[논문 리뷰] Byzantine-Fault-Tolerant Consensus via Reinforcement Learning for Permissioned Blockchain Implemented in a V2X Network

Seungmo Kim, Ahmed S. Ibrahim|arXiv (Cornell University)|2020. 07. 28.

Blockchain Technology Applications and Security참고 문헌 31인용 수 6

한 줄 요약

이 논문은 V2X 네트워크에서 허가된 Hyperledger Fabric 블록체인의 확장성과 바이진트 폭주 내성 간의 균형을 이루기 위해 강화학습(RL) 기반 채널 선택 메커니즘을 제안한다. 피어 선택 문제를 문맥적 다중 손잡이 슬롯머신(MAB)으로 모델링하여 차량이 체류 시간을 기반으로 최적의 피어 집합을 자율적으로 학습함으로써, 최적 성능에 가까운 낮은 지연과 높은 처리량을 달성한다.

ABSTRACT

Blockchain has been forming the central piece of various types of vehicle-to-everything (V2X) network for trusted data exchange. Recently, permissioned blockchains garner particular attention thanks to their improved scalability and diverse needs from different organizations. One representative example of permissioned blockchain is Hyperledger Fabric ("Fabric"). Due to its unique execute-order procedure, there is a critical need for a client to select an optimal number of peers. The interesting problem that this paper targets to address is the tradeoff in the number of peers: a too large number will degrade scalability while a too small number will make the network vulnerable to faulty nodes. This optimization issue gets especially challenging in V2X networks due to mobility of nodes: a transaction must be executed and the associated block must be committed before the vehicle leaves a network. To this end, this paper proposes an optimal peers selection mechanism based on reinforcement learning (RL) to keep a Fabric-empowered V2X network impervious to dynamicity due to mobility. We model the RL as a contextual multi-armed bandit (MAB) problem. The results demonstrate the outperformance of the proposed scheme.

연구 동기 및 목표

• 동적인 V2X 네트워크를 위한 허가된 블록체인에서의 확장성-장애 내성 간 상충 관계를 해결한다.
• Hyperledger Fabric에서 정적 피어 선택 방식의 한계를 극복하여 자원 낭비와 성능 저하를 방지한다.
• 외부 인프라 없이 차량이 실시간으로 최적의 피어 구성 설정을 자율적으로 학습할 수 있도록 한다.
• 이동성에 기인한 네트워크 동적 변화에도 거래 처리의 지속 가능성과 일관성을 확보한다.
• 변화하는 네트워크 조건과 피어 가용성에 대응하는 내성적이고 적응적인 학습 프레임워크를 개발한다.

제안 방법

• 차량의 네트워크 내 예상 체류 시간을 문맥으로 삼아 피어 선택 문제를 문맥적 다중 손잡이 슬롯머신(MAB) 문제로 수립한다.
• 동적 환경에서 탐색과 이용의 균형을 이루기 위해 ε-그리디 및 톰슨 샘플링(TS) 탐색 전략을 사용한다.
• 각 채널(피어 그룹 구성)을 MAB의 한 개의 손잡이로 모델링하고, 보상은 거래 성공률과 지연 시간에 기반한다.
• RL 에이전트를 클라이언트 애플리케이션에 통합하여 거래를 승인할 피어를 실시간으로 결정한다.
• Hyperledger Fabric의 실행-순서 아키텍처를 활용하여, 모든 피어가 검증 이전에 거래를 결정적으로 실행하도록 한다.
• 관측된 성능에 기반해 피어 선택을 동적으로 조정하여, 오래된 또는 일관성 없는 레지스트리 상태를 가진 피어를 회피한다.

실험 결과

연구 질문

• RQ1 V2X 네트워크에서 차량은 확장성과 바이진트 폭주 내성을 균형 잡기 위해 동적으로 최적의 승인 피어 수를 어떻게 선택할 수 있는가?
• RQ2 강화학습은 이동성 있는 블록체인 환경에서 피어 신뢰성과 네트워크 동적 특성에 대한 사전 지식 부족 문제를 효과적으로 해결할 수 있는가?
• RQ3 이동성 제약 조건 하에서 지연을 최소화하고 처리량을 최대화하기 위해 어떤 학습 전략(예: ε-그리디 또는 톰슨 샘플링)이 가장 우수한 성능을 보이는가?
• RQ4 문맥적 MAB 프레임워크는 Hyperledger Fabric에서 정적 또는 무작위 피어 선택 방식에 비해 거래 성공률을 어떻게 향상시키는가?
• RQ5 RL 기반 메커니즘이 고속 이동성 V2X 환경에서 지속 가능성과 일관성을 얼마나 잘 유지할 수 있는가?

주요 결과

• 제안된 RL 기반 채널 선택 메커니즘이 이론적 최적 성능에 매우 가까운 지연과 처리량 성능을 달성했다.
• ε-그리디 및 톰슨 샘플링 전략의 사용으로 동적 네트워크 조건 하에서 안정적이고 적응적인 피어 선택이 가능했다.
• 문맥적 MAB 프레임워크는 너무 많은 피어(확장성 저하)와 너무 적은 피어(장애 위험 증가) 사이의 상충 관계를 효과적으로 균형 잡는 데 기여했다.
• 차량의 네트워크 내 예상 체류 시간을 기반으로 한 피어 선택 조정을 통해 이동성에 대한 내성을 확보했다.
• 오래된 또는 일관성 없는 레지스트리 상태를 가진 피어에 거래를 제출하는 것을 방지함으로써 자원 낭비를 줄였다.
• 결과는 자율적이고 학습 기반의 피어 선택이 허가된 블록체인 기반 V2X 네트워크에서 성능 향상에 상당한 기여를 한다고 확인했다.