ในเดือนมีนาคมปีนี้ เครือข่ายบล็อกเชน L1 ที่มีความยืดหยุ่นสูงArtela เปิดตัว EVM++ ซึ่งเป็นการอัปเกรดที่กําหนดเป้าหมายไปที่เทคโนโลยีเลเยอร์การดําเนินการ EVM รุ่นต่อไป "+" ตัวแรกใน EVM++ ย่อมาจาก "Extensibility" ซึ่งทําได้ผ่านเทคโนโลยี Aspect เพื่อสนับสนุนนักพัฒนาในการสร้างโปรแกรมแบบกําหนดเองแบบ on-chain ในสภาพแวดล้อม WebAssembly (WASM) โปรแกรมเหล่านี้สามารถทํางานร่วมกับ EVM เพื่อมอบส่วนขยายเฉพาะแอปพลิเคชันที่มีประสิทธิภาพสูงและปรับแต่งได้สําหรับ dApps "+" ที่สองหมายถึง "ความสามารถในการปรับขนาด" ซึ่งทําได้ผ่านเทคนิคการดําเนินการแบบขนานและการออกแบบพื้นที่บล็อกยืดหยุ่นซึ่งช่วยเพิ่มความสามารถในการประมวลผลเครือข่ายและประสิทธิภาพอย่างมีนัยสําคัญ

WebAssembly (WASM) เป็นรูปแบบรหัสที่มีประสิทธิภาพสูงสามารถทำงานในเว็บเบราว์เซอร์ได้อย่างมีประสิทธิภาพใกล้เคียงกับการดำเนินการภายในเครื่องคอมพิวเตอร์ ทำให้เหมาะสำหรับการจัดการงานที่ต้องการความเข้มข้นของการคำนวณเช่น AI และการประมวลผลข้อมูลขนาดใหญ่โดยเฉพาะอย่างยิ่ง

เมื่อวาน อาร์เทลาได้ปล่อยเอกสารขาวอธิบายวิธีการเพิ่มประสิทธิภาพของบล็อกเชนผ่านการพัฒนาสแต็กการดำเนินการแบบขนานและการเปิดตัวพื้นที่บล็อกที่ยืดหยุ่นโดยใช้หลักการคอมพิวเตอร์ยืดหยุ่น

ความสำคัญของการประมวลผลแบบขนาน

ในเครื่องมือเสมือนจริงของ Ethereum (EVM) แบบดั้งเดิมทั้งหมดการดำเนินการของสัญญาอัจฉริยะและการเปลี่ยนแปลงของสถานะจะต้องสอดคล้องกันทั่วโลกในเครือข่าย นี่ต้องการให้โหนดทั้งหมดดำเนินการทราบเหตุการณ์เดียวกันในลำดับเดียวกัน แม้ว่าบางธุรกรรมจะไม่มีความสำคัญจริงระหว่างกัน นี้ส่งผลให้เกิดการประมวลผลแบบต่อเนื่อง ซึ่งทำให้เกิดความล่าช้าและประสิทธิภาพที่ไม่จำเป็น

การประมวลผลแบบขนานช่วยให้โปรเซสเซอร์หลายตัวหรือแกนประมวลผลสามารถดําเนินงานประมวลผลหลายรายการหรือประมวลผลข้อมูลพร้อมกันปรับปรุงประสิทธิภาพการประมวลผลและลดเวลาในการดําเนินการโดยเฉพาะอย่างยิ่งสําหรับปัญหาการประมวลผลที่ซับซ้อนหรือขนาดใหญ่ที่สามารถแบ่งออกเป็นงานอิสระ Parallel EVM ขยายหรือปรับปรุง EVM แบบเดิมโดยเปิดใช้งานการดําเนินการพร้อมกันของสัญญาอัจฉริยะหลายสัญญาหรือการเรียกฟังก์ชันสัญญาซึ่งจะช่วยเพิ่มปริมาณงานและประสิทธิภาพของเครือข่ายโดยรวม นอกจากนี้ยังเพิ่มประสิทธิภาพเมื่อเทียบกับการดําเนินการแบบเธรดเดียว ข้อได้เปรียบหลักของ Parallel EVM คือการเปิดใช้งานแอปพลิเคชันแบบกระจายอํานาจเพื่อให้ได้ประสิทธิภาพเทียบเท่ากับอินเทอร์เน็ต

Artela Network และ EVM++

Artela เป็น L1 ที่ช่วยเพิ่มความสามารถในการปรับขนาดและประสิทธิภาพของ EVM โดยการแนะนํา EVM ++ EVM ++ อัพเกรดเลเยอร์การดําเนินการ EVM โดยรวมความยืดหยุ่นของ EVM เข้ากับ WASM ประสิทธิภาพสูง เครื่องเสมือนที่ได้รับการปรับปรุงนี้รองรับการประมวลผลแบบขนานและการจัดเก็บที่มีประสิทธิภาพทําให้แอปพลิเคชันที่ซับซ้อนและต้องการประสิทธิภาพมากขึ้นสามารถทํางานบน Artela ได้ EVM ++ ไม่เพียง แต่รองรับสัญญาอัจฉริยะแบบดั้งเดิมเท่านั้น แต่ยังช่วยให้สามารถเพิ่มและดําเนินการโมดูลประสิทธิภาพสูงแบบ on-chain เช่นตัวแทน AI ซึ่งสามารถทํางานเป็นโปรเซสเซอร์ร่วมแบบ on-chain ได้อย่างอิสระหรือเข้าร่วมโดยตรงในเกมแบบ on-chain สร้าง NPC ที่ตั้งโปรแกรมได้อย่างแท้จริง

Artela ช่วยให้มั่นใจได้ว่าพลังการประมวลผลของโหนดเครือข่ายสามารถปรับขนาดได้อย่างยืดหยุ่นตามความต้องการผ่านการออกแบบการดําเนินการแบบขนาน นอกจากนี้โหนดตรวจสอบยังรองรับการปรับขนาดแนวนอนทําให้เครือข่ายสามารถปรับขนาดของโหนดประมวลผลโดยอัตโนมัติตามโหลดหรือความต้องการในปัจจุบัน กระบวนการปรับขนาดนี้ได้รับการประสานงานโดยโปรโตคอลที่ยืดหยุ่นเพื่อให้แน่ใจว่ามีทรัพยากรการประมวลผลเพียงพอในเครือข่ายฉันทามติ ด้วยการรับประกันพลังการประมวลผลที่ปรับขนาดได้ผ่านการประมวลผลแบบยืดหยุ่น Artela บรรลุพื้นที่บล็อกที่ยืดหยุ่นทําให้ dApps ขนาดใหญ่สามารถสมัครพื้นที่บล็อกอิสระตามความต้องการเฉพาะ สิ่งนี้ไม่เพียง แต่ตอบสนองความต้องการในการขยายพื้นที่บล็อกสาธารณะ แต่ยังช่วยให้มั่นใจได้ถึงประสิทธิภาพและความเสถียรของแอปพลิเคชันขนาดใหญ่

อธิบายอย่างละเอียดเกี่ยวกับโครงสร้างการประมวลผลแบบขนานของ Artela

1. การดำเนินการอย่างมีความหวังที่ทำนายได้

การดําเนินการในแง่ดีเชิงคาดการณ์เป็นหนึ่งในเทคโนโลยีหลักของ Artela และแตกต่างจาก EVM แบบขนานอื่น ๆ เช่น Sei และ Monad การดําเนินการในแง่ดีหมายถึงกลยุทธ์การดําเนินการแบบขนานที่ถือว่าในตอนแรกไม่มีความขัดแย้งระหว่างธุรกรรม ในกลไกนี้แต่ละธุรกรรมจะรักษาเวอร์ชันส่วนตัวของรัฐบันทึกการแก้ไขโดยไม่ต้องสรุปทันที หลังจากดําเนินธุรกรรมขั้นตอนการตรวจสอบจะตรวจสอบความขัดแย้งที่เกิดจากการเปลี่ยนแปลงสถานะทั่วโลกจากธุรกรรมที่เกิดขึ้นพร้อมกันในช่วงเวลาเดียวกัน หากตรวจพบข้อขัดแย้งธุรกรรมจะถูกดําเนินการอีกครั้ง การคาดการณ์เกี่ยวข้องกับการใช้แบบจําลอง AI เฉพาะเพื่อวิเคราะห์ข้อมูลธุรกรรมในอดีตการคาดการณ์การพึ่งพาระหว่างธุรกรรมที่จะดําเนินการและระบุว่าธุรกรรมใดอาจเข้าถึงข้อมูลเดียวกัน จากการวิเคราะห์นี้ธุรกรรมจะถูกจัดกลุ่มและคําสั่งดําเนินการจะถูกจัดเรียงเพื่อลดความขัดแย้งและการดําเนินการที่ซ้ําซ้อน

นับเป็นตัวตรวจสอบ Sei จำเป็นต้องพึ่งพัฒนาโดยกำหนดความขึ้นต่ำของการทำรายการล่วงหน้าผ่านไฟล์ในขณะที่ Monad ใช้การวิเคราะห์สถิติระดับคอมไพเลอร์เพื่อสร้างไฟล์ความขึ้นต่ำของการทำรายการต่อเนื่อง ทั้ง Sei และ Monad ไม่ได้บังคับความเทียบเคียงกับ EVM และขาดความสามารถในการปรับเปลี่ยนตามโมเดลการคาดการณ์ที่เปลี่ยนไปของ Artela ที่ใช้ AI-driven dynamic prediction models

2. โหลดล่วงหน้าแบบ Async

เทคโนโลยีการโหลดล่วงหน้าแบบอะซิงโครนัสมีจุดมุ่งหมายเพื่อแก้ไขปัญหาคอขวดของอินพุต-เอาต์พุต (I/O) ที่เกิดจากการเข้าถึงของรัฐ โดยมีเป้าหมายเพื่อเพิ่มความเร็วในการดึงข้อมูลและลดเวลารอการดําเนินการธุรกรรม ใน Artela ก่อนทําธุรกรรมข้อมูลสถานะที่จําเป็นจะถูกโหลดไว้ล่วงหน้าจากที่เก็บข้อมูลช้า (เช่นฮาร์ดดิสก์) ลงในที่เก็บข้อมูลที่รวดเร็ว (เช่นหน่วยความจํา) ตามแบบจําลองการคาดการณ์ การโหลดข้อมูลที่จําเป็นในเชิงรุกนี้จะช่วยลดเวลารอ I/O ระหว่างการดําเนินการ ด้วยข้อมูลที่โหลดไว้ล่วงหน้าและแคชโปรเซสเซอร์หลายตัวหรือเธรดการดําเนินการสามารถเข้าถึงข้อมูลนี้ได้พร้อมกันซึ่งจะช่วยเพิ่มความขนานในการดําเนินการ

3. การจัดเก็บแบบขนาน

ด้วยการแนะนําเทคโนโลยีการดําเนินการแบบขนานการประมวลผลธุรกรรมสามารถขนานกันได้ แต่หากความเร็วในการอ่านเขียนและอัปเดตข้อมูลไม่สามารถซิงโครไนซ์ได้จะกลายเป็นปัจจัยสําคัญที่ จํากัด ประสิทธิภาพของระบบโดยรวม ดังนั้นคอขวดจะค่อยๆเปลี่ยนไปที่ชั้นจัดเก็บ โซลูชันเช่น MonadDB และ SeiDB ได้เริ่มมุ่งเน้นไปที่การเพิ่มประสิทธิภาพเลเยอร์การจัดเก็บ Artela ใช้และรวมเทคนิคการประมวลผลข้อมูลแบบดั้งเดิมที่เป็นผู้ใหญ่เพื่อพัฒนาการจัดเก็บข้อมูลแบบขนานซึ่งจะช่วยเพิ่มประสิทธิภาพของการประมวลผลแบบขนาน

ระบบการเก็บข้อมูลแบบขนานถูกออกแบบขึ้นเพื่อแก้ไขปัญหาสองประเด็นหลัก คือ การประมวลผลขนานของการเก็บข้อมูลและการปรับปรุงการบันทึกสถานะของข้อมูลลงในฐานข้อมูลอย่างมีประสิทธิภาพ ความท้าทายทั่วไปในการจัดเก็บข้อมูลรวมถึงการเพิ่มขนาดของข้อมูลในขณะที่ดำเนินการเขียนและเพิ่มความกดดันต่อการประมวลผลฐานข้อมูล ในการเอามาใช้ให้ได้ผลอย่างมีประสิทธิภาพ เราใช้กลยุทธ์การแยกแยะระหว่างการยืนยันสถานะ (SC) และการเก็บข้อมูลสถานะ (SS) กลยุทธ์นี้แบ่งงานการจัดเก็บข้อมูลเป็นสองส่วน ส่วนหนึ่งจัดการดำเนินการที่ต้องการประมวลผลอย่างรวดเร็วโดยไม่ต้องเก็บรักษาโครงสร้างข้อมูลที่ซับซ้อนเพื่อประหยัดพื้นที่และลดข้อมูลซ้ำซ้อน ส่วนอื่น ๆ รับผิดชอบในการบันทึกข้อมูลรายละเอียดอย่างละเอียด

นอกจากนี้ เพื่อรักษาประสิทธิภาพในการจัดการปริมาณข้อมูลขนาดใหญ่ Artela ใช้วิธีการรวมบล็อกข้อมูลขนาดเล็กเป็นขนาดใหญ่เพื่อลดความซับซ้อนของการดำเนินการเก็บข้อมูล

4. พื้นที่บล็อกยืดหยุ่น (EBS)

Artela’s Elastic บล็อก Space (EBS) is designed based on the concept of elastic computing, allowing automatic adjustment of the number of transactions a block can accommodate based on network congestion levels.

คอมพิวเตอร์ยืดหยุ่นเป็นแบบจำลองบริการคอมพิวเตอร์ในรูปแบบคลาวด์ที่ช่วยให้ระบบสามารถปรับแต่งการกำหนดค่าของทรัพยากรคอมพิวเตอร์อัตโนมัติเพื่อตอบสนองความต้องการของโหลดงานที่แปรผันได้ จุดมุ่งหมายหลักของมันคือการปรับใช้ประสิทธิภาพการใช้ทรัพยากรอย่างมีประสิทธิภาพและการบริการความสามารถในการจัดหาพลังงานคอมพิวเตอร์เพิ่มเมื่อมีความต้องการเพิ่มขึ้น

EBS จะปรับทรัพยากรบล็อกแบบไดนามิกตามความต้องการเฉพาะของ dApps โดยให้พื้นที่บล็อกการปรับขนาดอิสระสําหรับ dApps ที่มีความต้องการสูง สิ่งนี้มีจุดมุ่งหมายเพื่อแก้ไขความแตกต่างอย่างมีนัยสําคัญในข้อกําหนดด้านประสิทธิภาพของบล็อกเชนในแอปพลิเคชันต่างๆ ข้อได้เปรียบหลักของ EBS อยู่ที่ "ประสิทธิภาพที่คาดการณ์ได้" เพื่อให้มั่นใจว่า dApps จะได้รับธุรกรรมที่คาดการณ์ได้ต่อวินาที (TPS) ดังนั้นโดยไม่คํานึงถึงความแออัดในพื้นที่บล็อกสาธารณะ dApps ที่มีพื้นที่บล็อกอิสระจะได้รับ TPS ที่เสถียร ยิ่งไปกว่านั้นหากสัญญาของ dApps รองรับการประมวลผลแบบขนานพวกเขาสามารถบรรลุ TPS ที่สูงขึ้นได้ โดยพื้นฐานแล้ว EBS ให้สภาพแวดล้อมที่เสถียรกว่าเมื่อเทียบกับแพลตฟอร์มบล็อกเชนแบบดั้งเดิมเช่น Ethereum และ Solana ซึ่งมักประสบปัญหาประสิทธิภาพลดลงระหว่างความแออัดของเครือข่าย เช่น ในช่วงที่ NFT บูมหรือ DeFi สูงสุด Artela แก้ไขปัญหาดังกล่าวได้อย่างมีประสิทธิภาพผ่านการจัดการทรัพยากรที่กําหนดเองและเหมาะสมที่สุด

สรุปมาแล้ว Artela บรรลุความยืดหยุ่นสูงและประสิทธิภาพของเครือข่ายที่สามารถคาดการณ์ได้ผ่านชั้นดำเนินการแบบขนาดยืดหยุ่นและพื้นที่บล็อกแบบยืดหยุ่น (EBS) โครงสร้างการดำเนินการแบบขนาดยืดหยุ่นนี้ใช้โมเดล AI ในการทำนายความขึ้นต่อกันของธุรกรรมอย่างแม่นยำ ซึ่งจะลดความขัดแย้งและการดำเนินการที่ซ้ำซ้อน นอกจากนี้ แอปพลิเคชั่นขนาดใหญ่สามารถเข้าถึงพลังงานประมวลผลและทรัพยากรที่จัดสรรไว้ตามความจำเป็น ทำให้มีประสิทธิภาพที่มั่นคง แม้ในสภาวะภาระของเครือข่ายสูง ความสามารถนี้ทำให้เครือข่าย Artela สามารถรองรับกรณีการใช้งานที่ซับซ้อนมากขึ้น เช่นการประมวลผลข้อมูลขนาดใหญ่แบบเรียลไทม์และการทำธุรกรรมทางการเงินที่ซับซ้อน

คำอธิบาย:

1. บทความนี้ถูกคัดลอกมาจาก[ChainFeeds การวิจัย], ลิขสิทธิ์เป็นของผู้เขียนต้นฉบับ [ 0XNATALIE], หากคุณมีข้อโต้แย้งใด ๆ เกี่ยวกับการเผยแพร่อีกครั้ง โปรดติดต่อเกต เรียนทีม และทีม จะดำเนินการตามขั้นตอนที่เกี่ยวข้องโดยเร็วที่สุด

2. ข้อความประกาศ: มุมมองและความคิดเห็นที่แสดงในบทความนี้เป็นเพียงมุมมองส่วนบุคคลของผู้เขียนเท่านั้น และไม่เป็นการให้คำแนะนำในการลงทุนใด ๆ

3. เวอร์ชันภาษาอื่นๆของบทความถูกแปลโดยทีม Gate Learn และไม่ได้กล่าวถึงในบทความนี้Gate.io, บทความที่แปลอาจไม่สามารถทำซ้ำ แจกจ่ายหรือลอกเลียนแบบได้