Page 399 - 《软件学报》2025年第8期

3822 软件学报 2025 年第 36 卷第 8 期

(1) 对新生成的种群进行快速非支配排序, 按照目标函数将解分为多个非支配层次. 在每个层次内, 解之间相
互不支配, 而位于较高层次的解优越于较低层次的解.
(2) 在每个非支配层次内, 计算每个解的拥挤度值, 以衡量目标空间中解的密度分布.
(3) 采用精英策略, 根据种群中个体所在的非支配层次及其拥挤度值, 优先选择支配层次高且拥挤度值较大的
个体, 淘汰表现较差的解.
(4) 对选定的个体应用选择、交叉与变异等遗传算法操作, 生成新的种群.
(5) 进行逐次迭代, 直至达到预定的迭代次数或达到满意的优化效果.
NSGA-II 求解多目标优化问题的最终迭代结果是一个相对分散均衡的帕累托最优解集, 最终需要获得一个精
确解来得到最终解. 理论上而言, 帕累托最优解集中的每一个解都可以作为最终结果. 系统实际上存在对目标函数
α 设置综合评价分数. 综合评价分数是一种线性量化指标, 用于衡
的偏好需求. 接下来, 本文根据预设的偏好参数
量解集中各解在满足多目标优化问题的各个方面的表现. 通过综合评价分数, 本文可以从帕累托最优解集中筛选
出符合系统偏好的解集. 在此过程中, α 参数起到了权衡各目标函数优先级的关键作用. 综合评价分数的形式如公
式 (14) 所示, 该分数越大说明其综合效果越好. 均衡的帕累托最优解集分布对系统偏好参数 α 的选择具有一定的
参考价值, 可以使得偏好参数可以选择帕累托解集中相对中间的值, 有助于在选择解时避免目标函数过于偏向单
一目标. 当然综合评价分数可以不仅采用线性归一化的方案, 也可以采用更复杂的模型方案.

score(x) = 1−(α× f 1 (x)+(1−α)× f 2 (x)) (14)

3.4 小 结
本节深入探讨了第 2 节中聚合效应所引发的新问题——聚合时延问题, 并针对该问题进行了全新的模型构
建. 为了解决聚合时延问题, 本文采用了批量服务排队论模型来构建多目标优化问题. 在此基础上, 本文提出了一
种聚合规模均衡调整算法, 该算法以非支配排序遗传算法 (NSGA-II) 和单目标优化解为基础, 在实现实时动态调
整聚合化规模的情况下, 可以尽可能减少计算开销.

4 实验结果与分析

本节旨在对基于原生链的跨 Rollup 机制进行全面测试与评估. 首先, 本节将介绍系统测试环境. 接下来, 分别
评估方案的链上计算开销和链上存储开销. 随后, 我们对聚合规模均衡调整算法进行评估, 并提供一组有效解. 最
后, 对基于原生链的跨 Rollup 方案与链下跨 Rollup 方案进行整体性能评价分析.

4.1 实验环境
本文采用的测试环境是在 CentOS 7.9 的服务器上, 服务器配置情况如表 6 所示.

表 6 实验测试环境

类型 配置
CPU Intel(R) Xeon(R) Gold 6230 CPU@2.10 GHz
CPU核数 80核
内存 256 GB
硬盘 1 TB
带宽 100 Mb/s
操作系统 CentOS 7.9

4.2 实验评价标准
在本节, 我们将设计实验评估以下几个关键方面. 首先, 针对基于原生链的跨 Rollup 方案, 本研究将对链上资
源消耗进行评估. 该评估将包括两个主要部分: 一是关于验证策略计算开销的节省, 具体而言, 采用批量化零知识
证明方案的证明成本开销; 二是关于存储策略的节省, 基于索引表的压缩方法节省链上存储资源量. 其次, 我们将
关注聚合规模均衡调整算法的效果, 以评估该算法在不同场景下的性能表现. 最后, 将对整体采用原生链的系统与