Page 404 - 《软件学报》2025年第8期
P. 404
张子龙 等: 基于原生链的跨 Rollup 机制研究 3827
求解效率, 而且在实际应用中具有很好的性能.
为了证明均衡算法的有效性, 本研究采用了一种基于固定交易笔数和固定聚合响应时间的方案, 该方案考虑
了不同交易到达率 λ 和系统偏好参数 α 的场景. 实验结果如图 17 所示, 在各种到达率和偏好参数条件下, 均衡算
法的综合评价得分始终保持最佳表现. 因此, 为了获得理想的响应时间和链上计算效率的平衡, 有必要采用多目标
优化的均衡算法.
均衡算法
固定数量
固定时间
1.0
0.9
0.98
0.96
评价分数 0.7 分数 0.94
0.8
0.92
0.90
0.88
0.6
0.8 80
0.6 60
0.5 0.4 40
0 25 50 75 100 125 150 175 200 参数 α 到达率 (tx/s)
迭代代数 0.2 20
图 16 NSGA-II 遗传算法收敛速度 图 17 多目标优化问题综合评价分数
聚合交易响应时间的结果如图 18 所示, 此时系统的偏好参数 α 为 0.5. 从图中可以明显看出, 随着交易到达率
的提高, 聚合响应时间呈现出递减的趋势. 值得注意的是, 均衡算法和固定交易数量方法在响应时间上逐渐趋于一
致. 然而, 在交易到达率较低的情况下, 采用固定交易数量方法的聚合响应时间会迅速上升, 从而导致实际交易时
延的显著增加. 在交易到达率只有每秒 5 笔的时候, 相较于最大聚合规模的选择, 交易时延可以减少 54.9%, 尽可
能提高系统的可用性.
200 均衡算法
固定数量
175
聚合响应时间 (s) 125
150
100
75
50
25
20 40 60 80 100
交易到达率 (tx/s)
图 18 聚合交易响应时间
4.5.3 实验结果分析
对于 NSGA-II 遗传算法, 其在收敛速度和效果方面表现出色, 因此经常被用作解决多目标优化问题的核心算
法. 除了本研究的实验结果之外, 文献 [23−25] 等也为 NSGA-II 算法在多目标问题中的广泛适用性提供了有力支
持. 因此, 将 NSGA-II 算法作为聚合规模多目标优化问题中均衡算法的核心方法是合理的.
关于均衡算法的聚合交易响应时间结果, 本文发现在交易到达率较高的情况下, 多目标优化问题可被简化为
单目标优化问题, 这将有助于减少遗传算法所需的计算开销. 若能确定交易的到达模型遵循泊松分布, 那么本文甚
至可以提前根据到达率计算最优聚合响应时间, 并通过查找预先生成的表格来获得结果, 从而避免进行实时计算.
