الگوريتم مسيريابي تطبيقي مبتني بر يادگيري آنلاين براي پرداخت‌هاي چندمسيره در شبكه لايتنينگ

اصفهان : دانشگاه صنعتي اصفهان

مهندسي كامپيوتر

كارشناسي ارشد

شبكه لايتنينگ به عنوان برجسته‌ترين راهكار مقياس‌پذيري لايه دوم بيت‌كوين، علي‌رغم پتانسيل بالا، با چالش‌هاي كليدي نظير عدم قطعيت در ظرفيت كانال‌ها، نرخ بالاي شكست در پرداخت‌هاي كلان، هزينه‌هاي متغير عملياتي و تأخير در مسيريابي مواجه است. در اين پژوهش، يك مدل نوين مسيريابي هوشمند با تلفيق رتبه‌بندي وفقي صف، پرداخت‌هاي چندمسيره و يادگيري ماشين آنلاين ارائه شده است. هدف از اين روش‌‌شناسي، ارتقاي نرخ موفقيت پرداخت‌ها و بهينه‌سازي هزينه‌ها از طريق پيش‌بيني پوياي وضعيت نقدينگي شبكه است. در روش پيشنهادي، هر گره با بهره‌گيري از يك مدل يادگيري ماشين سبك‌وزن، وزن پارامترهاي مسيريابي (شامل ظرفيت، كارمزد و تعداد گام‌ها) را بر اساس تجربه‌هاي زيسته و نتايج تراكنش‌هاي قبلي به‌صورت بلادرنگ به‌روزرساني مي‌كند. اين رويكرد در تركيب با قابليت پرداخت‌هاي چندمسيره ، امكان تقسيم هوشمندانه مبالغ به تكه‌هاي بهينه و هدايت همزمان آن‌ها از مسيرهاي موازي را فراهم مي‌آورد كه منجر به كاهش چشمگير بن‌بست‌هاي ناشي از تخليه نقدينگي كانال‌ها مي‌شود. جهت ارزيابي عملكرد، الگوريتم پيشنهادي بر روي يك شبيه‌ساز اختصاصي با توپولوژي‌هاي پويا پياده‌سازي و با روش‌هاي سنتي و مدل‌هاي چندمسيره استاتيك مقايسه شد. نتايج تجربي نشان مي‌دهد كه مدل پيشنهادي موفق به دستيابي به نرخ موفقيت 94٪ شده است كه بهبودي 23 تا 32 درصدي را نسبت به روش‌هاي پايه نشان مي‌دهد. همچنين، اين مدل توانسته است ميانگين كارمزد تراكنش‌ها را از 20٪ تا بالاتر از60٪ كاهش داده و تعداد تلاش‌هاي مجدد را به حداقل برساند. تحليل منحني يادگيري ثابت كرد كه الگوريتم پس از يك دوره كوتاه اكتشاف، به پايداري عملكردي رسيده و حتي در شرايط تنش بار ترافيكي، كارايي خود را دو برابر بيشتر از مدل‌هاي كلاسيك حفظ مي‌كند. اگرچه اين بهبودها با افزايش كنترل‌شده در تأخير نهايي همراه است، اما توازن ايجاد شده بين نرخ موفقيت و صرفه اقتصادي، اين مدل را به راهكاري عملياتي براي محيط‌هاي پرداخت پويا تبديل مي‌كند.

238068

رايانش امن

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان