跳到主要内容
返回时间线
arXiv来源发表:

Auriga 把配置调优与冲突预防合到一起:Fabric 有效吞吐最高提升到默认配置的 6 倍

核心概要

Auriga 把 Hyperledger Fabric 这类执行-排序-验证(EOV)区块链的有效吞吐拆成原始吞吐与交易成功率两个因子,用受 harness 约束的多智能体做配置搜索,并在执行前预测读写集、把交易分成无冲突组。在三个基准、冲突率最高 70% 的条件下,其有效吞吐最高达到默认 Fabric 的 6 倍,并超过最强单基线;在 40% 冲突率下,它把成功率保持在 90.2%,而只做配置调优的 Athena 为 67.8%。

Source-provided article image: Auriga: Harness-Governed LLM Agents for Effective Throughput Optimization in Execute-Order-Validate Permissioned Blockchains
arXiv

深度剖析

Auriga 让 EOV 区块链同时从配置和冲突两侧提升有效吞吐,即每秒成功提交的交易数,而不是只抬高原始吞吐或只修补冲突。 此前的配置调优方法只抬高原始吞吐、默认工作负载无冲突,冲突控制方法只提高成功率、且在执行后才修复冲突,少数联合方法也只调少量参数并依赖内核改动。 在 40% 冲突率下,只做配置调优的 Athena 把有效吞吐从 205 提到 612,但成功率停在 67.8%;Auriga 在同一冲突率下保持 90.2% 的成功率,有效吞吐达到 1,226。

配置搜索由三个分工的 LLM 智能体完成,分别负责提出配置假设、把候选配置推到饱和点测量、把每次试验整理成可复用的经验记录。 单智能体自由搜索容易触发不安全操作或过早终止,而把搜索流程写死又让 LLM 只回答分阶段提示。 一个共享的 harness 运行时统一管理工具与记忆访问并独占终止权,只有它核实探索深度、分组多样性和趋势稳定后才允许结束搜索。

交易调度在执行前预测每笔交易的读写集,再按预测的冲突关系把交易分成互不冲突的组,以区块容量为上限提交。 此前的冲突控制依赖执行后解析读写集,属于事后修复,无法在提交前阻止冲突。 离线阶段由 LLM 从智能合约中抽取符号化 AST 模板并指定所需的世界状态统计量,在线阶段用这些模板和缓存统计估计分支概率,再以接近 1 的置信阈值取路径并集。

启示与展望

评估覆盖 8 到 40 个 peer 的五种 Fabric 拓扑、Smallbank、Token-ERC-20 与 IOHeavy 三个合约基准,冲突率从 10% 扫到 70%,所有涉及调优的方法统一给 50 轮预算;调度子系统的对比固定在 8 peer 拓扑、MaxMessageCount 取 200、发送速率 500 tx/s。

调度器采用接近 1 的置信阈值,系统性地偏向过度预测,代价是牺牲部分并行度;预测覆盖率总体为 99.86%,仍有 1.3% 的 MVCC 中止归因于读写集误判。窗口从 3,000 增到 7,000 笔时成功率从 73% 升到 99%,但冲突图更密会压低吞吐,默认取 5,000 是折中。作者把多链与跨链环境、自适应调度列为后续工作。