, pages 466–473. IEEE, 2017.
[18] David Mazieres. The stellar consensus protocol: A federated model for internet- level consensus. Stellar Development Foundation, page 32, 2015.
[19] Mitar Milutinovic, Warren He, Howard Wu, and Maxinder Kanwal. Proof of luck: An efficient blockchain consensus protocol. Inproceedings of the 1st Work-
shop on System Software for Trusted Execution, page 2. ACM, 2016.
[20] Seyedali Mirjalili and Andrew Lewis. The whale optimization algorithm. Ad- vances in engineering software, 95:51–67, 2016.
[21] Satoshi Nakamoto. Bitcoin: A peer-to-peer electronic cash system. Technical report, Manubot, 2019.
[22] Satoshi Nakamoto et al. Bitcoin: A peer-to-peer electronic cash system.(2008), 2008.
[23] Binh Minh Nguyen, Bao Hoang, Thieu Nguyen, and Giang Nguyen. nqsv-net: a novel queuing search variant for global space search and workload modeling.
Journal of Ambient Intelligence and Humanized Computing, pages 1–20, 2021.
[24] Binh Minh Nguyen, Thang Nguyen, Thieu Nguyen, and Ba-Lam Do. Mpoc- a metaheuristic proof of criteria consensus protocol for blockchain network.
In 2021 IEEE International Conference on Blockchain and Cryptocurrency
(ICBC), pages 1–8. IEEE, 2021.
[25] Giang-Truong Nguyen and Kyungbaek Kim. A survey about consensus algo- rithms used in blockchain. Journal of Information processing systems, 14(1), 2018.
[26] Thieu Nguyen, Nhuan Tran, Binh Minh Nguyen, and Giang Nguyen. A resource usage prediction system using functional-link and genetic algorithm neural net- work for multivariate cloud metrics. In2018 IEEE 11th Conference on Service-
[27] Diego Ongaro and John Ousterhout. In search of an understandable consensus algorithm. In 2014 {USENIX} Annual Technical Conference ({USENIX}{ATC} 14), pages 305–319, 2014.
[28] R Venkata Rao, Vimal J Savsani, and DP Vakharia. Teaching–learning-based optimization: a novel method for constrained mechanical design optimization problems. Computer-Aided Design, 43(3):303–315, 2011.
[29] Sancho Salcedo-Sanz. A review on the coral reefs optimization algorithm: new development lines and current applications. Progress in Artificial Intelligence, 6(1):1–15, 2017.
[30] David Schwartz, Noah Youngs, Arthur Britto, et al. The ripple protocol con- sensus algorithm. Ripple Labs Inc White Paper, 5:8, 2014.
[31] S Shadravan, HR Naji, and Vahid Khatibi Bardsiri. The sailfish optimizer: A novel nature-inspired metaheuristic algorithm for solving constrained engineer- ing optimization problems. Engineering Applications of Artificial Intelligence, 80:20–34, 2019.
[32] Yuhui Shi. Brain storm optimization algorithm. InInternational conference in swarm intelligence, pages 303–309. Springer, 2011.
[33] Yung Po Tsang, King Lun Choy, Chun Ho Wu, George To Sum Ho, and Hoi Yan Lam. Blockchain-driven iot for food traceability with an integrated consensus mechanism. IEEE access, 7:129000–129017, 2019.
[34] Eric Ke Wang, Zuodong Liang, Chien-Ming Chen, Saru Kumari, and Muham- mad Khurram Khan. Porx: A reputation incentive scheme for blockchain con- sensus of iiot. Future Generation Computer Systems, 102:140–151, 2020.
[35] Zhenglei Wei, Changqiang Huang, Xiaofei Wang, Tong Han, and Yintong Li. Nuclear reaction optimization: A novel and powerful physics-based algorithm for global optimization. IEEE Access, 7:66084–66109, 2019.
[36] Yang Xiao, Ning Zhang, Wenjing Lou, and Y Thomas Hou. A survey of dis- tributed consensus protocols for blockchain networks. IEEE Communications Surveys & Tutorials, 22(2):1432–1465, 2020.
[37] Brent Xu, Dhruv Luthra, Zak Cole, and Nate Blakely. Eos: An architectural, performance, and economic analysis, 2018.
[38] Bin Yu, Joseph Liu, Surya Nepal, Jiangshan Yu, and Paul Rimba. Proof-of-qos: Qos based blockchain consensus protocol. Computers & Security, 87:101580, 2019.