Метод створення датасетів для оцінки алгоритмів розподілу валідаторів на основі механізму Proof of Stake
DOI:
https://doi.org/10.30837/0135-1710.2025.186.071Ключові слова:
блокчейн, Proof of Stake, Валідатори, експериментальні датасети, відтворюваність, оптимізація, розподілАнотація
Досліджено проблему відтворюваності експериментів з оптимізації розподілу валідаторів у блокчейн-мережах із консенсусом Proof of Stake, зокрема через відсутність стандартизованих датасетів та уніфікованих методів тестування, що ускладнює об’єктивне порівняння алгоритмів. Для вирішення цієї проблеми запропоновано метод побудови тестових наборів даних, що базуються на детермінованих генераторах псевдовипадкових послідовностей та характеристиках валідаторів, налаштованих за статистикою мережі Ethereum.
Кожен валідатор описано набором параметрів, що включає розмір стейку з мінімальною вимогою відповідно до стандартів Ethereum, продуктивність із рівномірним розподілом, надійність у високому діапазоні, мережеві затримки залежно від географічної близькості учасників, географічне розташування згідно з фактичною статистикою розподілу валідаторів по регіонах, якість мережевого з’єднання та історію штрафів відповідно до статистики порушень у Beacon Chain. Було створено три набори даних різного масштабу для малих, середніх та великих конфігурацій мереж із фіксованими початковими значеннями генераторів для забезпечення повної відтворюваності експериментів.
Розроблено систему багатокритеріальної оцінки, засновану на узагальненому показнику якості, що максимізує пропускну здатність системи та мінімізує дисбаланс навантаження і мережеві затримки з науково обґрунтованими ваговими коефіцієнтами. Протокол десятикратного тестування забезпечує статистичну достовірність результатів і зменшує вплив випадковості на висновки.
В експериментах було проведено порівняльний аналіз чотирьох алгоритмів розподілу: гібридного метаевристичного методу на основі оптимізації роєм частинок із локальним пошуком, випадкового розподілу з корекцією, адаптованого механізму перетасування Ethereum та жадібного алгоритму. Результати експериментів показали масштабно-залежну ефективність алгоритмів: гібридний метод забезпечує високу якість оптимізації на всіх досліджуваних масштабах, проте квадратичне зростання часу виконання обмежує його застосування періодичним офлайн-плануванням конфігурації мережі; механізм перетасування демонструє стабільні результати середньої якості при швидкому виконанні; випадковий метод характеризується помірною швидкістю з варіативними результатами; жадібний алгоритм показує максимальну швидкість із детермінованими результатами, але змінну ефективність залежно від масштабу мережі.
Запропонований метод формує основу для стандартизації експериментальних досліджень у системах консенсусу Proof of Stake та забезпечує об’єктивне порівняння нових алгоритмічних рішень для розподілу валідаторів у децентралізованих блокчейн-мережах.
Посилання
E. Kapengut and B. Mizrach, “An Event Study of the Ethereum Transition to Proof-of-Stake,” Commodities, vol. 2, no. 2, pp. 96–110, Jun. 2023, doi: https://doi.org/10.3390/commodities2020006.
Ethereum Foundation, The Beacon Chain, 2024. URL: https://ethereum.org/en/upgrades/beacon-chain/.
Ethan “ethos.dev” (Joseph Ch), The Beacon Chain Ethereum 2.0 explainer you need to read first, ethos.dev, 2022. URL: https://ethos.dev/beacon-chain.
B. Edgington, Randomness, in: *Building Blocks*, Eth2 Book, 2025. URL: https://eth2book.info/latest/part2/building_blocks/randomness/.
T. Yan, S. Li, B. Kraner, L. Zhang, and C. J. Tessone, “A Data Engineering Framework for Ethereum Beacon Chain Rewards: From Data Collection to Decentralization Metrics,” Scientific Data, vol. 12, no. 1, Mar. 2025, doi: https://doi.org/10.1038/s41597-025-04623-7.
Axon Trade, “Ethereum in 2025∶ Network, Usage, and Upgrades,” Axon Trade, 2025. https://axon.trade/ethereum-in-2025 (accessed Aug. 25, 2025).
BlockByte, “The Fed’s Pro-Crypto Pivot: How DeFi and Stablecoins Are Reshaping U.S. Financial Infrastructure,” Ainvest, Aug. 21, 2025. https://www.ainvest.com/news/fed-pro-crypto-pivot-defi-stablecoins-reshaping-financial-infrastructure-2508 (accessed Aug. 25, 2025).
A. Leporati and L. Rovida, “Looking for Stability in Proof-of-Stake based Consensus Mechanisms,” Blockchain Research and Applications, pp. 100222–100222, Jul. 2024, doi: https://doi.org/10.1016/j.bcra.2024.100222.
Q. H. Nguyen, A. Cronje, and M. Kong, “Fast Stochastic Peer Selection in Proof-of-Stake Protocols,” arXiv (Cornell University), Jan. 2019, doi: https://doi.org/10.48550/arxiv.1911.04629.
V. T. Hoang, B. Morris, and P. Rogaway, “An Enciphering Scheme Based on a Card Shuffle,” arXiv (Cornell University), Jan. 2012, doi: https://doi.org/10.48550/arxiv.1208.1176.
“Upgrading Ethereum | 2.9.4 Shuffling,” Eth2book.info, 2025. https://eth2book.info/latest/part2/building_blocks/shuffling/ (accessed Aug. 27, 2025).
K. Venkatesan and S. B. Rahayu, “Blockchain security enhancement: an approach towards hybrid consensus algorithms and machine learning techniques,” Scientific Reports, vol. 14, no. 1, p. 1149, Jan. 2024, doi: https://doi.org/10.1038/s41598-024-51578-7.
X. Gu, X. Wang, Y. Ma, Z. Chen, and S. Huang, “Performance Optimization for Information Sharing Process of BlockIoV Based on Multi-Objective Particle Swarm,” pp. 172–183, Oct. 2023, doi: https://doi.org/10.1109/qrs60937.2023.00026.
H. Xiang, Z. Ren, Z. Zhou, N. Wang, and H. Jin, “AlphaBlock: An Evaluation Framework for Blockchain Consensus Protocols,” arXiv (Cornell University), Jan. 2020, doi: https://doi.org/10.48550/arxiv.2007.13289.
“Towards a Unified Metric for Performance Evaluation of Proof-of-Stake Blockchains,” Algorandtechnologies.com, 2018. https://algorandtechnologies.com/news/towards-a-unified-metric-for-performance-evaluation-of-proof-of-stake-blockchains (accessed Aug. 27, 2025).
W. Zhong et al., “Byzantine Fault-Tolerant Consensus Algorithms: A Survey,” Electronics, vol. 12, no. 18, pp. 3801–3801, Sep. 2023, doi: https://doi.org/10.3390/electronics12183801.
“Metric: Validator Efficiency | beaconcha.in Knowledge Base,” Beaconcha.in, Jun. 04, 2025. https://kb.beaconcha.in/v2beta/metric-validator-efficiency (accessed Aug. 28, 2025).
A. Lebedev and V. Gramoli, “On the Relevance of Blockchain Evaluations on Bare Metal,” arXiv (Cornell University), Jan. 2023, doi: https://doi.org/10.48550/arxiv.2311.09440.
“Deanonymizing Ethereum Validators: The P2P Network Has a Privacy Issue,” Arxiv.org, 2024. https://arxiv.org/html/2409.04366v2 (accessed Aug. 28, 2025).
Y. Demenko, I. Grebennik, M. Kolmykov, Optimization of Validator Assignment to Committees in Proof-of-Stake Blockchain Systems, in: Modern Information Technologies and Artificial Intelligence Systems: Proceedings of the 1st International Scientific and Practical Conference MIT@AIS-2025, Kharkiv–Yaremche, May 19–22, 2025, KhNURE, Kharkiv, 2025, pp. 46–49. (In Ukrainian).
J. Kennedy, Particle Swarm Optimization, in: C. Sammut, G. I. Webb (Eds.), Encyclopedia of Machine Learning, Springer, Boston, MA, 2011. doi:10.1007/978-0-387-30164-8_630.
Y. Wang, “Review on greedy algorithm,” Theoretical and natural science, vol. 14, no. 1, pp. 233–239, Nov. 2023, doi: https://doi.org/10.54254/2753-8818/14/20241041.
